El aumento del número de injertos renales procedentes de donantes marginales ha dado lugar a un interés creciente por métodos que permitan una valoración exhaustiva de la calidad del injerto. El objetivo de este estudio fue la creación de un algoritmo de aprendizaje automático a partir de imágenes de cirugía de banco renal para predecir la función renal retardada y mejorar la precisión de scores validados como el kidney donor risk index.

Se trata de un estudio prospectivo unicéntrico con injertos renales de donante cadáver trasplantados con éxito. Se realizaron fotografías del injerto tras cirugía de banco incluyendo una tarjeta de calibración. Se recogieron los datos de los donantes y la evaluación macroscópica preimplantacional llevada a cabo por el cirujano principal. Después del procesamiento y segmentación de las imágenes, se desarrolló y entrenó un modelo random forest para predecir la función renal retardada.

Nuestra serie incluyó 200 injertos renales, 26.5% de los cuales desarrollaron función renal retardada. El kidney donor risk index, el porcentaje de grasa perirrenal adherido, la coloración del córtex, la rugosidad de la superficie renal y la presencia de ateroma en el ostium fueron las variables predictoras escogidas para el modelo. El área por debajo de la curva ROC para predecir la función renal retardada fue del 0.787.

El procesamiento de imágenes de aprendizaje automático puede mejorar la predicción de la funcionalidad y la supervivencia del injerto en el trasplante renal. Esta experiencia preliminar podría ser de utilidad en la toma de decisiones para la asignación de órganos. Es necesario, no obstante, una validación con estudios multicéntricos.

Trasplante Renal; Inteligencia artificial; Función renal retardada