Disminución estimada de la tasa de filtración glomerular un año después de la nefrectomía parcial mínimamente invasiva: una comparación multimodelo de predictores

Abstracto

1. Antecedentes

La función renal a largo plazo después de la nefrectomía parcial (NP) es difícil de predecir ya que está influenciada por varias variables modificables y no modificables, a menudo entrelazadas en relaciones complejas.

2. Objetivo

Identificar las variables que influyen en la función renal a largo plazo tras la NP y evaluar su peso relativo.

3. Diseño, escenario y participantes

Se identificó un total de 457 pacientes que se sometieron a NP robótica (n=412) o laparoscópica (n=45) a partir de una base de datos internacional multicéntrica.

4. Mediciones de resultados y análisis estadístico

La tasa de filtración glomerular estimada (TFGe) porcentual de pérdida (1YPL) de 1-años, definida como el cambio porcentual de la TFGe desde el inicio 1 año después de la cirugía, fue el criterio de valoración del resultado. Los predictores evaluados incluyeron datos demográficos, características del tumor y variables operatorias y posoperatorias. Se utilizó el análisis de covarianza multimodelo bayesiano para construir todos los modelos posibles y comparar el ajuste de cada modelo con los datos a través de los factores de Bayes del modelo. Se utilizó el promedio del modelo bayesiano para cuantificar el apoyo de cada predictor a través del factor de Bayes de inclusión (BFincl). Se utilizó la estimación de gráficos no dirigidos de alta dimensión para el análisis de redes de independencia condicional entre predictores.

5. Resultados y limitaciones

Se encontró que varios modelos eran plausibles para la estimación de 1YPL. El mejor modelo, que comprende la pérdida porcentual de eGFR posoperatoria (PPL), el sexo, la técnica de isquemia y la eGFR preoperatoria, fue 207 veces más probable que todos los demás modelos con respecto al rendimiento predictivo relativo. Sus componentes formaron parte de los 44 mejores modelos y fueron los predictores con mayor BFincl. No se evaluó el papel de la isquemia fría, el estado de riñón único, la experiencia del cirujano y el tipo de renografía.

6. Conclusiones

El eGFR preoperatorio, el sexo, la técnica de isquemia y la PPL son los mejores predictores del porcentaje de pérdida de eGFR al año después de la NP mínimamente invasiva. Otros predictores parecen ser irrelevantes, ya que su influencia es insignificante o ya anidada en el efecto de estos cuatro parámetros.

7. Resumen del paciente

La función renal 1 año después de la extirpación parcial de un riñón depende del sexo, la técnica utilizada para detener el flujo de sangre al riñón durante la cirugía y la función renal al inicio y en el período posoperatorio temprano.

Haga clic aquí para saber cuáles son los efectos de Cistanche en Riñón

Introducción

La nefrectomía parcial (NP) es el tratamiento estándar para las masas renales T1 [1]. En comparación con la nefrectomía radical, la NP se asocia con una menor incidencia de enfermedad renal crónica (ERC), manteniendo resultados oncológicos y de seguridad similares [2]. La preservación de la función renal es fundamental en pacientes con comorbilidades preexistentes, neoplasias malignas renales solitarias o cánceres bilaterales, ya que puede influir en el riesgo de mortalidad por otras causas [3].

La función renal inmediata ya largo plazo después de la NP se ve afectada por varias variables modificables y no modificables, incluidos factores demográficos, relacionados con la enfermedad, intraoperatorios y posoperatorios, a menudo entrelazados en relaciones complejas [4].

En este estudio, buscamos identificar qué variables influyen en la función renal a largo plazo y evaluar su peso relativo en la determinación del cambio porcentual en la tasa de filtración glomerular estimada (TFGe) al año después de la NP mínimamente invasiva.

Se aplicó una comparación multimodelo bayesiana para comparar objetivamente el rendimiento predictivo de todas las combinaciones posibles de predictores mientras se equilibran los errores de estimación y los riesgos de sobreajuste. Usando el promedio del modelo bayesiano, fue posible ponderar cada predictor en todos los modelos y brindar información sobre su rendimiento predictivo general y plausibilidad.

Pacientes y métodos

1. Población de pacientes

Se realizó un estudio retrospectivo internacional, multicéntrico, aprobado por una junta de revisión institucional que incluyó pacientes sometidos a NP laparoscópica o asistida por robot en cinco instituciones académicas (tres de Europa y dos de EE. UU.) entre 2013 y 2019. Los criterios de inclusión fueron (1) pacientes adultos diagnosticados con un tumor renal localizado (T1 o T2); (2) sometidos a NP robótica o laparoscópica; y (3) con una descripción completa de las características preoperatorias y posoperatorias, incluidos los datos de seguimiento de hasta 1-años. Se aplicaron los siguientes criterios de exclusión: (1) pacientes sometidos a nefrectomía radical o tratamientos no quirúrgicos; (2) pacientes pediátricos; y (3) pacientes con un riñón trasplantado o antecedentes de múltiples NP en el mismo riñón.

2. Recopilación de datos Los datos demográficos y las características iniciales incluyeron edad, sexo, etnia, hipertensión, estado de diabetes mellitus, índice de masa corporal, puntuación de la Sociedad Estadounidense de Anestesiólogos, estado de riñón único y hemoglobina preoperatoria. La TFGe se calculó utilizando la ecuación de CKD-Epidemiology Collaboration. La hipertensión se definió como una presión arterial sistólica mayor o igual a 140 mm Hg o una presión arterial diastólica deMayor qué o igual a90 mm Hg o tomando medicación antihipertensiva. La información sobre el tumor y los detalles de la operación incluyeron el tamaño del tumor patológico, el radio, la endofisis, la proximidad al sistema colector, la puntuación anterior/posterior, la ubicación (RENAL), el abordaje quirúrgico, la técnica de pinzamiento, el tiempo de isquemia caliente (WIT), el tiempo operatorio, la pérdida de sangre estimada ( EBL) y complicaciones intraoperatorias. Los datos posoperatorios incluyeron eGFR al alta, duración de la estancia y complicaciones posoperatorias. La pérdida porcentual posoperatoria (PPL) de eGFR se calculó como la diferencia porcentual entre la eGFR inicial y la eGFR al alta: (eGFR preoperatoria - eGFR posoperatoria) * 100 / eGFR preoperatoria.

El criterio de valoración del resultado funcional fue la pérdida porcentual de eGFR de 1-años (1YPL), definida como el cambio porcentual de eGFR desde el inicio al año después de la cirugía: (eGFR a 1 año - eGFR preoperatorio) *100 / eGFR preoperatorio.

extracto de cistanche

3. Análisis estadístico

Para predecir 1YPL, se realizó un análisis de covarianza (ANCOVA) con múltiples variables continuas y categóricas. Para identificar de manera objetiva los modelos que equilibran los errores de estimación y el riesgo de sobreajuste, se utilizó una comparación multimodelo bayesiana. En las estadísticas bayesianas, las creencias previas (distribución previa del modelo y la probabilidad del parámetro) se actualizan con la inclusión de la probabilidad de los datos en las creencias posteriores (distribuciones posteriores). La probabilidad de los datos es el apoyo relativo de los datos para hipótesis alternativas y se cuantifica mediante factores de Bayes (BF). Con ANCOVA multimodelo bayesiano, es posible superar la incertidumbre derivada del uso de un solo modelo comparando el rendimiento predictivo de todas las combinaciones posibles de predictores y calculando la plausibilidad relativa de cada modelo en relación con los demás. Además, el promedio del modelo bayesiano se puede utilizar para ponderar cada predictor en todos los modelos y brindar información sobre su rendimiento predictivo general y plausibilidad [5]. En el primer paso, realizamos una comparación del modelo bayesiano y calculamos la probabilidad posterior del modelo P(M|datos) para evaluar la plausibilidad relativa de cada modelo en todo el espacio del modelo; usamos el modelo BF (BFM) como un indicador del rendimiento predictivo del modelo, o probabilidad del modelo, que mide cuántas veces era más probable que los datos ocurrieran bajo un modelo específico que todos los demás promediados en el espacio. BF01 se utilizó para representar el rendimiento predictivo relativo (probabilidad) del mejor modelo con respecto al modelo considerado [6]. Para la probabilidad previa del modelo P(M), elegimos un modelo previo uniforme e impusimos que todos los modelos fueran igualmente probables antes de ver los datos [7]. En el segundo paso, utilizamos un enfoque de promedio de modelo bayesiano para elegir qué variable es útil para predecir 1YPL y cuantificamos el apoyo para cada predictor como su probabilidad de inclusión posterior P (incl|datos), que es la probabilidad de incluirlo en un modelo después de observar los datos. P(incl|data) es la suma de P(M|data) para los modelos que incluyen una variable dada. Comparamos el desempeño predictivo de los predictores en términos de BFexcl, que es la relación entre la probabilidad de que los modelos excluyan un predictor y los modelos que lo incluyan. De esta manera, los datos tienen BFexcl veces más probabilidades de ocurrir con los modelos que no incluyen un predictor que con los modelos que lo incluyen. BFincl representa el recíproco de BFexcl. El porcentaje de error se utilizó para cuantificar el error proporcional asociado con la estimación de BF y refleja el porcentaje de precisión en la predicción del valor de cada BF. También informamos el tamaño del efecto promedio del modelo para cada parámetro (coeficiente de regresión b) para evaluar el peso de cada predictor al estimar 1YPL. La media b se calculó promediando los valores b asumidos para el predictor en todos los modelos y ponderados por los datos P(M|-). También se informa la desviación estándar (SD) y el intervalo creíble del 95 por ciento para las estimaciones. Elegimos la distribución de Jeffrey-Zellner-Siow para la b probabilidad previa. Para explicar la dependencia mutua entre variables, realizamos un análisis de red de independencia condicional entre predictores relevantes utilizando el método de estimación de gráficos no dirigidos de alta dimensión; en el gráfico acíclico resultante, las variables se muestran como nodos y las dependencias condicionales como aristas [8]. Todos los análisis estadísticos se realizaron con JASP (versión 0.14; JASP Software Ltd., Warrington, Reino Unido).

Cistanche en polvo

Discusión

Este estudio demuestra que varios modelos son plausibles para predecir la pérdida renal 1 año después de la NP mínimamente invasiva. Encontramos que el mejor modelo incluye sexo, eGFR preoperatorio, técnica de isquemia y PPL. Todos los modelos que contenían estas cuatro variables exhibieron un aumento en la probabilidad después de ver los datos y mostraron mayores desempeños predictivos que los modelos que incluían todas o algunas de las variables restantes. El promedio del modelo y el análisis de redes de independencia condicional confirmaron estos resultados. Varios puntos relacionados con estos hallazgos merecen una consideración más detallada.

Unlike most studies in the literature, we chose percentage eGFR loss to evaluate functional loss after minimally invasive PN. Several previous models used the ultimate eGFR or progression to stage III CKD as the endpoint [9–12]. Choice of a similar criterion might lead to deceptive results because the dependent variable is directly calculated from the same variables (ie, age, sex, or serum creatinine) that it is tested against. This always results in the identification of those variables as important predictors of the outcome. Other studies evaluated predictors of significant eGFR loss, defined as a reduction of >25 por ciento de la eGFR inicial [13-15]. Este punto final resolvió la limitación mencionada anteriormente, ya que no está necesariamente influenciado por las variables utilizadas en las fórmulas de eGFR. No obstante, esos estudios eligieron solo un subconjunto de predictores para construir un modelo que contiene las covariables consideradas relevantes. En consecuencia, la inferencia en todos los estudios anteriores se realizó sin tener en cuenta la incertidumbre derivada del uso de un solo modelo entre todos los modelos posibles; además, el peso de cada predictor era específico de un modelo en particular y no puede brindar información sobre su rendimiento predictivo general (probabilidad) proporcionado por los datos [5]. En última instancia, este proceso puede conducir a una sobreestimación de la precisión del modelo y puede proporcionar estimaciones sesgadas.

Tomamos en cuenta la incertidumbre del espacio del modelo utilizando el promedio del modelo bayesiano, en el que la gama completa de modelos contribuye a las estimaciones y predicciones. De esta forma, se puede proporcionar un resumen de la importancia y consistencia de cada predictor. Los coeficientes de regresión que tienen un valor medio cercano a cero tendrán una importancia muy limitada en la predicción de la variable independiente; además, los predictores con un intervalo de credibilidad del 95 por ciento que incluye el efecto nulo influirán en el resultado de manera opuesta, según el modelo considerado, demostrando ser inconsistentes. Específicamente, el cálculo de la media posterior y el intervalo creíble del 95 por ciento para los coeficientes de regresión mostró que la PPL, la eGFR preoperatoria y el sexo mantuvieron su desempeño predictivo en todo el espacio del modelo: los valores posibles para sus coeficientes de regresión estaban todos por encima o por debajo del valor nulo. efecto (b=0). Curiosamente, los valores de b para el sexo variaron de 4 a 0.4, lo que demuestra que el sexo masculino es un factor protector para la función renal porque reduce la extensión de 1YPL. Todas las demás variables resultaron poco confiables, con un intervalo de credibilidad del 95 por ciento cuyos valores extremos eran de signos opuestos.

Previous studies tested the use of the acute kidney injury (AKI) categories of the Acute Dialysis Quality Initiative as predictors of long-term renal failure after PN. The Risk, Injury, Failure, Loss, and End-stage (RIFLE) criteria define AKI as an abrupt loss of kidney function resulting in a >25 por ciento de reducción en eGFR desde el inicio [16]. Se ha demostrado que la LRA aumenta el riesgo de mortalidad y desarrollo de ERC en pacientes con condiciones médicas subyacentes [17,18] pero no se pensó que afectaría estos resultados cuando ocurriera en pacientes sometidos a NP [19,20]. Sin embargo, estudios recientes mostraron que tanto la presencia como la duración de la LRA aumentan el riesgo de insuficiencia renal a largo plazo también en este tipo de pacientes [14,21]. No obstante, los criterios RIFLE pueden ser inapropiados para pacientes sometidos a cirugía renal; en estos pacientes, el aumento de la TFGe puede deberse tanto a la escisión quirúrgica como al daño isquémico, con contribuciones relativas que son difíciles de diferenciar desde el punto de vista diagnóstico y pronóstico [18].

No utilizamos un valor de corte para definir AKI en nuestro estudio; en cambio, evaluamos la insuficiencia renal aguda en términos de PPL. Esta elección podría ofrecer algunos beneficios, como evitar las consecuencias negativas de la dicotomización, como la pérdida del tamaño del efecto y el riesgo de clasificación errónea, lo que permite la comparación con otras covariables continuas de la TFGe a largo plazo y ofrece una predicción más detallada de la recuperación funcional [22].

No solo confirmamos que la PPL tiene repercusiones notables para la función a largo plazo, sino que también demostramos que la PPL es el factor más importante que afecta a 1YPL. A diferencia de AKI, PPL parece ser útil para predecir el deterioro funcional a largo plazo incluso cuando el porcentaje de pérdida de eGFR es<25%; moreover, it is essential to precisely quantify the extent of PPL as a continuous variable, as it is linearly related to the outcome. An interesting difference between our study and the current literature is that PPL is a better predictor than all the other surgical variables tested, including WIT, tumor size, RENAL score, and EBL. In addition, all these variables showed little support from the data, because models that do not include them are more likely than models that use them as predictors. Finally, it should be considered that renal function decline related to postoperative acute injury could be influenced by consequent hypertrophy of the remnant healthy kidney parenchyma. Studies with longer follow-ups have shown that the impact of these modifiable parameters has a progressively lower influence on functional outcomes, while other comorbidities or de novo vascular diseases may have a significant impact on long-term outcomes [13,23].

Cistanche tubulosa

Varios estudios encontraron que WIT fue un factor crucial en la predicción del cambio de eGFR [24-27]. Otros estudios degradaron su función y concluyeron que, siempre que el WIT esté por debajo de un umbral seguro (25-30 min), su duración no afecta significativamente a la TFGe a largo plazo [10,28-30].

Una gran cantidad de literatura se ha centrado en el porcentaje de masa parenquimatosa preservada (PPMP) como el determinante clave de la función renal restante, con WIT jugando solo un papel menor [28,31]. Por ejemplo, tanto Simmons et al [10] como Ginzburg et al [15] encontraron que la PPMP y la TFGe inicial, pero no la WIT, se asociaron de forma independiente con la función renal a largo plazo después de la NP. Otros autores encontraron que la inclusión de PPMP en la regresión lineal multivariable condujo a la pérdida de importancia para WIT en la predicción de eGFR a los 3 meses [31] o más tarde [32]. Debe tenerse en cuenta que la evaluación de PPMP no es inmediata y requiere un software de representación tridimensional dedicado para comparar las tomografías computarizadas renales preoperatorias y posoperatorias realizadas con contraste intravenoso.

WIT y PPMP están estrechamente relacionados y son difíciles de desacoplar [33]. Los tumores grandes y complejos generalmente se asocian con una gran escisión parenquimatosa, desvascularización extensa y daño secundario debido a la reconstrucción [9,34,35]. Todos estos factores están asociados con un WIT más largo y una PPMP más pequeña, que a su vez están fuertemente relacionados con la PPL [35–37], lo que provoca multicolinealidad entre todas estas variables. Esto se muestra claramente en el análisis de la estructura de la red para la dependencia de variables. Específicamente, cada nodo en el gráfico de red representa una sola variable y cada borde representa la dependencia condicional de dos variables dadas todas las demás. Dos variables que inicialmente se encontraron correlacionadas (es decir, marginalmente dependientes) pueden volverse condicionalmente independientes (sin borde directo entre los dos nodos) cuando su correlación se explica por una tercera variable que está fuertemente relacionada con ambas. Por ejemplo, después de introducir PPL en el modelo, WIT y 1YPL se vuelven condicionalmente independientes, porque WIT influye en el resultado a través de PPL. Además, cuando se agregan predictores condicionalmente independientes a un modelo que ya contiene variables dependientes condicionales, es poco probable que aumenten la predictibilidad del modelo. En nuestro análisis, los modelos que contenían WIT y PPL funcionaron peor que los modelos que solo contenían PPL porque la influencia de WIT en 1YPL ya está anidada en el efecto PPL.

Nuestra base de datos no tiene datos completos para PPMP, por lo que no evaluamos esta variable. Sin embargo, PPMP no debería agregar ningún beneficio a nuestros modelos; cuando se agregaron varias variables relacionadas con la PPMP, incluido el tamaño patológico, la puntuación RENAL y el estadio del tumor [35], a un modelo que contenía PPL, los modelos derivados no tenían una mayor probabilidad. En otras palabras, estas variables relacionadas con PPMP son incapaces de explicar la varianza residual, logrando un peor rendimiento predictivo global. Esto no significa que WIT y PPMP no sean importantes para determinar la función renal a largo plazo, pero la mayor parte de su efecto está mediado por PPL, que representa el mejor predictor de eGFR al año de la cirugía.

La edad, la hipertensión, el índice de masa corporal y la diabetes mellitus se han identificado como factores de riesgo para la aparición de ERC y también podrían estar implicados en una mayor pérdida funcional a largo plazo [9,11,31]. Se han encontrado resultados contrastantes para el papel del sexo [11,31,38]. Creemos que estos hallazgos pueden estar fuertemente influenciados por el diseño del estudio y la elección del criterio de valoración, ya que todos están asociados con una función renal basal más baja. Evaluamos el papel de las variables clínicas, incluida la edad, la diabetes, la obesidad, la hipertensión y la hemoglobina preoperatoria en la determinación de 1YPL. El análisis de promedio del modelo mostró que solo la edad estaba relacionada con 1YPL; su efecto está mediado en gran medida por PPL y conserva un efecto marginal si se agrega como predictor independiente.

Algunos estudios sugieren que el pinzamiento selectivo de ramas arteriales [39] o el enfoque de isquemia cero [40] ofrece una probabilidad significativamente mayor de preservación del parénquima en comparación con el pinzamiento hiliar. Nuestros resultados indican que la técnica de isquemia es un predictor útil de 1YPL como lo demuestra su BFincl de 29,4, lo que significa que su inclusión aumentó el rendimiento predictivo de los modelos casi 30-veces.

Varios informes no encontraron diferencias significativas en la reducción de la TFGe entre los abordajes quirúrgicos [31,38,41]. Nuestro estudio confirma estos hallazgos al demostrar que los datos tenían menos probabilidades de ocurrir en el grupo de modelos que incluían la técnica quirúrgica como predictor.

Nuestro estudio se caracteriza por varias limitaciones. Es un estudio retrospectivo, por lo que no se pueden excluir sesgos de selección y detección. Nuestra población provenía de centros de alto volumen y todas las NP fueron realizadas por cirujanos de gran experiencia; por lo tanto, es posible que nuestros hallazgos no se apliquen a otros entornos de atención médica. En este estudio, se recopilaron datos de 1359 pacientes, con 896 excluidos debido a datos incompletos. Esto se debe en gran parte a los estrictos criterios de inclusión aplicados; una gran proporción de estos pacientes carecían de datos de seguimiento de 1-años y no es posible realizar inferencias estadísticas para estos pacientes; Esto podría introducir un sesgo de selección y afectar la generalización de los hallazgos. No fue posible establecer ninguna conclusión con respecto al papel de la isquemia fría, el estado de riñón único, la experiencia del cirujano o las técnicas de renografía; la probabilidad y la magnitud de la pérdida funcional a largo plazo pueden verse afectadas por cada uno de ellos.

Cistanche estandarizada

Conclusiones

Varios modelos son plausibles para predecir la pérdida renal 1 año después de la NP mínimamente invasiva. Nuestro análisis sugiere que el mejor modelo debería incluir sexo, técnica de isquemia, eGFR preoperatorio y PPL. Todos los modelos predictivos que contenían estas cuatro variables tenían mayor probabilidad y mayor rendimiento predictivo que los modelos que incluían todas o algunas de las variables restantes. En comparación con otras herramientas, estos predictores son inmediatos y fácilmente disponibles. PPL es útil para predecir el deterioro funcional a largo plazo, incluso cuando el porcentaje de pérdida es inferior al 25 por ciento, ya que está relacionado linealmente con 1YPL. Otros predictores parecen ser irrelevantes, ya que su influencia es insignificante o ya anidada en el efecto de estos cuatro parámetros.

Referencias

[1] Ljungberg B, Bensalah K, Canfield S, et al. Directrices de la EAU sobre el carcinoma de células renales: actualización de 2014. Eur Urol 2015;67:913–24. https://doi. org/10.1016/j.eururo.2015.01.005.

[2] Bradshaw AW, Autorino R, Simone G, et al. Nefrectomía parcial robótica versus nefrectomía radical mínimamente invasiva para la masa renal clínica T2a: una comparación de puntuación de propensión del grupo colaborativo ROSULA (Cirugía robótica para masa renal grande). BJU Internacional 2020;126:114–23. https://doi.org/ 10.1111/bju.15064.

[3] Larcher A, Capitán U, Terrone C, et al. La cirugía conservadora de nefronas electiva disminuye otras causas de mortalidad en relación con la nefrectomía radical solo en subgrupos específicos de pacientes con carcinoma de células renales. JUrol 2016;196:1008–13. https://doi.org/10.1016/j. juro.2016.04.093.

[4] Swavely NR, Anele UA, Porpiglia F, Mir MC, Hampton LJ, Autorino R. Optimización de la preservación de la función renal durante la nefrectomía parcial robótica 1756287218815819. Ther Adv Urol 2019;11. https://doi.org/10.1177/1756287218815819.

[5] Claeskens G, Hjort NL. Selección de modelos y promediación de modelos. Cambridge, Reino Unido: Prensa de la Universidad de Cambridge; 2008.

[6] Lavine M, Schervish MJ. Factores de Bayes: qué son y qué no son. Am Stat 1999;53:119–22. https://doi.org/10.1080/ 00031305.1999.10474443.

[7] Hoeting JA, Madigan D, Raftery AE, Volinsky CT. Promedio del modelo bayesiano: un tutorial. Stat Sci 1999;14:382–401. https://doi.org/ 10.1214/ss/1009212519.

[8] Zhao T, Liu H, Roeder K, Lafferty J, Wasserman L. El enorme paquete para la estimación de gráficos no dirigidos de alta dimensión en R. J Mach Learn Res 2012;13:1059–62.

[9] Abdel Raheem A, Shin TY, Chang KD, et al. Nomograma de Yonsei: un modelo predictivo de enfermedad renal crónica de nueva aparición después de una nefrectomía parcial con pinzamiento en pacientes con tumores renales T1. Int J Urol 2018;25:690–7. https://doi.org/10.1111/iju.13705.

[10] Simmons MN, Hillyer SP, Lee BH, Fergany AF, Kaouk J, Campbell SC. Recuperación funcional tras nefrectomía parcial: efectos de la pérdida de volumen y lesión isquémica. JUrol 2012;187:1667–73. https://doi.org/10.1016/j.juro.2011.12.068.

[11] Clark MA, Shikanov S, Raman JD, et al. Enfermedad renal crónica antes y después de la nefrectomía parcial. JUrol 2011;185:43–8. https://doi.org/10.1016/j.juro.2010.09.019.

[12] Lane BR, Babineau DC, Poggio ED, et al. Factores que predicen el resultado funcional renal después de la nefrectomía parcial. JUrol 2008;180:2363–9. https://doi.org/10.1016/j.juro.2008.08.036.

[13] Antonelli A, Mari A, Longo N, et al. Papel de los factores clínicos y quirúrgicos en la predicción de resultados funcionales inmediatos, precoces y tardíos, y su relación con el resultado cardiovascular tras nefrectomía parcial: resultados del proyecto prospectivo multicéntrico RECORd 1. JUrol 2018;199:927–32. https://doi.org/ 10.1016/j.juro.2017.11.065.

[14] Martini A, Kumaraswamy S, Beksac AT, et al. Un nomograma para predecir una reducción significativa de la tasa de filtración glomerular estimada después de una nefrectomía parcial robótica. Eur Urol 2018;74:833–9. https://doi. org/10.1016/j.eururo.2018.08.037.

[15] Ginzburg S, Uzzo R, Walton J, et al. El volumen parenquimatoso residual, no el tiempo de isquemia caliente, predice los resultados funcionales renales finales en pacientes sometidos a nefrectomía parcial. Urología 2015;86:300–5. https://doi.org/10.1016/j.urology.2015.04.043.

[16] Bellomo R, Ronco C, Kellum JA, Mehta RL, Palevsky P. Insuficiencia renal aguda: definición, medidas de resultado, modelos animales, terapia de fluidos y tecnología de la información necesita la Segunda Conferencia Internacional de Consenso de la Iniciativa de Calidad de Diálisis Aguda (ADQI) grupo. Cuidado crítico 2004;8:R204. https://doi.org/ 10.1186/cc2872.

[17] Chawla LS, Eggers PW, Star RA, Kimmel PL. La lesión renal aguda y la enfermedad renal crónica como síndromes interconectados. N Engl J Med 2014;371:58–66. https://doi.org/10.1056/ nejmra1214243.

[18] Zhang Z, Zhao J, Dong W, et al. Insuficiencia renal aguda tras nefrectomía parcial: papel de la reducción de masa parenquimatosa e isquemia e impacto en la recuperación funcional posterior. Eur Urol 2016;69:745–52. https://doi.org/10.1016/j.eururo.2015.10.023.

[19] Zabell J, Isharwal S, Dong W, et al. Lesión renal aguda después de nefrectomía parcial de riñones solitarios: impacto en la estabilidad a largo plazo de la función renal. JUrol 2018;200:1295–301. https://doi.org/10.1016/j.juro.2018.07.042.

[20] Kawamura N, Yokoyama M, Tanaka H, ​​et al. Insuficiencia renal aguda y función renal a medio plazo tras nefrectomía parcial sin pinzas. Int J Urol 2019;26:113–8. https://doi.org/10.1111/iju.13799.

[21] Bravi CA, Vertosick E, Benfante N, et al. Impacto de la lesión renal aguda y su duración en la función renal a largo plazo después de la nefrectomía parcial. Eur Urol 2019;76:398–403. https://doi.org/10.1016/j.eururo.2019.04.040.

[22] MacCallum RC, Zhang S, Predicador KJ, Rucker DD. Sobre la práctica de la dicotomización de variables cuantitativas. Psychol Methods 2002;7:19–40. https://doi.org/10.1037/1082-989X.7.1.19.

[23] Mari A, Tellini R, Antonelli A, et al. Un nomograma para la predicción de la pérdida intermedia significativa de la función renal después de la nefrectomía parcial asistida por robot para tumores renales localizados: un estudio observacional multicéntrico prospectivo (proyecto RECORd2). Eur Urol Focus En prensa. https://doi.org/10.1016/j.euf.2021.09.012.

[24] Porpiglia F, Fiori C, Bertolo R, et al. Los efectos del tiempo de isquemia caliente sobre la función renal después de la nefrectomía parcial laparoscópica en pacientes con riñón contralateral normal. Mundo J Urol 2012;30:257–63. https://doi.org/10.1007/s00345-011-0729-5.

[25] Thompson RH, Lane BR, Lohse CM, et al. Cada minuto cuenta cuando se pinza el hilio renal durante una nefrectomía parcial. Eur Urol 2010;58:340–5. https://doi.org/10.1016/j.eururo.2010. 05.047.

[26] Thompson RH, Lane BR, Lohse CM, et al. Función renal después de nefrectomía parcial: efecto de la isquemia caliente en relación con la cantidad y calidad del riñón conservado. Urología 2012;79:356–60. https://doi. org/10.1016/j.urology.2011.10.031.

[27] Aron M, Gill IS, Campbell SC. Un enfoque no isquémico para la nefrectomía parcial es óptimo. JUrol 2012;187:387–90. https://doi.org/10.1016/j.juro.2011.10.092.

[28] Mir MC, Pavan N, Parekh DJ. El paradigma actual de la isquemia en cirugía renal. JUrol 2016;195:1655–63. https://doi.org/10.1016/j.juro.2015.09.099.

[29] Volpe A, Blute ML, Ficarra V, et al. Isquemia renal y función después de nefrectomía parcial: una revisión colaborativa de la literatura. Eur Urol 2015;68:61–74. https://doi.org/10.1016/j.eururo.2015.01.025.

[30] Kallingal GJS, Weinberg JM, Reis IM, Nehra A, Venkatachalam MA, Parekh DJ. Respuesta a largo plazo a la isquemia renal en el riñón humano después de una nefrectomía parcial: resultados de un ensayo clínico prospectivo. BJU Internacional 2016;117:766–74. https://doi.org/10.1111/bju.13192.

[31] Lane BR, Russo P, Uzzo RG, et al. La comparación de la isquemia fría y caliente durante la nefrectomía parcial en 660 riñones solitarios revela el papel predominante de los factores no modificables en la determinación de la función renal final. JUrol 2011;185:421–7. https://doi.org/10.1016/j.juro.2010.09.131.

[32] Mir MC, Campbell RA, Sharma N, et al. Conservación del volumen parenquimatoso e isquemia durante la nefrectomía parcial: análisis funcional y volumétrico. Urología 2013;82:263–9. https://doi.org/10.1016/j.urology.2013.03.068.

[33] Biles MJ, DeCastro GJ, Woldu SL. Función renal después de los procedimientos de conservación de nefronas: ¿simplemente una cuestión de volumen? Curr Urol Rep 2016;17:8. https://doi.org/10.1007/s11934-015-0561-3.

[34] Dong W, Zhang Z, Zhao J, et al. Masa parenquimatosa extirpada durante nefrectomía parcial: implicaciones funcionales. Urología 2017;103:129–35. https://doi.org/10.1016/j.urology.2016.12.021.

[35] Wu J, Suk-Ouichai C, Dong W, et al. Masa parenquimatosa vascularizada preservada con nefrectomía parcial: impacto funcional y factores predictivos. Eur Urol Oncol 2019;2:97–103. https://doi.org/ 10.1016/j.euo.2018.06.009.

[36] Lee J, Song C, Lee D, et al. Contribución diferencial de los factores determinantes de la función renal a largo plazo tras nefrectomía parcial a lo largo del tiempo. UrolOncol 2021;39:196.e15–20. https://doi.org/10.1016/j.urolonc.2020.11.007.

[37] Meyer A, Woldu SL, Weinberg AC, et al. Predicción de la pérdida del parénquima renal después de la cirugía conservadora de nefronas. JUrol 2015;194:658–63. https://doi.org/10.1016/j.juro.2015.03.098.

[38] Shum CF, Bahler CD, Cary C, et al. Nomogramas preoperatorios para predecir la función renal al año de la nefrectomía parcial. JEndourol 2017;31:711–8. https://doi.org/10.1089/end.2017.0184.

[39] Desai MM, de Castro Abreu AL, Leslie S, et al. Nefrectomía parcial robótica con pinzamiento súper selectivo versus pinzamiento de la arteria principal: una comparación retrospectiva. Eur Urol 2014;66:713–9. https://doi.org/ 10.1016/j.eururo.2014.01.017.

[40] Gill IS, Patil MB, de Castro Abreu AL, et al. Nefrectomía parcial anatómica de isquemia cero: un abordaje novedoso. JUrol 2012;187:807–14. https://doi.org/10.1016/j.juro.2011.10.146.

[41] Eggener SE, Clark MA, Shikanov S, et al. Impacto de la isquemia caliente frente a la fría en la función renal después de la nefrectomía parcial. Mundo J Urol 2015;33:351–7. https://doi.org/10.1007/s00345-014- 1315-4.

Fabio Crocerossa a,b , Cristian Fiori c , Umberto Capitanio d , Andrea Minervini e , Umberto Carbonara a,f , Savio D. Pandolfo a , Davide Loizzo a , Daniel D. Eun g , Alessandro Larcher d , Andrea Mari e , Antonio Andrea Grosso e , Fabrizio Di Maida e , Lance J. Hampton a , Francesco Cantiello b , Rocco Damiano b , Francesco Porpiglia c , Riccardo Autorino a,

una División de Urología, VCU Health, Richmond, VA, EE. UU.;

b Departamento de Urología, Universidad Magna Graecia, Catanzaro, Italia;

c División de Urología, Hospital San Luigi, Universidad de Turín, Orbassano, Italia;

d Unidad de Urología, División de Oncología Experimental, Instituto de Investigación Urológica, IRCCS Ospedale San Raffaele, Milán, Italia;

e Departamento de Medicina Experimental y Clínica, Unidad de Urología y Andrología Oncológica Mínimamente Invasiva, Hospital Universitario Careggi, Universidad de Florencia, Florencia, Italia;

f Departamento de Urología, Andrología y Unidad de Trasplante de Riñón, Universidad de Bari, Bari, Italia;

g Departamento de Urología, Facultad de Medicina Lewis Katz, Universidad de Temple, Filadelfia, Pensilvania, EE. UU.