Modelos de predicción para los resultados del LDLT (PREDICTLDLT)

Preguntas de investigación:

1. ¿Se puede desarrollar un nuevo modelo de predicción preoperatorio basado en variables relacionadas con el donante y el receptor utilizando el Registro Internacional de LDLT para predecir de manera fiable los resultados de LDLT?
2. ¿Cómo se desempeñan los modelos de predicción existentes más prometedores para los resultados de LDLT cuando se validan externamente en el Registro Internacional de LDLT?

Cálculo del tamaño de la muestra:

El tamaño de la muestra para el desarrollo del modelo de predicción se estimó utilizando un enfoque de eventos por parámetro (EPP/EPV). Basándonos en investigaciones anteriores, la tasa de eventos anticipada para el fallo temprano del injerto se estableció en 17,5%. Preseleccionamos 20 parámetros del modelo (incluyendo variables ficticias para predictores categóricos y cualquier término de interacción) y apuntamos a 15 eventos por parámetro para reducir el sobreajuste. Esto produce un mínimo de 300 eventos, correspondiendo a un tamaño total de muestra de aproximadamente 1.715 pacientes.

Análisis estadístico:

Los análisis estadísticos se llevarán a cabo utilizando RStudio 2024.09.1, GraphPad Prism 10.6.1 y Microsoft Excel versión 16.90.2. P < 0,05 indica significancia estadística.

La normalidad se probará utilizando la prueba de Shapiro-Wilk. Las características basales se dividirán según la presencia de fallo temprano del injerto. La homogeneidad de las varianzas se probará utilizando la prueba F. Estos resultados se presentarán en una tabla.

Para la validación externa de los modelos de predicción existentes, los parámetros se introducirán en los modelos de predicción, lo que dará lugar a los riesgos predichos. La discriminación del modelo se medirá utilizando el AUC y por la pendiente de discriminación. La prueba de DeLong se utilizará para probar la diferencia entre el AUC de los diferentes modelos de predicción. La calibración se evaluará comparando la tasa observada con la tasa predicha de eventos y se representará gráficamente mediante gráficos de calibración.

Para el desarrollo de un nuevo modelo de predicción, el resultado de interés es el fallo temprano del injerto, definido como la pérdida del injerto dentro de los 90 días posteriores al trasplante (resultado binario). Se desarrollará un modelo de regresión logística multivariable para estimar el riesgo individual de fallo temprano del injerto. Los predictores candidatos se seleccionarán a priori en función de la relevancia clínica, la plausibilidad biológica y la disponibilidad antes del trasplante, informados por la literatura existente y la opinión de expertos. Para reducir el riesgo de sobreajuste, el número de parámetros del modelo se limitará a aproximadamente 20, de acuerdo con un enfoque de eventos por parámetro. Se evitarán los procedimientos de selección de predictores basados en datos. La validación interna se realizará mediante bootstrapping, y el rendimiento del modelo se evaluará en términos de discriminación y calibración.

El rendimiento del modelo también se probará en los siguientes subgrupos: sexo del receptor, continente de residencia del receptor, indicación para el trasplante de hígado, hepatectomía del donante real realizada y enfoque de la hepatectomía del donante.