Aplicación del modelo de Fine-Gray en análisis de riesgos competitivos en trasplantes: Un enfoque práctico

Autores/as

DOI:

https://doi.org/10.30944/20117582.2964

Palabras clave:

trasplante de órganos, análisis de supervivencia, modelos estadísticos, incidencia, factores de riesgo

Resumen

Introducción. Los pacientes trasplantados enfrentan riesgos competitivos, como la muerte, la necesidad de un nuevo trasplante o las complicaciones graves, lo que puede dificultar una evaluación precisa de los desenlaces clínicos. Los métodos de análisis de supervivencia tradicionales, como Kaplan-Meier y el modelo de Cox, suelen sobreestimar la incidencia del evento principal porque no consideran de forma adecuada estos eventos competidores. Para superar esta limitación, el modelo de Fine-Gray ofrece estimaciones de incidencia acumulada más realistas, por lo que resulta especialmente útil en contextos clínicos complejos.

Métodos. Se realizó una revisión de la literatura para examinar la aplicación del modelo de Fine-Gray en trasplantes de órganos sólidos. Además, se desarrolló un ejemplo práctico utilizando datos de pacientes con cirrosis hepática para ilustrar su utilidad en la práctica clínica y comparar sus resultados con los de los métodos tradicionales.

Resultados. Al incorporar explícitamente los riesgos competitivos, el modelo de Fine-Gray permitió obtener estimaciones más precisas de la incidencia acumulada, facilitó la identificación de factores de riesgo y respaldó un manejo posterior al trasplante más individualizado. En estudios de trasplante renal, hepático y cardíaco, se demostró que ofrece resultados más ajustados que los métodos convencionales, como confirmó nuestro ejemplo práctico.

Conclusiones. El modelo de Fine-Gray es una herramienta robusta y práctica para analizar riesgos competitivos en investigación de trasplantes. Genera estimaciones más válidas de la incidencia acumulada y contribuye a tomar decisiones clínicas mejor fundamentadas. Para garantizar resultados confiables, es clave aplicarlo correctamente y contar con muestras de tamaño adecuado.

Descargas

Los datos de descargas todavía no están disponibles.

Referencias bibliográficas

Pintilie M. An introduction to competing risks analysis. Rev Esp Cardiol (English Edition). 2011;64:599-605. https://doi.org/10.1016/j.rec.2011.03.016

Alfaro-Villanueva LA, Junior RM, Rangel ÉB, Modelli LG, Viana LA, Cristelli MP, et al. Assessing the influence of graft loss on 4-year patient survival after simultaneous pancreas-kidney transplantation: Kaplan–Meier versus competing risk analysis model. Clin Transplant. 2024;38:e15298. https://doi.org/10.1111/ctr.15298

Austin PC, Lee DS, Fine JP. Introduction to the analysis of survival data in the presence of competing risks. Circulation. 2016;133:601-9. https://doi.org/10.1161/circulationaha.115.017719

Cusumano C, De Carlis L, Centonze L, Lesourd R, Sandri GBL, Lauterio A, et al. Advanced donor age does not increase risk of hepatocellular carcinoma recurrence after liver transplantation: A retrospective two-centre analysis using competing risk analysis. Transpl Int. 2021;34:1948-58. https://doi.org/10.1111/tri.13950

Pinto-Ramirez J, Garcia-Lopez A, Salcedo-Herrera S, Patino-Jaramillo N, Garcia-Lopez J, Barbosa-Salinas J, et al. Risk factors for graft loss and death among kidney transplant recipients: A competing risk analysis. PLoS One. 2022;17:e0269990. https://doi.org/10.1371/journal.pone.0269990

Lacny S, Wilson T, Clement F, Roberts DJ, Faris P, Ghali WA, et al. Kaplan–Meier survival analysis overestimates cumulative incidence of health-related events in competing risk settings: A meta-analysis. J Clin Epidemiol. 2018;93:25-35. https://doi.org/10.1016/j.jclinepi.2017.10.006

Llorca J, Delgado-Rodríguez M. Análisis de supervivencia en presencia de riesgos competitivos: Estimadores de la probabilidad de suceso. Gac Sanit. 2004;18:391-7. https://doi.org/10.1016/S0213-9111(04)71850-6

Austin PC, Steyerberg EW, Putter H. Fine-Gray subdistribution hazard models to simultaneously estimate the absolute risk of different event types: Cumulative total failure probability may exceed 1. Stat Med. 2021;40:4200-12. https://doi.org/10.1002/sim.9023

Kaboré R, Haller MC, Harambat J, Heinze G, Leffondré K. Risk prediction models for graft failure in kidney transplantation: A systematic review. Nephrol Dial Transplant. 2017;32(suppl_2):ii68-ii76. https://doi.org/10.1093/ndt/gfw405

Lafuerza-Coronas ME. Análisis de supervivencia. Modelos de riesgos competitivos. Facultad de Ciencias, Universidad de Zaragoza. Zaguan - Repositorio Institucional de Documentos; 2021. Fecha de consulta: 3 de septiembre de 2024. Disponible en: https://zaguan.unizar.es/record/110360/files/TAZTFG-2021-2927.pdf

Salesi M, Rostami Z, Foroushani AR, Mehrazmay AR, Mohammadi J, Einollahi B, et al. Chronic graft loss and death in patients with post-transplant malignancy in living kidney transplantation: A competing risk analysis. Nephrourol Mon. 2014;6:e14302. https://doi.org/10.5812/numonthly.14302

El Ters M, Smith BH, Cosio FG, Kremers WK. Competing risk analysis in renal allograft survival: A new perspective to an old problem. Transplantation. 2021;105:668- 76. https://doi.org/10.1097/TP.0000000000003285

Truchot A, Raynaud M, Helanterä I, Aubert O, Kamar N, Legendre C, et al. The impact of competing risks in kidney allograft failure prediction. J Ame Soc Nephrol. 2025;36:688-701. https://doi.org/10.1681/ASN.0000000517

Yoshida T, Matsumura S, Imanaka T, Taniguchi A, Yamanaka K, Kishikawa H, et al. Malignancy with immunosuppression after renal transplantation: A competing risk analysis. Transplant Proc. 2020;52:1775-7. https://doi.org/10.1016/j.transproceed.2020.02.124

Ravaioli M, Lai Q, Sessa M, Ghinolfi D, Fallani G, Patrono D, et al. Impact of MELD 30-allocation policy on liver transplant outcomes in Italy. J Hepatol. 2022;76:619- 27. https://doi.org/10.1016/j.jhep.2021.10.024

Du AL, Danforth DJ, Waterman RS, Gabriel RA. Is obesity associated with better liver transplant outcomes? A retrospective study of hospital length of stay and mortality following liver transplantation. Anesth Analg. 2022;135:118-27. https://doi.org/10.1213/ANE.0000000000005921

Schlansky B, Naugler WE, Orloff SL, Enestvedt CK. Higher mortality and survival benefit in obese patients awaiting liver transplantation. Transplantation. 2016;100:2648-55. https://doi.org/10.1097/TP.0000000000001461

Smith KB, Potters TO, Lopez-Zenarosa G. Pretransplant survival of patients with end-stage heart failure under competing risks. PLoS One. 2022;17:e0273100. https://doi.org/10.1371/journal.pone.0273100

Scrutinio D, Guida P, Passantino A, Ammirati E, Oliva F, Lagioia R, et al. Application of competing risks analysis improved prognostic assessment of patients with decompensated chronic heart failure and reduced left ventricular ejection fraction. J Clin Epidemiol. 2018;103:31-9. https://doi.org/10.1016/j.jclinepi.2018.07.006

Soriano F. Cirrhosis prediction dataset. 2021. Fecha de consulta: 3 de septiembre de 2024. Disponible en: https://www.kaggle.com/datasets/fedesoriano/cirrhosis-prediction-dataset

Cabas S, García-López A, Gómez-Montero A, Anichiarico-Castillo LA, Sarmiento-Gallego JA, Girón-Luque F. Modelos de predicción en trasplantes: Estado del arte y aplicaciones. Rev Colomb Cir. 2025;40:(en prensa). https://doi.org/10.30944/20117582.2813

García-López A, Jiménez-Gómez M, Gómez-Montero A, González-Sierra JC, Cabas S, Girón-Luque F. Survival analysis using machine learning in transplantation: A practical introduction. BMC Med Inform Decis Mak. 2025;25:141. https://doi.org/10.1186/s12911-025-02951-7

ColTrasplantes. ColTrasplantes/CRA: v2.0. Zenodo; 2025. https://doi.org/10.5281/zenodo.15792210

Basak R, Mistry H, Chen RC. Understanding competing risks. Int J Radiat Oncol Biol Phys. 2021;110:636-40. https://doi.org/10.1016/j.ijrobp.2021.01.008

Geskus RB. Competing risks: Aims and methods. Handbook of statistics. 2020;43:249-87. https://doi.org/10.1016/bs.host.2019.11.001

Dignam JJ, Zhang Q, Kocherginsky M. The use and interpretation of competing risks regression models. Clin Cancer Res. 2012;18:2301-8. https://doi.org/10.1158/1078-0432.CCR-11-2097

Geskus RB. Cause-specific cumulative incidence estimation and the fine and gray model under both left truncation and right censoring. Biometrics. 2011;67:39-49. https://doi.org/10.1111/j.1541-0420.2010.01420.x

Austin PC, Fine JP. Practical recommendations for reporting Fine-Gray model analyses for competing risk data. Stat Med. 2017;36:4391-400. https://doi.org/10.1002/sim.7501

Li C. The Fine-Gray model under interval censored competing risks data. J Multivar Anal. 2016;143:327-44. https://doi.org/10.1016/j.jmva.2015.10.001

Geskus RB. Competing risks: Concepts, methods, and software. Annu Rev Stat Appl. 2024;11:227-54. https://doi.org/10.1146/annurev-statistics-040522- 094556

Austin PC, Allignol A, Fine JP. The number of primary events per variable affects estimation of the subdistribution hazard competing risks model. J Clin Epidemiol. 2017;83:75-84. https://doi.org/10.1016/j.jclinepi.2016.11.017

Latouche A, Porcher R, Chevret S. Sample size formula for proportional hazards modelling of competing risks. Stat Med. 2004;23:3263-74. https://doi.org/10.1002/sim.1915

Descargas

Publicado

2025-09-02

Cómo citar

(1)
Garcia-Lopez, A.; Cabas, S.; Gomez-Montero, A.; Nieves-Rico, A. A.; Barbosa-Villalba, G.; Rosales, M. Ángel; Giron-Luque, F. Aplicación Del Modelo De Fine-Gray En análisis De Riesgos Competitivos En Trasplantes: Un Enfoque práctico. Rev Colomb Cir 2025, 41, 153-162.

Número

Sección

Artículo de Revisión

Métricas

Estadísticas de artículo
Vistas de resúmenes
Vistas de PDF
Descargas de PDF
Vistas de HTML
Otras vistas
Escanea para compartir
QR Code
Crossref Cited-by logo

Algunos artículos similares: