Prédiction dynamique du risque de perte du greffon après transplantation rénale : une étude internationale

Introduction Les systèmes de prédiction actuel de perte du rein transplanté n’intègrent pas l’effet dynamique des paramètres répétés après la greffe, ce qui limite leur implémentation en pratique clinique. Description Nous avons eu pour but de construire un modèle de prédiction dynamique du risque de perte du greffon pour le transplanté rénal. Méthodes Étude internationale en population composée d’une cohorte française de dérivation (4 centres) et de cohortes de validation d’Europe et d’Amérique (14 centres) et 6 essais contrôlés randomisés (ECR). Les paramètres cliniques, histologiques, immunologiques et les mesures répétées fonctionnelles ont été considérés. Des modèles joints ont été utilisés pour dériver un modèle dynamique de prédiction. Résultats Au total, 13,608 patients ont été inclus (3774 dans la cohorte de dérivation et 9834 dans les cohortes de validation et les ECRs). En tout, 1893 pertes de greffon et 416,510 mesures de DFG et de protéinurie ont été observées. L’approche par modèle joint a révélé que le profil immunologique, la fibrose et l’inflammation du greffon (évaluée avec les scores de Banff), ainsi que les mesures répétées de DFG et de protéinurie étaient indépendamment associés à la perte du greffon. Les performances du modèle final étaient hautes dans la cohorte de dérivation (AUC=0,857). La discrimination et la calibration étaient également très bonnes dans les cohortes de validation (AUC=0,845 en Europe, 0,820 aux États-Unis, 0,868 en Amérique du Sud, et 0,857 dans les ECRs). Nous avons également validé le modèle final dans une large série de scénarios cliniques et de sous-populations (Fig. 1). Conclusion Nous avons développé pour la première fois un modèle dynamique de prédiction qui prédit avec précision la survie du greffon au long terme, surpassant les précédents modèles de prédiction en transplantation rénale. Ce modèle a été validé dans différents centres et pays et pourrait ainsi aider à ajuster le pronostic des cliniciens dans leurs pratiques quotidiennes.