Modelos de predição para infecção após transplante renal: revisão sistemática

Revisão sistemáticaNível 1 · Evidência consolidadaFrontiers in medicine10 set 20260 citações

O que aconteceu

A infecção após transplante renal é uma das principais causas de perda e mortalidade do enxerto. Modelos de predição de risco podem facilitar a identificação precoce de receptores de alto risco, mas sua qualidade permanece incerta. O objetivo deste estudo foi avaliar sistematicamente o desempenho, o risco de viés e a aplicabilidade clínica dos modelos de predição de infecção após transplante renal. Além disso, procurou fornecer orientações baseadas em evidências para a seleção de modelos e desenvolvimento futuro. Foram pesquisadas oito bases de dados desde o início até março de 2026 para estudos que desenvolveram e validaram modelos de predição de infecção após transplante renal. A extração de dados seguiu a Lista de Avaliação Crítica e a extração de dados para Análises sistemáticas de Estudos de Modelação de Previsão (CHARMS), e o modelo de Predição Risk Of Bias Assessment Tool (PROBAST) foi utilizado para avaliar o risco de viés e aplicabilidade. https://www.crd.york.ac.uk/prospero/, identificador CRD420261336728.

O que encontraram

Foram incluídos 15 estudos envolvendo 20 modelos. Todos os estudos foram retrospectivos e abrangeram infecção do trato urinário, infecção pulmonar, infecção da corrente sanguínea (BSI), ativação do vírus BK e infecção global. A área internamente validada sob a curva (AUC) variou de 0,63 a 0,925, com nove estudos relatando uma AUC acima de 0,80. Entretanto, essas promissoras estimativas internas devem ser interpretadas com cautela, pois podem ser infladas por viés de otimismo, dado o risco uniformemente alto de viés identificado em todos os estudos incluídos. Apenas três estudos realizaram validação externa. A avaliação PROBAST revelou alto risco global de viés em todos os estudos. Os preditores mais frequentes foram albumina, idade, diabetes, função renal e tipo de doador.

Por que isso importa

Os modelos atuais mostram discriminação aceitável internamente, mas apresentam alto risco de viés de falhas metodológicas. A validação externa e a avaliação da calibração são insuficientes. Futuros estudos multicêntricos prospectivos devem padronizar a seleção de preditores e o manuseio de dados ausentes, garantindo a validação externa rigorosa.

Tradução automática do resumo original, publicado em Frontiers in medicine sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.