Esta revisión resume herramientas pronósticas para la enfermedad renal en etapa terminal, destacando su aplicación en la evaluación del riesgo de mortalidad, la toma conjunta de decisiones, el manejo conservador del riñón y la planificación de tratamientos individualizados para adultos mayores.
Artículo de revisión
Pronóstico en la enfermedad renal en etapa terminal: herramientas, evidencia y aplicaciones clínicas
En este artículo
Resumen
Resumen
La pronosticación en la enfermedad renal en etapa terminal es fundamental para una atención centrada en la persona y la toma compartida de decisiones. Esta revisión resume la evidencia actual sobre la evaluación pronóstica en adultos mayores con enfermedad renal en etapa terminal que están considerando la diálisis o el tratamiento conservador del riñón. Examina la justificación para la pronosticación y revisa los principales predictores clínicos, funcionales y de laboratorio de mortalidad, incluyendo la carga de comorbilidades, la fragilidad, el estado funcional y los parámetros bioquímicos. La revisión analiza herramientas pronósticas validadas, como el Índice de Comorbilidad de Charlson, la Pregunta Sorpresa y modelos de predicción multivariables, así como enfoques emergentes de aprendizaje automático para la predicción de riesgos individualizados. También examina los efectos del deterioro funcional, la hospitalización y el beneficio limitado en la supervivencia sobre las decisiones terapéuticas, y destaca el papel de la información pronóstica en la planificación anticipada de la atención y en una atención concordante con los objetivos del paciente. Además, la revisión aborda la comunicación del pronóstico y los desafíos prácticos asociados con la implementación de herramientas pronósticas en la práctica nefrológica habitual. Al integrar la evaluación pronóstica basada en evidencia con una evaluación clínica individualizada y los valores del paciente, la pronosticación puede apoyar decisiones terapéuticas informadas y facilitar una atención personalizada para adultos mayores con enfermedad renal en etapa terminal.
Introducción
La enfermedad renal crónica (ERC) afecta a una estimación de 843,6 millones de personas en todo el mundo, con más de 2 millones de personas que conviven con enfermedad renal en etapa terminal (ERET)1,2,3,4,5. Los adultos mayores tienen un riesgo incrementado de desarrollar enfermedad renal avanzada, particularmente aquellos con enfermedad cardiovascular y otras condiciones comórbidas. A pesar de los importantes avances en las terapias médicas, la ERET continúa asociándose a riesgos sustanciales de mortalidad y morbilidad1,4.
Un aspecto importante del cuidado de la EPRC es la planificación anticipada del cuidado ante la posibilidad de progresión hacia la EPRD. El trasplante renal es la forma preferida de terapia de reemplazo renal porque ofrece los mejores resultados en cuanto a supervivencia y calidad de vida. Sin embargo, el trasplante puede no estar disponible para pacientes sin un donante viable y puede estar contraindicado en aquellos con alto riesgo quirúrgico o médico, fragilidad o expectativa de vida limitada. Esto suele ocurrir frecuentemente en pacientes mayores, quienes pueden enfrentar un futuro incierto y una difícil elección entre iniciar diálisis de por vida, ya sea en casa o en una clínica, o optar por un manejo médico centrado en el control de síntomas, comprendiendo que este enfoque podría acortar la supervivencia. Los médicos tienen responsabilidades clínicas, éticas y legales de ofrecer un enfoque individualizado y centrado en la persona, reconociendo que, en algunas circunstancias, la diálisis podría aumentar el sufrimiento sin necesariamente prolongar la vida6.
En este contexto, la planificación anticipada de la atención es una herramienta importante que apoya a los pacientes, familias y profesionales de la salud al alinear futuras decisiones con los valores, deseos y circunstancias clínicas cambiantes de cada persona6. Los pacientes y sus familias pueden tomar decisiones informadas que estén más alineadas con sus valores y preferencias cuando reciben información clara y completa sobre los beneficios y riesgos de la diálisis. Se les debe invitar y animar a participar en un proceso de toma compartida de decisiones. Aunque la diálisis puede mejorar la supervivencia y aliviar los síntomas, sus beneficios pueden ser modestos en pacientes mayores y frágiles, y el tratamiento puede asociarse con reducciones significativas en la independencia y la calidad de vida7. Por lo tanto, la pronosticación es un componente clave de la educación del paciente y de la toma compartida de decisiones. Para considerar los trade-offs entre supervivencia y calidad de vida, los pacientes deben comprender el posible beneficio en supervivencia que implica iniciar la diálisis y cómo el tratamiento podría afectar su calidad de vida.
Esta revisión analiza las características clave de las estrategias y herramientas utilizadas para estimar el pronóstico en pacientes que están considerando o iniciando la diálisis. También examina cómo estos enfoques pueden ayudar a los equipos de atención renal, a los pacientes y a sus familias a tomar decisiones compartidas sobre las opciones de tratamiento y las vías de atención en la EPRD (Figura 1).
Figura 1. Vía de pronóstico centrado en la persona en la enfermedad renal crónica avanzada (ERC) y enfermedad renal en etapa terminal (ERCT). El esquema resume la evaluación integral del paciente, la evaluación pronóstica multimodal, la comunicación del pronóstico y la toma compartida de decisiones, la selección del tratamiento y la reevaluación continua para apoyar una atención centrada en la persona. Los números superíndice corresponden a las referencias citadas en el manuscrito. La figura fue generada con la ayuda de una herramienta de generación de imágenes de OpenAI y posteriormente revisada y aprobada por los autores por su exactitud científica y clínica. Haga clic aquí para ver una versión más grande de esta figura.
Revisión y perspectiva
La importancia de la pronosticación en la enfermedad renal crónica
Una comprensión del pronóstico y del curso esperado de la progresión de la enfermedad puede influir considerablemente en los objetivos terapéuticos y en las decisiones de vida. Esta comprensión es esencial para brindar una atención centrada en la persona, fomentar la toma compartida de decisiones y facilitar la planificación anticipada de la atención. Sin embargo, estudios realizados con personas con cáncer y adultos mayores han demostrado que los profesionales de la salud rara vez comunican información sobre el pronóstico, mientras que los pacientes a menudo mantienen expectativas excesivamente optimistas sobre el futuro8.
La evaluación pronóstica es un componente central de las discusiones entre pacientes y médicos, ya que la información sobre la esperanza de vida se solicita frecuentemente al decidir si se inicia la diálisis. Las preferencias, valores personales, culturales y religiosos también desempeñan un papel importante en la elección de la diálisis para prolongar la vida6. Un modelo de predicción de riesgo que anticipe la mortalidad temprana puede ayudar a personalizar el tratamiento y apoyar la toma de decisiones compartida entre profesionales de la salud, personas que viven con enfermedad renal y sus familiares9. Esto es particularmente importante para los pacientes que se consideran candidatos a vías de tratamiento más conservadoras. La atención renal conservadora (CKC), que consiste en continuar con el tratamiento médico activo, el control de síntomas y el apoyo multidisciplinario sin iniciar la diálisis, es cada vez más reconocida por las guías internacionales como una vía terapéutica legítima, y no como una opción predeterminada para pacientes que no son candidatos a la terapia de reemplazo renal10. Se ha demostrado que la diálisis proporciona una supervivencia mediana más larga que la CKC en general (3,1 frente a 1,5 años desde el momento de la decisión terapéutica); sin embargo, esta ventaja en la supervivencia desaparece en pacientes de 80 años o más (P = 0,08) y se reduce considerablemente en aquellos con comorbilidad cardiovascular grave11,12. Más allá de los resultados en mortalidad, las tasas de hospitalización fueron significativamente más bajas entre los pacientes que recibieron CKC (razón de tasas de incidencia, 0,40; intervalo de confianza del 95% [IC], 0,32–0,49)13.
Se ha asociado también la CKC con una mejor calidad de vida, una menor carga de síntomas y una mayor probabilidad de fallecer en el hogar en lugar de en el hospital12. Estos hallazgos respaldan la integración prospectiva de la CKC según la trayectoria de vulnerabilidad del paciente, en lugar de utilizarla únicamente como una opción terapéutica residual. La evaluación pronóstica puede ayudar a identificar a las personas que probablemente se beneficien más de esta filosofía de tratamiento. Por ejemplo, si se espera que un paciente tenga un alto riesgo de muerte durante el primer año tras la iniciación de la diálisis, la CKC o estrategias de diálisis modificadas pueden ser opciones adecuadas a considerar9. Jassal et al. propusieron vías de atención en diálisis basadas en la fragilidad, que ajustan la intensidad del tratamiento, las restricciones dietéticas y el apoyo domiciliario según el estado de fragilidad, permitiendo reevaluaciones periódicas y transiciones bidireccionales conforme cambia la condición del paciente14.
Es probable que las herramientas de predicción ayuden a los profesionales de la salud a orientar a los pacientes y a sus familias durante las decisiones relacionadas con el tratamiento de la EPRD15,16. Aunque las guías internacionales recomiendan firmemente comunicar el pronóstico a los pacientes17,18,19, y hay evidencia que indica que la mayoría de los pacientes desean recibir información pronóstica20,21,22, esta práctica no se ha implementado de manera consistente en la atención clínica habitual. Varios obstáculos dificultan la comunicación efectiva del pronóstico. Los nefrólogos pueden carecer de herramientas que proporcionen estimaciones de riesgo precisas e individualizadas, y pueden sentirse incómodos al discutir el pronóstico debido a preocupaciones sobre su posible impacto emocional en los pacientes. Estudios también han demostrado que, en general, los pacientes prefieren discusiones más amplias sobre el pronóstico, en lugar de predicciones expresadas únicamente como tiempo estimado de supervivencia23. Además, muchos modelos pronósticos no son fáciles de implementar en la práctica clínica habitual porque carecen de validación externa, y relativamente pocos han sido desarrollados utilizando cohortes que incluyan pacientes en diálisis peritoneal. Más allá de predecir la mortalidad temprana, Dusseux et al. desarrollaron un puntaje de mortalidad a 3 años para pacientes franceses mayores en diálisis (de 70 años o más) con el fin de identificar candidatos que podrían ser aptos para trasplante renal, demostrando que las herramientas pronósticas tienen aplicaciones más allá de la decisión inicial de iniciar la diálisis (Tabla 1)24.
Mortalidad general en adultos mayores con enfermedad renal en etapa terminal
La esperanza de vida de los adultos mayores que viven con ESKD y reciben diálisis sigue siendo considerablemente más baja que la de la población general. Según el United States Renal Data System (USRDS, 2024)4, la tasa de supervivencia a 5 años entre adultos de 65 a 74 años es del 35,6 %, en comparación con el 23,8 % entre aquellos de 75 años o más, con mejoras modestas en la última década. Cuando se analizan según la modalidad de diálisis, los resultados son comparables. En hemodiálisis (HD), la tasa de supervivencia a 5 años sigue siendo aproximadamente del 34 %, mientras que en diálisis peritoneal (PD) oscila entre el 22 % y el 35 %, dependiendo de la edad.
Los datos más recientes del USRDS también indican que, en 2022, la esperanza de vida restante estimada para las personas que reciben diálisis fue de aproximadamente 4,6 años para mujeres y 4,5 años para hombres de 65 a 69 años. Esto disminuyó a 3,5 años para mujeres y 3,3 años para hombres de 75 a 79 años. En contraste, se espera que los receptores de trasplante de riñón dentro de estos grupos de edad ganen entre 7 y 11 años adicionales de vida, mientras que los individuos de la población general tienen una esperanza de vida restante de aproximadamente 16 a 18 años. A pesar de los avances tecnológicos y la mejora en la selección de candidatos, estos hallazgos confirman que las mejoras en longevidad asociadas con la diálisis siguen siendo limitadas4.
Aunque los datos contemporáneos demuestran una estabilización en la supervivencia, patrones pronósticos similares ya se habían reportado anteriormente. En un análisis basado en la población de más de 350.000 adultos de 65 años o más en Estados Unidos, Kurella et al.25 informaron que la esperanza de vida tras el inicio de la diálisis disminuye progresivamente con la edad creciente. La supervivencia mediana (percentil 50) disminuyó de 2,5 años entre los adultos de 65 a 69 años a 0,6 años entre aquellos de 90 años o más. Asimismo, el percentil 75 disminuyó de 4,6 años a 1,7 años, mientras que el percentil 25 pasó de 0,9 años a 0,2 años en los mismos grupos de edad. Esta amplia variación ilustra la considerable heterogeneidad pronóstica entre individuos de edad similar y destaca que la edad cronológica por sí sola no determina el pronóstico. El riesgo de mortalidad es mayor durante el período inicial tras el inicio de la diálisis. Entre los adultos que comienzan la diálisis después de los 75 años, la probabilidad de supervivencia es del 71 % a 1 año y del 54 % a 2 años en Europa, en comparación con el 59 % y el 43 %, respectivamente, en Estados Unidos. Más del 10 % de los pacientes fallecen dentro de los primeros 3 meses tras comenzar la diálisis26.
A pesar de estos hallazgos epidemiológicos, las percepciones de los pacientes sobre el pronóstico suelen diferir considerablemente de los resultados observados de supervivencia. En una cohorte de 993 pacientes que recibían diálisis, solo el 11,2 % esperaba vivir menos de 5 años, mientras que el 33,0 % anticipaba sobrevivir más de 10 años, a pesar de que los datos del USRDS indican que el 60,3 % fallecieron dentro de los 5 años. Los pacientes que esperaban una supervivencia más larga tenían mucha menos probabilidad de documentar preferencias de tratamiento o de priorizar cuidados centrados en la comodidad, y eran más propensos a elegir reanimación cardiopulmonar (razón de momios ajustada [aOR], 5,3) o ventilación mecánica (aOR, 2,2) que los pacientes con expectativas de supervivencia más realistas8.
Morbilidad médica y hospitalizaciones en adultos mayores con enfermedad renal en etapa terminal
Los adultos mayores que inician terapia de reemplazo renal presentan una alta carga de comorbilidades médicas y eventos clínicos agudos que afectan directamente el pronóstico. Según el USRDS (2024)4, en 2022, el 59 % de los pacientes incidentes con EPRD tenían diabetes mellitus, el 25 % tenían insuficiencia cardíaca y entre el 17 % y el 28 % presentaban diversas formas de enfermedad cardiovascular. El mismo informe mostró tasas ajustadas de hospitalización por cualquier causa de 1,37 y 1,42 eventos por año-persona entre individuos de 65 a 74 años y ≥75 años, respectivamente, que recibían DP, en comparación con 1,46 y 1,49 eventos por año-persona entre aquellos que recibían DH4.
Los adultos mayores que inician diálisis experimentan con frecuencia multimorbilidad, lo que influye considerablemente en su evolución clínica. La comorbilidad también tiene un efecto profundo en los resultados de salud y la supervivencia entre los pacientes con ERC en estadio 5. Varios estudios han informado que no existe una diferencia significativa en la supervivencia entre los pacientes que eligen la diálisis y aquellos tratados con un enfoque conservador. Este hallazgo probablemente refleja el alto riesgo competitivo de muerte antes de la progresión a ERC terminal, junto con el beneficio limitado en la supervivencia asociado con la terapia de diálisis27,28.
En una cohorte de Estados Unidos de 391 beneficiarios de Medicare de 65,5 años o más, casi dos tercios tenían cuatro o más condiciones crónicas, y el 73 % inició diálisis durante la hospitalización. Ambos factores se asociaron de forma independiente con una tasa de mortalidad a un año superior al 50 %29. De manera similar, un estudio de registro nacional que incluyó a 28.049 adultos de 67 años o más encontró que los pacientes mayores de 80 años pasaron un promedio de 67 días en hospitales o centros de enfermería durante el primer año tras el inicio de la diálisis, observándose la mayor utilización de servicios de salud entre aquellos con demencia o enfermedad cardiovascular30.
Más allá de la alta prevalencia de comorbilidad, el período inicial tras el inicio de la diálisis se caracteriza por hospitalizaciones recurrentes, infecciones y deterioro funcional. En una cohorte europea de más de 10 000 individuos que iniciaron diálisis en 2017, el 82,8 % experimentó al menos una hospitalización y el 33,8 % falleció dentro del primer año, lo que pone de relieve la carga sustancial de complicaciones tempranas31. Las admisiones relacionadas con infecciones siguen siendo una causa principal de morbilidad, representando aproximadamente un tercio de todas las hospitalizaciones y afectando a casi la mitad de los pacientes mayores durante el seguimiento. La diabetes mellitus, la insuficiencia cardíaca y la hipoalbuminemia son algunos de los principales factores de riesgo para estas admisiones32.
Declive funcional en adultos mayores que inician diálisis
La fragilidad funcional y la dependencia aumentan aún más los riesgos asociados con la iniciación de la diálisis en adultos mayores. Entre los adultos mayores que reciben HD, el 46 % fueron clasificados como frágiles, el 55 % presentaban desnutrición y el 21 % eran dependientes en las actividades básicas de la vida diaria33. La disminución funcional tras la iniciación de la diálisis es común y tiene importantes implicaciones clínicas.
En un estudio fundamental realizado por Tamura et al.34, que incluyó a más de 3.700 residentes de hogares de ancianos en Estados Unidos, el puntaje del Conjunto Mínimo de Datos–Actividades de la Vida Diaria (MDS-ADL, por sus siglas en inglés), una medida estandarizada de dependencia en actividades básicas de autocuidado derivada del Conjunto Mínimo de Datos utilizado en centros de atención a largo plazo35, aumentó de una mediana de 12 antes del inicio de la diálisis a 16 después. A los 3 meses, solo el 39 % de los participantes habían mantenido su estado funcional basal. Al año, el 58 % había fallecido y solo el 13 % conservaba su nivel previo de función. De manera similar, Jassal et al.36 informaron que, entre adultos de 80 años o más, más del 30 % experimentó pérdida de independencia durante los primeros 6 meses tras el inicio de la diálisis. Ni el tipo de diálisis (diálisis hemática frente a diálisis peritoneal) ni el entorno de inicio de la diálisis (hospitalizado frente a ambulatorio) se asociaron con un deterioro funcional posterior36.
Evidencia más reciente indica que este patrón también ocurre entre adultos mayores que viven en la comunidad. En un estudio de cohorte holandés realizado por Goto et al.37, el 40 % de los adultos de 65 años o más experimentó deterioro funcional durante los primeros 6 meses tras iniciar la diálisis, con el mayor riesgo observado entre individuos mayores y frágiles. Además, el 79 % de los participantes presentaba algún grado de dependencia funcional en la línea de base, y la carga para el cuidador aumentó del 23 % al 38 % durante el seguimiento37.
Varios estudios internacionales han demostrado consistentemente que la dependencia funcional se asocia con peores resultados. Un estudio sobre resultados y patrones de práctica en diálisis publicado en 2016 encontró que la dependencia funcional grave (puntuación funcional <8/13) se asociaba con un riesgo de mortalidad 2,37 veces mayor, independientemente de la edad y las comorbilidades38. Pereira et al.33 también informaron altas tasas de fragilidad y dependencia funcional entre adultos de 75 años o más que recibían HD, junto con fatiga frecuente tras la diálisis. Estos hallazgos refuerzan la importancia de una evaluación geriátrica integral y de la implementación temprana de estrategias de rehabilitación y cuidados de apoyo desde el inicio de la diálisis.
Desarrollo de Herramientas Pronósticas para la Predicción de Mortalidad en Poblaciones con ERC y EPRD
Aunque los datos poblacionales de mortalidad proporcionan una perspectiva general sobre los posibles beneficios de la diálisis en adultos mayores, no ofrecen estimaciones individualizadas del pronóstico. Para apoyar una evaluación pronóstica más personalizada, investigadores de múltiples países han desarrollado herramientas de predicción de riesgo para pacientes con ERC y para aquellos que progresan a EERR. Estas herramientas difieren considerablemente tanto en su diseño como en su aplicación clínica prevista. Algunas se basan en una única evaluación clínica subjetiva, mientras que otras incorporan parámetros de laboratorio habitualmente disponibles, índices estructurados de comorbilidad o modelos multivariables y de aprendizaje automático que requieren infraestructura de datos especializada. Esta heterogeneidad tiene importantes implicaciones prácticas, ya que las herramientas que son más factibles de utilizar en entornos ambulatorios con alta demanda no son necesariamente las que tienen el mayor rendimiento predictivo.
Impacto de la comorbilidad en la supervivencia durante la diálisis
La carga de comorbilidades es un determinante bien establecido de mortalidad temprana y hospitalización entre adultos mayores que inician diálisis, y varios grupos han traducido este riesgo en modelos pronósticos con buen desempeño predictivo y aplicabilidad clínica. Ciertas condiciones comórbidas se incluyen en la mayoría de los modelos de predicción, particularmente enfermedades vasculares, especialmente enfermedad vascular periférica, y trastornos cognitivos como la demencia. Otras condiciones comunes, incluyendo insuficiencia cardíaca congestiva (ICC), muestran un desempeño predictivo variable entre diferentes modelos. Enfermedades graves potencialmente mortales, como cáncer activo o metastásico, así como otras enfermedades de órganos terminales como disfunción hepática e insuficiencia respiratoria, se incorporan en algunos modelos pronósticos26,39.
Entre las herramientas que resumen la multimorbilidad, el Índice de Comorbilidad de Charlson (CCI) sigue siendo una de las más utilizadas. En su adaptación para pacientes con ESRD, Hemmelgarn et al.40 confirmaron la validez del CCI original y demostraron un mejor desempeño con el Índice de Comorbilidad para ESRD (Tabla 1). Dentro del CCI, la enfermedad metastásica, el linfoma y la IC tienen el mayor peso, lo que subraya que el riesgo de mortalidad está influenciado más por la carga total de comorbilidades que por la edad cronológica únicamente. Posteriormente, la validez del CCI ha sido confirmada en varios estudios independientes41,42,43,44. Aunque incorporar un mayor número de comorbilidades puede mejorar la precisión predictiva, también incrementa la complejidad de implementar estos modelos en la práctica clínica habitual.
Las diferencias en el rendimiento predictivo entre los modelos pronósticos probablemente reflejan variaciones en las poblaciones de las que se derivaron. La mayoría de los modelos se han desarrollado dentro de una única región geográfica y no han sido sometidos a validación externa45. Además, el sesgo de selección puede influir en el rendimiento del modelo, ya que a pacientes con enfermedades terminales, como cáncer metastásico, o con una esperanza de vida muy limitada, puede no ofrecérseles diálisis y, por lo tanto, podrían estar subrepresentados en las poblaciones utilizadas para desarrollar estos modelos. Este posible sesgo de indicación debe tenerse en cuenta al interpretar y aplicar las estimaciones pronósticas en la práctica clínica.
Uso de escalas funcionales y la pregunta del asombro
Se reconoce a la fragilidad como un predictor independiente de mortalidad y hospitalización entre adultos mayores con enfermedad renal crónica (ERC). La fragilidad es común en esta población. Gimena-Muñoz et al.46 informaron una prevalencia de fragilidad del 27 % entre individuos con ERC avanzada, utilizando el fenotipo de fragilidad de Fried para definir el estado de fragilidad. También identificaron la diabetes mellitus tipo 2 y la anemia como predictores independientes de fragilidad. Además, la fragilidad puede aumentar significativamente el riesgo de desarrollar ERC47.
En una revisión sistemática y metaanálisis realizada por Puri et al.48, que incluyó 105 estudios con individuos que tenían ERC avanzada, la fragilidad evaluada mediante el Fenotipo de Fragilidad de Fried o la Escala de Fragilidad Clínica de Rockwood (CFS) se asoció con un aumento del doble en el riesgo de mortalidad en comparación con individuos no frágiles (Tabla 1). La fragilidad también duplicó el riesgo de hospitalización, lo que confirma su valor pronóstico más allá de la edad cronológica y la comorbilidad. Estos hallazgos subrayan la importancia de incorporar la evaluación de la fragilidad en la estratificación rutinaria del riesgo en la práctica nefrológica.
En consonancia con estos hallazgos, Kennard et al.49 informaron que la fragilidad se asocia con un aumento de dos a seis veces en el riesgo de mortalidad, hospitalización y progresión a diálisis entre individuos con ERC avanzada. La fragilidad en pacientes que reciben diálisis también se asocia con complicaciones frecuentes50, incluyendo infecciones, eventos cardiovasculares, fallo del acceso vascular, recuperación prolongada tras la diálisis y menor adherencia al tratamiento. Entre los adultos mayores, estas complicaciones contribuyen a una mayor carga de enfermedad, mayor dependencia funcional y un uso más elevado de los servicios de salud. La fragilidad sigue siendo un fuerte predictor de morbilidad y mortalidad en pacientes con ERC, incluyendo aquellos que reciben terapia de reemplazo renal y aquellos tratados de forma conservadora, incluso después de ajustar por edad cronológica y multimorbilidad51. La integración de escalas de evaluación funcional con parámetros clínicos objetivos podría mejorar aún más el rendimiento predictivo de las herramientas de predicción de riesgo para la EERR6,26.
Varios modelos pronósticos para la EPR y la EPRD incorporan la Pregunta de la Sorpresa (PS), que pregunta: «¿Le sorprendería que esta persona muriera en los próximos 12 meses?». Estos modelos incluyen los desarrollados por Cohen et al.52, Schmidt et al.6 y Javier et al.53 (Tabla 1). La PS refleja el juicio clínico general de un profesional de la salud sobre el estado de salud de un paciente y puede considerarse una medida de la impresión clínica global. En un estudio prospectivo multicéntrico, Schmidt et al.6 desarrollaron un modelo pronóstico que incorpora tres predictores independientes: una respuesta negativa a la PS (razón de momios [OR], 3,29), una puntuación de rendimiento de Karnofsky (KPS) intermedia o baja (OR, 2,09 para KPS 50-70; OR, 4,69 para KPS ≤40) y la edad creciente (OR, 1,41 por cada década adicional). El modelo mostró un buen desempeño predictivo y destacó el valor de combinar el juicio clínico con la evaluación funcional objetiva para estimar resultados adversos en la EPR avanzada (Tabla 1)6.
Javier et al.53 evaluaron el SQ en un estudio prospectivo de 388 adultos de 60 años o más con estadios 4-5 de ERC que no recibían diálisis (Tabla 1). Utilizaron una versión del SQ de tres categorías (Sí/Incierto/No), que mostró un claro gradiente en el riesgo de mortalidad: 5 % para «Sí», 15 % para «Incierto» y 27 % para «No» (P < 0,001). La versión binaria del SQ mejoró la sensibilidad (66 %) pero redujo la especificidad (68 %). Aunque la interpretación del SQ es inherentemente subjetiva y puede variar entre clínicos53, sus principales ventajas son su simplicidad, aplicación intuitiva y facilidad de uso en la práctica clínica habitual.
Parámetros de laboratorio
Varios parámetros de laboratorio medidos rutinariamente han demostrado tener significado pronóstico en el momento del inicio de la diálisis, incluyendo la tasa de filtración glomerular estimada (eGFR), la albúmina sérica, la hemoglobina y los índices de adecuación de la diálisis, como Kt/V54,55,56. Entre estos, la albúmina sérica y la hemoglobina son marcadores fácilmente disponibles que reflejan el estado nutricional, inflamatorio y funcional del paciente. En una cohorte retrospectiva de adultos mayores con estadios 1–4 de ERC, niveles más bajos de albúmina sérica se asociaron independientemente con una mayor mortalidad por todas las causas tras el ajuste por edad, sexo y función renal55. De manera similar, la anemia en el momento del inicio de la diálisis ha surgido como un fuerte predictor de mortalidad temprana, observándose una mortalidad considerablemente mayor en pacientes que inician el tratamiento con niveles de hemoglobina por debajo de 10 g/dL, a pesar de la corrección posterior56. Esta observación sugiere que la hemoglobina baja al inicio de la diálisis puede reflejar inflamación crónica o atención predialítica subóptima, y no simplemente una anemia reversible. Asimismo, un eGFR más alto en el momento del inicio de la diálisis también se ha asociado con un aumento de la mortalidad temprana, a pesar de que esto parezca contraintuitivo54. Esta asociación probablemente refleje un sesgo de indicación, según el cual los pacientes con comorbilidades graves o enfermedad aguda inician la diálisis antes, a pesar de tener una función renal relativamente conservada. También podría reflejar los efectos de la desnutrición y la disminución de la masa muscular.
| Autor / Año | Tipo de herramienta | Población del estudio | Objetivo / Horizonte pronóstico | Variables principales | Aplicabilidad clínica / Limitaciones | |
| Schmidt et al.6 | Modelo de predicción clínica | Estadios 4–5 de ERC (sin diálisis) | Mortalidad a 12 meses | Pregunta sorpresa, KPS, edad | Modelo simple y validado, útil para apoyar decisiones sobre el inicio de diálisis o el manejo conservador del riñón. | |
| Obi et al.9 | Modelo de predicción clínica | 35.878 veteranos estadounidenses | Mortalidad a 1 año (eGFR <15 frente a ≥15 mL/min/1.73 m²) | Edad, comorbilidades, eGFR, albúmina, cáncer | Modelos separados según el eGFR; cohorte predominantemente masculina; no incluye medidas de fragilidad ni funcionales. | |
| Couchoud et al.15 | Modelo de predicción clínica | ≥75 años (Francia, REIN) | Mortalidad a 3 meses | Edad, sexo, ICC, arritmia, enfermedad vascular periférica, cáncer activo, hipoalbuminemia, dependencia funcional, trastornos del comportamiento | Clasifica a los pacientes en grupos de riesgo bajo, intermedio y alto; ampliamente aplicable a adultos mayores con ERC terminal. | |
| Davison et al.18 | Modelo de predicción clínica | Diálisis peritoneal | Mortalidad entre 6 y 18 meses | Modelo Cohen adaptado más Pregunta sorpresa completada por el personal de enfermería | Validado externamente en DP; sobrestima la mortalidad en pacientes de alto riesgo; destaca el papel de enfermería y la importancia de la evaluación funcional. | |
| Dusseux et al.24 | Modelo de predicción clínica | Diálisis incidente, ≥70 años (Francia, REIN) | Mortalidad a 3 años | Edad, sexo, diabetes, ECV, dependencia, bajo IMC, catéter temporal | Diseñado para identificar candidatos a derivación para trasplante renal en lugar de inicio de diálisis; discriminación moderada (estadístico c 0,71), buena calibración, pero no validado externamente fuera de Francia. | |
| Thamer et al. 39 | Modelo de predicción clínica | ≥67 años, EE. UU. | Mortalidad a 3 y 6 meses | Modelos completos y simplificados (edad, dependencia, albúmina, cáncer, ICC, hospitalización, residencia institucional) | Puntuación simplificada para uso al pie de cama; no incorpora medidas de calidad de vida ni preferencias del paciente. | |
| Hemmelgarn et al.40 | Índice de comorbilidad | HD de mantenimiento | Mortalidad general | Comorbilidades (ICC, cáncer, linfoma, metástasis) | El Índice ERC terminal supera al CCI. El rendimiento mejora aún más cuando se combina con aprendizaje automático (Noh et al.43; AUC 0,8357). | |
| Santos et al.44 | Modelo de predicción clínica | ≥65 años, Portugal | Mortalidad a 6 meses tras el inicio de la diálisis | Edad, enfermedad arterial coronaria, ictus con hemiplejía, baja albúmina, derivación tardía a nefrología | Superó al modelo de Couchoud; excluyó pacientes sin diálisis y no incluyó evaluación de fragilidad. | |
| Ivory et al.45 | Modelo de predicción clínica | Pacientes incidentes de HD/DP, ≥15 años (ANZDATA) | Mortalidad a 6 meses | Doce variables clínicas (edad, IMC, comorbilidades, diabetes, derivación tardía) | Superó a los modelos de Couchoud y Wagner; su aplicabilidad puede estar limitada fuera de Australia y Nueva Zelanda. | |
| Puri et al.48 | Escala de fragilidad/funcional | Adultos con ERC (todos los estadios, incluida la diálisis) | Mortalidad y hospitalización | FFP, CFS, FFP modificada, Escala FRAIL, Índice de Fragilidad | La FFP y la CFS mostraron el mayor valor pronóstico para mortalidad y hospitalización. La FFP modificada es una alternativa práctica cuando no es factible la prueba basada en el desempeño; el juicio clínico aislado es insuficiente. | |
| Oki et al.50 | Escala de fragilidad/funcional | Pacientes incidentes de HD/DP | Mortalidad y hospitalización a 2 años | CFS | Aplicada retrospectivamente por enfermeras; excluyó hospitalizaciones prolongadas; práctica para uso clínico rutinario. | |
| Cohen et al.52 | Modelo de predicción clínica | HD de mantenimiento | Mortalidad a 6 meses | Edad, demencia, enfermedad vascular periférica, albúmina, Pregunta sorpresa | Combina juicio clínico con variables objetivas; demuestra una fuerte capacidad de discriminación (AUC 0,80–0,87). | |
| Javier et al.53 | Herramienta de evaluación subjetiva | ≥60 años, estadios 4–5 de ERC | Mortalidad a 12 meses | Pregunta sorpresa (versiones de tres y dos categorías) | Predice la mortalidad a 1 año; requiere conocimiento previo del paciente; acuerdo interobservador moderado y buena fiabilidad test-retest. | |
| Sun et al.55 | Indicador de laboratorio | Estadios 1–4 de ERC (70 % ≥65 años) | Mortalidad por todas las causas a largo plazo | Albúmina sérica, edad | Cohorte retrospectiva de un solo centro (n = 201); útil como marcador complementario más que como predictor independiente. | |
| Wick et al. 54 | Modelo de predicción clínica | ≥65 años al inicio de la diálisis | Mortalidad a 6 meses | Edad ≥80 años, eGFR ≥15 mL/min/1.73 m², hospitalización previa, ICC, FA, cáncer | Estratifica el riesgo de mortalidad a corto plazo; un eGFR ≥15 mL/min/1.73 m² puede reflejar un inicio temprano o no planificado de la diálisis; buena discriminación (ROC 0,73). | |
| Karaboyas et al.56 | Indicador de laboratorio | HD incidente internacional (DOPPS) | Mortalidad a 1 año | Hemoglobina basal, dosis de ESA y hierro intravenoso | Demuestra una asociación en forma de U con la dosis de hierro; mayor mortalidad con hemoglobina <10 g/dL o dosis más altas de ESA; útil como biomarcador complementario. | |
| García-Montemayor et al.57 | Modelo de aprendizaje automático | HD incidente (España) | Mortalidad entre 6 y 24 meses | Quince variables clínicas y de laboratorio (Random Forest) | Mejora modesta frente a la regresión logística (ΔAUC 0,007–0,046); la creatinina, el Kt/V y la hemoglobina son predictores importantes de la mortalidad temprana. | |
| Sheng et al.59 | Modelo de aprendizaje automático | HD incidente (China) | Mortalidad a 1 año | Edad, eGFR, PCR, hemoglobina, comorbilidades (XGBoost) | AUC 0,83–0,85; conservó 15 de 42 variables candidatas; requiere validación externa en poblaciones diversas. | |
Tabla 1: Herramientas para predecir la mortalidad en pacientes con enfermedad renal crónica avanzada y enfermedad renal en etapa terminal. Esta tabla resume herramientas pronósticas validadas, evaluaciones de fragilidad, marcadores de laboratorio y modelos de aprendizaje automático desarrollados para estimar la mortalidad en pacientes con enfermedad renal crónica avanzada (ERC) y enfermedad renal en etapa terminal (ERET). Para cada estudio, la tabla describe la población estudiada, el horizonte pronóstico, las principales variables predictoras y consideraciones clave para la aplicación clínica, incluyendo fortalezas y limitaciones. Acrónimos: AF, fibrilación auricular; AUC, área bajo la curva característica de operación del receptor; BMI, índice de masa corporal; CCI, Índice de Comorbilidad de Charlson; CFS, Escala Clínica de Fragilidad; CHF, insuficiencia cardíaca congestiva; CKD, enfermedad renal crónica; CRP, proteína C reactiva; CVD, enfermedad cardiovascular; eGFR, tasa de filtración glomerular estimada; ESA, agente estimulante de la eritropoyesis; ESKD, enfermedad renal en etapa terminal; FFP, Fenotipo de Fragilidad de Fried; HD, hemodiálisis; IV, intravenoso; KPS, Estado de Rendimiento de Karnofsky; PD, diálisis peritoneal; REIN, Red de Epidemiología e Información Renal; ROC, característica de operación del receptor; US, Estados Unidos; XGBoost, Refuerzo Extremo del Gradiente. Haga clic aquí para descargar esta tabla.
Modelos de aprendizaje automático para la predicción de mortalidad
Los algoritmos de aprendizaje automático (machine learning, ML) se han aplicado cada vez más a la predicción de mortalidad en pacientes que reciben diálisis, con varios estudios que demuestran una mejor discriminación en comparación con los modelos tradicionales basados en regresión. Garcia-Montemayor et al.57 informaron que un modelo de bosque aleatorio superó a la regresión logística en la predicción de mortalidad a los 6 meses, 1 año y 2 años entre pacientes que recibían hemodiálisis, con un área bajo la curva de característica de operación del receptor (AUC) que osciló entre 0,68 y 0,73 (Tabla 1). Yang et al.58 aplicaron un clasificador CatBoost a pacientes que recibían diálisis peritoneal, obteniendo un AUC de 0,80 e identificando la edad, el peso corporal y la albúmina sérica como los predictores más influyentes. Sheng et al.59 desarrollaron y validaron externamente un modelo de potenciación extrema del gradiente (Extreme Gradient Boosting, XGBoost) para predecir la mortalidad del primer año en 97 centros renales. El modelo alcanzó un AUC de 0,83–0,85, superando notablemente el desempeño de modelos de regresión publicados previamente (Tabla 1). De manera similar, Koh et al.60 demostraron que un modelo de bosque aleatorio superó las puntuaciones pronósticas establecidas REIN y Wick en una cohorte asiático-sudeste mayor, alcanzando un AUC de 0,83.
A pesar de estos hallazgos prometedores, persisten limitaciones importantes. La mayoría de los modelos de aprendizaje automático (ML) se han desarrollado utilizando datos retrospectivos de cohortes de un solo centro, con validación externa limitada y baja interpretabilidad. Aunque los métodos de explicabilidad, como las Explicaciones Aditivas de Shapley (SHAP), han mejorado la transparencia del modelo, la interpretabilidad sigue siendo una barrera importante para la implementación clínica rutinaria. Hasta la fecha, ningún ensayo prospectivo aleatorizado ha evaluado si la prognosticación guiada por ML mejora los resultados clínicos o la calidad de la toma compartida de decisiones en pacientes con enfermedad renal crónica (CKD) o enfermedad renal en etapa terminal (ESKD), lo que representa una importante brecha de evidencia.
Barreras para la implementación de herramientas pronósticas en la práctica clínica
A pesar del aumento en la disponibilidad de herramientas pronósticas para pacientes con ERC avanzada y EPR, su integración en la práctica clínica habitual sigue siendo limitada. Encuestas realizadas entre nefrólogos canadienses han mostrado que más del 80 % depende principalmente del juicio clínico global para la pronosticación, mientras que aproximadamente el 70 % nunca o rara vez utiliza herramientas formales de predicción61. Las barreras mencionadas incluyen preocupaciones sobre la aplicabilidad de las estimaciones de riesgo basadas en poblaciones a pacientes individuales, limitaciones de tiempo y escaso conocimiento sobre las herramientas disponibles y la evidencia que respalda su uso. Cabe destacar que los profesionales de la salud han distinguido de forma consistente entre el valor de las herramientas pronósticas a nivel poblacional y su aplicación a pacientes individuales, lo que subraya un desafío que difícilmente podrá resolverse únicamente con la validación externa62.
La aplicación práctica de muchos modelos pronósticos está aún más limitada porque algunas publicaciones no proporcionan un formato utilizable, como una ecuación de regresión completa o una puntuación de riesgo, lo que dificulta su uso clínico rutinario63. Además, solo el 26,7 % de los modelos publicados han sido sometidos a validación externa, y los estudios formales que evalúan si las herramientas pronósticas mejoran la toma de decisiones compartida o los resultados en pacientes siguen siendo poco comunes63. Por lo tanto, la adopción en la práctica clínica real de herramientas pronósticas en nefrología sigue siendo baja, lo que posiblemente refleje una confianza limitada por parte de los médicos, falta de experiencia y incertidumbre sobre su utilidad clínica para mejorar los resultados en pacientes64.
Abordar esta brecha de implementación requerirá esfuerzos más allá del desarrollo y validación de nuevos modelos pronósticos. La integración de herramientas pronósticas en los registros electrónicos de salud podría reducir las barreras relacionadas con el tiempo, la accesibilidad y el flujo de trabajo que los clínicos identifican constantemente62. Además, capacitar a los nefrólogos para comunicar eficazmente información probabilística sobre riesgos durante conversaciones sobre enfermedades graves, en lugar de simplemente presentar estimaciones numéricas, podría ser tan importante como seguir mejorando la precisión del modelo62,65.
Limitaciones
Varias limitaciones de la literatura existente merecen reconocimiento. La mayoría de los modelos pronósticos9,26,39,45,55,66 se han desarrollado utilizando cohortes geográficamente restringidas, y su generalizabilidad a otros entornos de atención sanitaria sigue siendo incierta. Aunque algunas herramientas fueron desarrolladas específicamente para adultos mayores, muchos modelos validados incluyen poblaciones más jóvenes en diálisis, y las herramientas pronósticas dedicadas para adultos mayores frágiles siguen siendo limitadas. La literatura actual también está fuertemente centrada en cohortes de hemodiálisis, mientras que los modelos pronósticos validados para pacientes que reciben diálisis peritoneal son escasos, siendo el trabajo de Davison et al.18 uno de los pocos ejemplos disponibles. Los modelos de aprendizaje automático, aunque prometedores, aún no han sido evaluados en ensayos clínicos prospectivos, y ninguna herramienta pronóstica actualmente disponible ha demostrado, en un estudio aleatorizado, que su uso mejore la calidad de la toma de decisiones compartida o los resultados del paciente.
La investigación futura debe priorizar el desarrollo y la validación externa de modelos pronósticos en poblaciones diversas y modalidades de diálisis, la evaluación prospectiva de la atención guiada por pronóstico y la integración de las preferencias reportadas por los pacientes en los marcos de evaluación del riesgo clínico.
Conclusiones
La pronosticación es un componente importante de la toma compartida de decisiones. Los nefrólogos deben proporcionar información pronóstica de manera precisa y centrada en la persona, para ayudar a alinear los tratamientos propuestos con los valores y preferencias de los pacientes. Las herramientas pronósticas, incluidos los modelos de predicción de riesgo, pueden ayudar a los nefrólogos a realizar evaluaciones de riesgo más matizadas. Estas herramientas pueden facilitar la identificación temprana de individuos que podrían beneficiarse de una evaluación geriátrica integral, de la planificación anticipada de cuidados o, en casos seleccionados, de alternativas terapéuticas menos invasivas o de cuidados paliativos26. Por el contrario, también pueden ayudar a identificar a pacientes con pronósticos favorables que podrían beneficiarse de una planificación proactiva de acceso vascular o de una evaluación para trasplante. Las herramientas pronósticas disponibles van desde evaluaciones subjetivas rápidas, como la Pregunta de la Sorpresa, hasta modelos multivariables complejos. Sin embargo, estos modelos pueden no ser aplicables a todas las poblaciones y deben utilizarse únicamente en contextos clínicos adecuados. Por lo tanto, los profesionales de la salud deben emplear un enfoque multimodal que combine parámetros de laboratorio, condiciones comórbidas, escalas de evaluación funcional y criterio clínico para elaborar estimaciones pronósticas que no sean excesivamente reduccionistas. Los modelos desarrollados por Cohen et al.52, Schmidt et al.6 y Couchoud et al.26 (Tabla 1) pueden ser particularmente útiles porque existen calculadoras de riesgo publicadas que se pueden aplicar rápidamente en la práctica clínica. Los modelos desarrollados por Cohen et al.52 y Schmidt et al.6 combinan el criterio clínico con parámetros objetivos, lo que permite una evaluación más integral. La forma en que se comunica la información pronóstica es igualmente importante. La información debe presentarse en un lenguaje accesible para los pacientes, con sensibilidad hacia su disposición para discutir la mortalidad. Las estimaciones pronósticas deben orientar las conversaciones y contextualizar los beneficios y limitaciones potenciales del tratamiento; los clínicos deben evitar presentar estimaciones de riesgo absoluto sin una explicación adecuada. Los marcos estructurados de comunicación, como la herramienta Mejor Caso/Peor Caso, utilizan la planificación por escenarios y ayudas gráficas para describir los resultados mejores, más probables y peores de cada opción terapéutica. Estos enfoques pueden ayudar a los nefrólogos a ir más allá de estimaciones estadísticas aisladas y apoyar a los pacientes y sus familias en la toma de decisiones terapéuticas que reflejen sus objetivos y valores16,67. Los trabajos futuros deberían centrarse en validar herramientas pronósticas en poblaciones diversas y evaluar si su uso mejora la toma compartida de decisiones y los resultados centrados en el paciente.
Divulgaciones
Los autores declaran no tener intereses financieros competitivos ni conflictos de intereses. Asimismo, los autores utilizaron una herramienta de generación de imágenes de OpenAI para crear la versión inicial de Figura 1. Posteriormente, la figura fue revisada, modificada y aprobada por los autores, quienes asumen toda la responsabilidad sobre su contenido científico y su precisión clínica.
Referencias
- Kovesdy CP. Epidemiology of chronic kidney disease: an update 2022. Kidney Int Suppl. 2022;12:7-11. doi:10.1016/j.kisu.2021.11.003.
- Couser WG, Remuzzi G, Mendis S, Tonelli M. The contribution of chronic kidney disease to the global burden of major noncommunicable diseases. Kidney Int. 2011;80(12):1258-70. doi:10.1038/ki.2011.368.
- Tamura MK. Incidence, management, and outcomes of end-stage renal disease in the elderly. Curr Opin Nephrol Hypertens. 2009;18:252-7. doi:10.1097/MNH.0b013e328326f3ac.
- United States Renal Data System. 2024 USRDS Annual Data Report: Epidemiology of Kidney Disease in the United States [Internet]. 2024 [cited 2025 Oct 5]. Available from: https://usrds-adr.niddk.nih.gov/2024/suggested-citation.
- Merchant A, Moideen A. Comprehensive insights into palliative nephrology: a chapter in contemporary renal medicine. In: Bolling G, Zelko E, editors. Palliative Care—Current Practice and Future Perspectives. IntechOpen; 2023. doi:10.5772/intechopen.1003074.
- Schmidt RJ, et al. Derivation and validation of a prognostic model to predict mortality in patients with advanced chronic kidney disease. Nephrol Dial Transplant. 2019;34(9):1517-25. doi:10.1093/ndt/gfy305.
- Merchant AA, Ling E. An approach to treating older adults with chronic kidney disease. CMAJ. 2023;195:E612-8. doi:10.1503/cmaj.221427.
- O’Hare AM, et al. Assessment of self-reported prognostic expectations of people undergoing dialysis: United States Renal Data System Study of Treatment Preferences (USTATE). JAMA Intern Med. 2019;179(10):1325-33. doi:10.1001/jamainternmed.2019.2879.
- Obi Y, et al. Development and validation of prediction scores for early mortality at transition to dialysis. Mayo Clin Proc. 2018;93(9):1224-35. doi:10.1016/j.mayocp.2018.04.017.
- Kidney Disease: Improving Global Outcomes (KDIGO) CKD Work Group. KDIGO 2024 clinical practice guideline for the evaluation and management of chronic kidney disease. Kidney Int. 2024;105(4 Suppl):S117-314. doi:10.1016/S0085-2538(24)00110-8.
- Verberne WR, et al. Comparative survival among older adults with advanced kidney disease managed conservatively versus with dialysis. Clin J Am Soc Nephrol. 2016;11(4):633-40. doi:10.2215/CJN.07510715.
- Buur LE, et al. Does conservative kidney management offer a quantity or quality of life benefit compared with dialysis? A systematic review. BMC Nephrol. 2021;22:307. doi:10.1186/s12882-021-02516-6.
- Kobayashi A, et al. Comprehensive conservative kidney management among older populations: a nationwide administrative claims database analysis. Kidney360. 2025;6:1713-21. doi:10.34067/KID.0000000923.
- Jassal SV, Van Loon I. Redesigning peritoneal dialysis care: the introduction of frailty-informed pathways. Perit Dial Int. 2025;45(2):70-3. doi:10.1177/08968608241304272.
- Couchoud C, et al. Supportive care: time to change our prognostic tools and their use in CKD. Clin J Am Soc Nephrol. 2016;11(10):1892-901. doi:10.2215/CJN.12631115.
- Zimmermann CJ, et al. Opportunities to improve shared decision making in dialysis decisions for older adults with life-limiting kidney disease: a pilot study. J Palliat Med. 2020;23(5):627-34. doi:10.1089/jpm.2019.0340.
- Schell JO, et al. Discussions of the kidney disease trajectory by elderly patients and nephrologists: a qualitative study. Am J Kidney Dis. 2012;59(4):495-503. doi:10.1053/j.ajkd.2011.11.023.
- Davison SN, Rathwell S. External validation of a prognostic model in routine practice for short- and long-term survival in peritoneal dialysis. Perit Dial Int. 2026;46(2):105-14. doi:10.1177/08968608251364097.
- Davison SN, et al. Executive summary of the KDIGO Controversies Conference on Supportive Care in Chronic Kidney Disease: developing a roadmap to improving quality care. Kidney Int. 2015;88:447-59. doi:10.1038/ki.2015.110.
- Milders J, et al. Living with chronic kidney disease: future perspectives and prognostic needs of patients—a qualitative study. BMC Nephrol. 2025;26:301. doi:10.1186/s12882-025-04243-8.
- Milders J, et al. Dealing with an uncertain future: a survey study on what patients with chronic kidney disease actually want to know. Clin Kidney J. 2024;17(8):1-8. doi:10.1093/ckj/sfae225.
- Saeed F, et al. Patients’ perspectives on dialysis decision-making and end-of-life care. Clin Nephrol. 2019;91(5):294-300. doi:10.5414/CN109608.
- Liu A, et al. Prognostic preferences of older adults on maintenance hemodialysis and their care partners: a qualitative study. Clin J Am Soc Nephrol. 2025;20(10):1387-95. doi:10.2215/CJN.0000000782.
- Dusseux E, et al. A simple clinical tool to inform the decision-making process to refer elderly incident dialysis patients for kidney transplant evaluation. Kidney Int. 2015;88(1):121-9. doi:10.1038/ki.2015.25.
- Tamura MK, Tan JC, O’Hare AM. Optimizing renal replacement therapy in older adults: a framework for making individualized decisions. Kidney Int. 2012;82:261-9. doi:10.1038/ki.2011.384.
- Couchoud CG, et al. Development of a risk stratification algorithm to improve patient-centered care and decision making for incident elderly patients with end-stage renal disease. Kidney Int. 2015;88(5):1178-86. doi:10.1038/ki.2015.245.
- Chandna SM, et al. Survival of elderly patients with stage 5 CKD: comparison of conservative management and renal replacement therapy. Nephrol Dial Transplant. 2011;26(5):1608-14. doi:10.1093/ndt/gfq630.
- Murtagh FEM, et al. Dialysis or not? A comparative survival study of patients older than 75 years with stage 5 chronic kidney disease. Nephrol Dial Transplant. 2007;22(7):1955-62. doi:10.1093/ndt/gfm153.
- Wachterman MW, et al. One-year mortality after dialysis initiation among older adults. JAMA Intern Med. 2019;179(7):985-7. doi:10.1001/jamainternmed.2018.8690.
- Montez-Rath ME, et al. Hospitalizations and nursing facility stays during the transition from CKD to ESRD on dialysis: an observational study. J Gen Intern Med. 2017;32(11):1220-7. doi:10.1007/s11606-017-4151-6.
- Kolbrink B, et al. Patient-focused outcomes after initiation of dialysis for ESRD: mortality, hospitalization, and functional impairment. Nephrol Dial Transplant. 2023;38(11):2528-36. doi:10.1093/ndt/gfad099.
- Dalrymple LS, et al. Infection-related hospitalizations in older patients with ESRD. Am J Kidney Dis. 2010;56(3):522-30. doi:10.1053/j.ajkd.2010.04.016.
- Pereira M, et al. Dependency and frailty in the older haemodialysis patient. BMC Geriatr. 2024;24:416. doi:10.1186/s12877-024-04973-8.
- Kurella Tamura M, et al. Functional status of elderly adults before and after initiation of dialysis. N Engl J Med. 2009;361(16):1539-47. doi:10.1056/NEJMoa0904655.
- Morris JN, Pries B, Morris S. Scaling activities of daily living within the Minimum Data Set. J Gerontol A Biol Sci Med Sci. 1999;54(11):M546-53. doi:10.1093/gerona/54.11.M546.
- Jassal SV, Chiu E, Hladunewich M. Loss of independence in patients starting dialysis at 80 years of age or older. N Engl J Med. 2009;361(16):1612-3. doi:10.1056/NEJMc0905289.
- Goto NA, et al. Association of initiation of maintenance dialysis with functional status and caregiver burden. Clin J Am Soc Nephrol. 2019;14(7):1039-47. doi:10.2215/CJN.13131118.
- Jassal SV, et al. Functional dependence and mortality in the international Dialysis Outcomes and Practice Patterns Study. Am J Kidney Dis. 2016;67(2):283-92. doi:10.1053/j.ajkd.2015.09.024.
- Thamer M, et al. Predicting early death among elderly dialysis patients: development and validation of a risk score to assist shared decision making for dialysis initiation. Am J Kidney Dis. 2015;66(6):1024-32. doi:10.1053/j.ajkd.2015.05.014.
- Hemmelgarn BR, Manns BJ, Quan H, Ghali WA. Adapting the Charlson Comorbidity Index for use in patients with ESRD. Am J Kidney Dis. 2003;42(1 Suppl 2):125-32. doi:10.1016/S0272-6386(03)00415-3.
- Lin YT, et al. High cost and low survival rate in high-comorbidity incident elderly hemodialysis patients. PLoS One. 2013;8(9):e75318. doi:10.1371/journal.pone.0075318.
- Flores-Mendoza AP, et al. Charlson Comorbidity Index and all-cause mortality in patients with delayed hemodialysis initiation: a prospective cohort study. BMC Nephrol. 2025;26:376. doi:10.1186/s12882-025-04197-x.
- Noh J, et al. Predicting early mortality in hemodialysis patients: a deep learning approach using a nationwide prospective cohort in South Korea. Sci Rep. 2024;14:29658. doi:10.1038/s41598-024-80900-6.
- Santos J, et al. Predicting 6-month mortality in incident elderly dialysis patients: a simple prognostic score. Kidney Blood Press Res. 2020;45(1):38-50. doi:10.1159/000504136.
- Ivory SE, et al. Predicting 6-month mortality risk of patients commencing dialysis treatment for end-stage kidney disease. Nephrol Dial Transplant. 2017;32(9):1558-65. doi:10.1093/ndt/gfw383.
- Gimena Muñoz R, et al. Assessment of frailty in patients with advanced chronic kidney disease and the role of microvesicles: a single-center study. PLoS One. 2025;20(9):e0332653. doi:10.1371/journal.pone.0332653.
- Zou S, et al. Frailty, genetic predisposition, and incident chronic kidney disease. Sci Rep. 2025;15(1):14625. doi:10.1038/s41598-025-97280-0.
- Puri A, et al. Frailty assessment tools in chronic kidney disease: a systematic review and meta-analysis. Kidney Med. 2025;7(3):100960. doi:10.1016/j.xkme.2024.100960.
- Kennard AL, Glasgow NJ, Rainsford SE, Talaulikar GS. Clinical implications and assessment of frailty in patients with advanced CKD: a narrative review. Kidney Int Rep. 2024;9:791-806. doi:10.1016/j.ekir.2023.12.022.
- Oki R, et al. Clinical frailty assessment might be associated with mortality in incident dialysis patients. Sci Rep. 2022;12(1):17651. doi:10.1038/s41598-022-22483-8.
- Nair D, et al. Frailty in kidney disease: a comprehensive review to advance its clinical and research applications. Am J Kidney Dis. 2025;85(1):89-103. doi:10.1053/j.ajkd.2024.04.018.
- Cohen LM, Ruthazer R, Moss AH, Germain MJ. Predicting six-month mortality for patients receiving maintenance hemodialysis. Clin J Am Soc Nephrol. 2010;5(1):72-9. doi:10.2215/CJN.03860609.
- Javier AD, et al. Reliability and utility of the Surprise Question in CKD stages 4-5. Am J Kidney Dis. 2017;70(1):93-101. doi:10.1053/j.ajkd.2016.11.025.
- Wick JP, et al. A clinical risk prediction tool for 6-month mortality after dialysis initiation among older adults. Am J Kidney Dis. 2017;69(5):568-75. doi:10.1053/j.ajkd.2016.08.035.
- Sun J, Su H, Lou Y, Wang M. Association between serum albumin level and all-cause mortality in patients with chronic kidney disease: a retrospective cohort study. Am J Med Sci. 2021;361(4):451-60. doi:10.1016/j.amjms.2020.07.020.
- Karaboyas A, et al. Low hemoglobin at hemodialysis initiation: an international study of anemia management and mortality in the early dialysis period. Clin Kidney J. 2020;13(3):425-33. doi:10.1093/ckj/sfz065.
- Garcia-Montemayor V, et al. Predicting mortality in hemodialysis patients using machine learning analysis. Clin Kidney J. 2021;14(5):1388-95. doi:10.1093/ckj/sfaa126.
- Yang J, et al. Machine learning algorithms for the prediction of adverse prognosis in patients undergoing peritoneal dialysis. BMC Med Inform Decis Mak. 2024;24:8. doi:10.1186/s12911-023-02412-z.
- Sheng K, et al. Prognostic machine learning models for first-year mortality in incident hemodialysis patients: development and validation study. JMIR Med Inform. 2020;8(10):e20578. doi:10.2196/20578.
- Koh BTG, et al. Predicting mortality in elderly chronic kidney disease patients using algorithmic risk assessment: a Southeast Asian perspective. BMC Nephrol. 2025;26:489. doi:10.1186/s12882-025-04389-5.
- Forzley B, et al. A survey of Canadian nephrologists assessing prognostication in end-stage renal disease. Can J Kidney Health Dis. 2017;4:1-9. doi:10.1177/2054358117725294.
- Bergeron J, et al. Nephrology providers’ perspectives and use of mortality prognostic tools in dialysis patients. BMC Nephrol. 2024;25:425. doi:10.1186/s12882-024-03861-y.
- Milders J, et al. Prognostic models in nephrology: where do we stand and where do we go from here? Mapping the evidence in a scoping review. J Am Soc Nephrol. 2024;35(3):367. doi:10.1681/ASN.0000000000000285.
- Siriwardana A, et al. Utilizing risk prediction models for older patients with chronic kidney disease. Kidney Int. 2026;109(3):474-83. doi:10.1016/j.kint.2025.11.021.
- Anderson RT, et al. Prediction of risk of death for patients starting dialysis: a systematic review and meta-analysis. Clin J Am Soc Nephrol. 2019;14(8):1213-27. doi:10.2215/CJN.00050119.
- Thorsteinsdottir B, et al. Validation of prognostic indices for short-term mortality in an incident dialysis population of adults older than 75 years. PLoS One. 2021;16(1):e0244081. doi:10.1371/journal.pone.0244081.
- Grubbs V. Time to recast our approach for older patients with ESRD: the best, the worst, and the most likely. Am J Kidney Dis. 2018;71(5):605-7. doi:10.1053/j.ajkd.2018.02.002.