Artigo de revisão

Prognóstico na Doença Renal Terminal: Ferramentas, Evidências e Aplicações Clínicas

82 visualizações

⸱

DOI:

10.3791/70058

⸱

18 de agosto de 2026

 , 
1Division of Nephrology, Toronto General Hospital, University Health Network, University of Toronto

Neste artigo

Resumo

Esta revisão resume ferramentas prognósticas para doença renal em estágio terminal, destacando sua aplicação na avaliação do risco de mortalidade, na tomada compartilhada de decisões, no manejo conservador dos rins e no planejamento individualizado de tratamento para adultos mais velhos.

Resumo

A prognóstico na doença renal em estágio terminal é fundamental para o cuidado centrado na pessoa e para a tomada conjunta de decisões. Esta revisão resume as evidências atuais sobre avaliação prognóstica em adultos mais velhos com doença renal em estágio terminal que estão considerando diálise ou cuidados renais conservadores. Examina-se a justificativa para o prognóstico e revisam-se os principais preditores clínicos, funcionais e laboratoriais de mortalidade, incluindo carga de comorbidades, fragilidade, estado funcional e parâmetros bioquímicos. A revisão discute ferramentas prognósticas validadas, incluindo o Índice de Comorbidade de Charlson, a Pergunta Surpresa e modelos preditivos multivariáveis, bem como abordagens emergentes de aprendizado de máquina para predição de risco individualizada. Também se examinam os efeitos do declínio funcional, hospitalização e benefício limitado de sobrevida sobre as decisões terapêuticas e destaca-se o papel das informações prognósticas no planejamento antecipado de cuidados e no cuidado alinhado aos objetivos. Além disso, a revisão discute a comunicação do prognóstico e os desafios práticos associados à implementação de ferramentas prognósticas na prática rotineira de nefrologia. Ao integrar a avaliação prognóstica baseada em evidências com avaliação clínica individualizada e valores do paciente, o prognóstico pode apoiar decisões terapêuticas informadas e facilitar um cuidado personalizado para adultos mais velhos com doença renal em estágio terminal.

Introdução

A doença renal crônica (DRC) afeta cerca de 843,6 milhões de pessoas em todo o mundo, com mais de 2 milhões de pessoas vivendo com doença renal em estágio terminal (DRET)1,2,3,4,5. Idosos apresentam risco aumentado de desenvolver doenças renais avançadas, especialmente aqueles com doenças cardiovasculares e outras condições comórbidas. Apesar dos grandes avanços nas terapias médicas, a DRET continua associada a riscos substanciais de mortalidade e morbidade1,4.

Um aspecto importante do cuidado na DRC é o planejamento antecipado do cuidado diante da possibilidade de progressão para DRG. O transplante renal é a forma preferida de terapia de substituição renal, pois oferece os melhores resultados em termos de sobrevida e qualidade de vida. No entanto, o transplante pode não estar disponível para pacientes sem um doador viável e pode ser contraindicado naqueles com alto risco cirúrgico ou clínico, fragilidade ou expectativa de vida limitada. Esse é frequentemente o caso de pacientes idosos, que podem enfrentar um futuro incerto e uma difícil escolha entre iniciar diálise vitalícia, seja em casa ou em uma clínica, ou optar por um manejo clínico focado no controle dos sintomas, entendendo-se que essa abordagem pode encurtar a sobrevida. Os médicos têm responsabilidades clínicas, éticas e legais de oferecer uma abordagem individualizada e centrada na pessoa, reconhecendo que, em algumas situações, a diálise pode aumentar o sofrimento sem necessariamente prolongar a vida6.

Nesse contexto, o planejamento antecipado de cuidados é uma ferramenta importante que apoia pacientes, famílias e profissionais de saúde ao alinhar decisões futuras aos valores, desejos e circunstâncias clínicas em constante mudança de cada indivíduo6. Pacientes e famílias conseguem tomar decisões mais informadas, alinhadas aos seus valores e preferências, quando recebem informações claras e abrangentes sobre os benefícios e riscos da diálise. Devem ser convidados e incentivados a participar de um processo de tomada compartilhada de decisões. Embora a diálise possa melhorar a sobrevida e aliviar sintomas, seus benefícios podem ser modestos em pacientes idosos e frágeis, e o tratamento pode estar associado a reduções significativas na independência e na qualidade de vida7. Assim, a prognosticação é um componente fundamental da educação do paciente e da tomada compartilhada de decisões. Para avaliar os trade-offs entre sobrevida e qualidade de vida, os pacientes precisam compreender o possível benefício de sobrevida proporcionado pelo início da diálise e como o tratamento pode afetar sua qualidade de vida.

Esta revisão discute as características principais das estratégias e ferramentas utilizadas para estimar o prognóstico em pacientes que estão considerando ou iniciando diálise. Também examina como essas abordagens podem apoiar as equipes de cuidados renais, os pacientes e suas famílias na tomada de decisões compartilhadas sobre opções de tratamento e trajetórias de cuidado na DRCST (Figura 1).

Diagrama do caminho prognóstico centrado na pessoa para decisões de tratamento da DRC/DRT, mostrando etapas de avaliação e tomada de decisão.
Figura 1. Caminho prognóstico centrado na pessoa na doença renal crônica avançada (DRC) e na doença renal em estágio terminal (DRT). O esquema resume a avaliação abrangente do paciente, a avaliação prognóstica multimodal, a comunicação do prognóstico e a tomada de decisão compartilhada, a seleção de tratamento e a reavaliação contínua para apoiar o cuidado centrado na pessoa. Os números sobrescritos correspondem às referências citadas no manuscrito. A figura foi gerada com a ajuda de uma ferramenta de geração de imagens da OpenAI e posteriormente revisada e aprovada pelos autores quanto à precisão científica e clínica. Clique aqui para visualizar uma versão maior desta figura.

Revisão e perspetiva

A Importância da Prognosticação na Doença Renal Crônica

A compreensão do prognóstico e do curso esperado da progressão da doença pode influenciar significativamente os objetivos terapêuticos e as decisões de vida. Essa compreensão é essencial para oferecer um atendimento centrado na pessoa, promover a tomada compartilhada de decisões e facilitar o planejamento antecipado do cuidado. No entanto, estudos envolvendo pessoas com câncer e adultos mais velhos mostraram que os profissionais de saúde raramente comunicam informações prognósticas, enquanto os pacientes frequentemente mantêm expectativas excessivamente otimistas sobre o futuro8.

A avaliação prognóstica é um componente central das discussões entre pacientes e médicos, pois informações sobre a expectativa de vida são frequentemente solicitadas ao decidir se deve-se iniciar a diálise. Preferências, valores pessoais, culturais e religiosos também desempenham papéis importantes na escolha de um indivíduo por submeter-se à diálise para prolongar a vida6. Um modelo de predição de risco que antecipe mortalidade precoce pode ajudar a personalizar o tratamento e apoiar a tomada de decisões compartilhada entre profissionais de saúde, pessoas vivendo com doença renal e seus familiares9. Isso é particularmente importante para pacientes que estão sendo considerados para abordagens terapêuticas mais conservadoras. O cuidado renal conservador (CKC), que envolve a continuação do tratamento médico ativo, controle de sintomas e apoio multidisciplinar sem a introdução da diálise, está sendo cada vez mais reconhecido por diretrizes internacionais como um caminho terapêutico legítimo, e não como uma opção padrão para pacientes que não são candidatos à terapia de substituição renal10. A diálise demonstrou proporcionar uma sobrevida mediana maior do que o CKC em geral (3,1 versus 1,5 anos a partir do momento da decisão terapêutica); no entanto, essa vantagem de sobrevida desaparece em pacientes com 80 anos ou mais (P = 0,08) e é substancialmente reduzida naqueles com comorbidade cardiovascular grave11,12. Além dos desfechos de mortalidade, as taxas de hospitalização foram significativamente menores entre os pacientes submetidos ao CKC (razão de taxa de incidência, 0,40; intervalo de confiança [IC] de 95%, 0,32–0,49)13.

A CKC também tem sido associada à melhoria da qualidade de vida, redução da carga de sintomas e maior probabilidade de falecer em casa em vez de no hospital12. Esses achados apoiam a integração prospectiva da CKC de acordo com a trajetória de vulnerabilidade do paciente, em vez de seu uso exclusivo como opção terapêutica residual. A avaliação prognóstica pode ajudar a identificar indivíduos que têm maior probabilidade de se beneficiar dessa filosofia de tratamento. Por exemplo, se espera-se que um paciente tenha alto risco de morte durante o primeiro ano após o início da diálise, a CKC ou estratégias de diálise modificadas podem ser opções apropriadas a considerar9. Jassal et al. propuseram caminhos assistenciais para a diálise orientados pela fragilidade, que ajustam a intensidade do tratamento, as restrições dietéticas e o suporte domiciliar de acordo com o estado de fragilidade, permitindo transições bidirecionais mediante reavaliações periódicas conforme a condição do paciente evolui14.

Ferramentas de predição provavelmente auxiliarão os profissionais de saúde a orientar pacientes e suas famílias durante decisões sobre o tratamento da DRT15,16. Embora diretrizes internacionais recomendem fortemente a comunicação do prognóstico aos pacientes17,18,19 e evidências indiquem que a maioria dos pacientes deseja receber informações prognósticas20,21,22, essa prática não tem sido implementada de forma consistente no atendimento clínico de rotina. Várias barreiras dificultam a comunicação eficaz do prognóstico. Os nefrologistas podem não dispor de ferramentas que forneçam estimativas de risco precisas e individualizadas e podem sentir-se desconfortáveis ao discutir o prognóstico devido a preocupações com seu possível impacto emocional nos pacientes. Estudos também demonstraram que, em geral, os pacientes preferem discussões mais amplas sobre o prognóstico, em vez de previsões expressas apenas como tempo estimado de sobrevida23. Além disso, muitos modelos prognósticos não são facilmente implementados na prática clínica rotineira porque carecem de validação externa, e relativamente poucos foram desenvolvidos utilizando coortes que incluam pacientes em diálise peritoneal. Além da predição de mortalidade precoce, Dusseux et al. desenvolveram um escore de mortalidade em 3 anos para pacientes franceses idosos em diálise (com idade ≥70 anos) para identificar candidatos que possam ser adequados ao transplante renal, demonstrando que as ferramentas prognósticas têm aplicações para além da decisão inicial de iniciar a diálise (Tabela 1)24.

Mortalidade geral em adultos mais velhos com doença renal em estágio terminal

A expectativa de vida para adultos mais velhos vivendo com DRC terminal e em diálise continua significativamente menor do que a da população geral. De acordo com o United States Renal Data System (USRDS, 2024)4, a taxa de sobrevida em 5 anos entre adultos com idade entre 65 e 74 anos é de 35,6%, comparada com 23,8% entre aqueles com 75 anos ou mais, com melhorias modestas ao longo da última década. Quando analisados por modalidade de diálise, os desfechos são comparáveis. Na hemodiálise (HD), a taxa de sobrevida em 5 anos permanece em aproximadamente 34%, enquanto na diálise peritoneal (PD), varia de 22% a 35%, dependendo da idade.

Os dados mais recentes do USRDS também indicam que, em 2022, a expectativa de vida restante estimada para pessoas em diálise foi de aproximadamente 4,6 anos para mulheres e 4,5 anos para homens com idade entre 65 e 69 anos. Isso diminuiu para 3,5 anos para mulheres e 3,3 anos para homens com idade entre 75 e 79 anos. Em contraste, receptores de transplante renal nesses grupos etários devem ganhar de 7 a 11 anos adicionais de vida, enquanto indivíduos da população geral têm uma expectativa de vida restante de aproximadamente 16 a 18 anos. Apesar dos avanços tecnológicos e da melhoria na seleção de candidatos, esses achados confirmam que os ganhos em longevidade associados à diálise permanecem limitados4.

Embora dados contemporâneos demonstrem estabilização na sobrevida, padrões prognósticos semelhantes já foram relatados anteriormente. Em uma análise baseada na população de mais de 350.000 adultos com 65 anos ou mais nos Estados Unidos, Kurella et al.25 relataram que a expectativa de vida após o início da diálise diminui progressivamente com o aumento da idade. A sobrevida mediana (percentil 50) diminuiu de 2,5 anos entre adultos com idade entre 65 e 69 anos para 0,6 anos entre aqueles com 90 anos ou mais. Da mesma forma, o percentil 75 diminuiu de 4,6 anos para 1,7 anos, enquanto o percentil 25 diminuiu de 0,9 anos para 0,2 anos nos mesmos grupos etários. Essa ampla variação ilustra a substancial heterogeneidade prognóstica entre indivíduos de idade semelhante e destaca que a idade cronológica isoladamente não determina o prognóstico. O risco de mortalidade é maior no período inicial após o início da diálise. Entre adultos que iniciam a diálise após os 75 anos, a probabilidade de sobrevida é de 71% após 1 ano e de 54% após 2 anos na Europa, comparado com 59% e 43%, respectivamente, nos Estados Unidos. Mais de 10% dos pacientes morrem nos primeiros 3 meses após o início da diálise26.

Apesar desses achados epidemiológicos, as percepções dos pacientes sobre o prognóstico frequentemente diferem substancialmente dos resultados observados de sobrevida. Em uma coorte de 993 pacientes em diálise, apenas 11,2% esperavam viver menos de 5 anos, enquanto 33,0% previam sobreviver por mais de 10 anos, apesar dos dados do USRDS indicarem que 60,3% morreram dentro de 5 anos. Pacientes que esperavam maior sobrevida tinham probabilidade significativamente menor de documentar preferências de tratamento ou priorizar cuidados focados no conforto, e eram mais propensos a optar por reanimação cardiopulmonar (razão de chances ajustada [aOR], 5,3) ou ventilação mecânica (aOR, 2,2) do que pacientes com expectativas de sobrevida mais realistas8.

Morbidade Médica e Hospitalizações em Adultos Mais Velhos com Doença Renal em Estágio Terminal

Adultos mais velhos que iniciam terapia de substituição renal apresentam uma alta carga de comorbidades médicas e eventos clínicos agudos que afetam diretamente o prognóstico. De acordo com o USRDS (2024)4, em 2022, 59% dos pacientes incidentes com DRCF tinham diabetes mellitus, 25% tinham insuficiência cardíaca e 17%–28% tinham diversas formas de doença cardiovascular. O mesmo relatório mostrou taxas ajustadas de hospitalização por todas as causas de 1,37 e 1,42 eventos por pessoa-ano entre indivíduos com idade entre 65 e 74 anos e ≥75 anos, respectivamente, que recebiam DP, comparadas com 1,46 e 1,49 eventos por pessoa-ano entre aqueles que recebiam HD4.

Adultos mais velhos que iniciam diálise frequentemente apresentam multimorbidade, o que influencia substancialmente seu curso clínico. A comorbidade também tem um efeito profundo sobre os desfechos de saúde e a sobrevida entre pacientes com DRC estágio 5. Múltiplos estudos relataram nenhuma diferença significativa na sobrevida entre pacientes que optam pela diálise e aqueles tratados com uma abordagem conservadora. Esse achado provavelmente reflete o alto risco competitivo de morte antes da progressão para DRFA, juntamente com o benefício limitado de sobrevida associado à terapia dialítica27,28.

Em uma coorte dos Estados Unidos composta por 391 beneficiários do Medicare com idade ≥65,5 anos, quase dois terços tinham quatro ou mais condições crônicas, e 73% iniciaram diálise durante internação hospitalar. Ambos os fatores estavam independentemente associados a uma taxa de mortalidade em 1 ano superior a 50%29. De forma semelhante, um estudo baseado em registro nacional que incluiu 28.049 adultos com idade ≥67 anos constatou que pacientes com mais de 80 anos passaram em média 67 dias em hospitais ou instituições de enfermagem durante o primeiro ano após o início da diálise, com a maior utilização de serviços de saúde observada entre aqueles com demência ou doença cardiovascular30.

Além da alta prevalência de comorbidades, o período inicial após a início da diálise é caracterizado por hospitalizações recorrentes, infecções e declínio funcional. Em uma coorte europeia com mais de 10.000 indivíduos que iniciaram diálise em 2017, 82,8% apresentaram pelo menos uma hospitalização e 33,8% faleceram dentro do primeiro ano, destacando o considerável ônus das complicações precoces31. As internações relacionadas a infecções continuam sendo uma das principais causas de morbidade, correspondendo a aproximadamente um terço de todas as hospitalizações e afetando quase metade dos pacientes idosos durante o acompanhamento. Diabetes melito, insuficiência cardíaca e hipoalbuminemia estão entre os principais fatores de risco para essas internações32.

Declínio Funcional em Adultos Mais Velhos que Iniciam Diálise

A fragilidade funcional e a dependência aumentam ainda mais os riscos associados ao início da diálise em adultos mais velhos. Entre os adultos mais velhos em HD, 46% foram classificados como frágeis, 55% estavam desnutridos e 21% eram dependentes nas atividades básicas da vida diária33. A deterioração funcional após o início da diálise é comum e tem implicações clínicas importantes.

Em um estudo marcante de Tamura et al.34, envolvendo mais de 3.700 residentes de casas de repouso nos Estados Unidos, o escore Mínimo Conjunto de Dados–Atividades de Vida Diária (MDS-ADL), uma medida padronizada de dependência em atividades básicas de autocuidado derivada do Mínimo Conjunto de Dados utilizado em instituições de cuidados de longa duração35, aumentou de uma mediana de 12 antes do início da diálise para 16 após. Após 3 meses, apenas 39% dos participantes mantiveram seu estado funcional basal. Após 1 ano, 58% haviam falecido e apenas 13% mantinham seu nível anterior de função. De forma semelhante, Jassal et al.36 relataram que, entre adultos com idade igual ou superior a 80 anos, mais de 30% experimentaram perda de independência nos primeiros 6 meses após o início da diálise. Nem o tipo de diálise (HD versus PD) nem o local do início da diálise (internação hospitalar versus ambulatorial) foram associados à deterioração funcional subsequente36.

Evidências mais recentes indicam que esse padrão também ocorre entre adultos mais velhos que vivem na comunidade. Em um estudo de coorte holandês por Goto et al.37, 40% dos adultos com 65 anos ou mais apresentaram deterioração funcional durante os primeiros 6 meses após a iniciação da diálise, com o maior risco observado entre indivíduos mais idosos e frágeis. Além disso, 79% dos participantes tinham algum grau de dependência funcional na linha de base, e a sobrecarga do cuidador aumentou de 23% para 38% durante o acompanhamento37.

Estudos internacionais têm demonstrado consistentemente que a dependência funcional está associada a desfechos mais graves. Um Estudo de Desfechos e Padrões de Prática em Diálise publicado em 2016 descobriu que a dependência funcional grave (escore funcional <8/13) estava associada a um risco 2,37 vezes maior de mortalidade, independente da idade e comorbidades38. Pereira et al.33 também relataram altas taxas de fragilidade e dependência funcional entre adultos com 75 anos ou mais submetidos à HD, juntamente com fadiga pós-diálise frequente. Esses achados reforçam a importância da avaliação geriátrica abrangente e da implementação precoce de estratégias de reabilitação e cuidados de suporte desde o início da diálise.

Desenvolvimento de Ferramentas Prognósticas para Predição de Mortalidade em Populações com DRC e DEPT

Embora os dados de mortalidade baseados em população forneçam uma perspectiva geral sobre os benefícios potenciais da diálise para adultos mais velhos, eles não fornecem estimativas individualizadas de prognóstico. Para apoiar uma avaliação prognóstica mais personalizada, pesquisadores de vários países desenvolveram ferramentas de predição de risco para pacientes com DRC e para aqueles que progridem para DRGE. Essas ferramentas diferem substancialmente tanto em seu desenho quanto em sua aplicação clínica pretendida. Algumas baseiam-se em uma única avaliação clínica subjetiva, enquanto outras incorporam parâmetros laboratoriais de rotina, índices estruturados de comorbidade ou modelos multivariáveis e de aprendizado de máquina que exigem infraestrutura dedicada de dados. Essa heterogeneidade tem implicações práticas importantes, pois as ferramentas que são mais viáveis para uso em ambientes ambulatoriais movimentados nem sempre são aquelas com o melhor desempenho preditivo.

Impacto da Comorbilidade na Sobrevivência Durante a Diálise

A carga de comorbidades é um determinante bem estabelecido de mortalidade precoce e hospitalização entre adultos mais velhos que iniciam diálise, e diversos grupos traduziram esse risco em modelos prognósticos com bom desempenho preditivo e aplicabilidade clínica. Determinadas condições comórbidas estão incluídas na maioria dos modelos preditivos, particularmente doenças vasculares, especialmente doença vascular periférica, e distúrbios cognitivos como demência. Outras condições comuns, incluindo insuficiência cardíaca congestiva (ICC), demonstram desempenho preditivo variável entre diferentes modelos. Doenças graves e potencialmente fatais, incluindo câncer ativo ou metastático, bem como outras doenças de órgãos terminais, como disfunção hepática e insuficiência respiratória, são incorporadas a alguns modelos prognósticos26,39.

Entre as ferramentas que resumem multimorbidade, o Índice de Comorbidade de Charlson (CCI) permanece como um dos mais amplamente utilizados. Na sua adaptação para pacientes com DERT, Hemmelgarn et al.40 confirmaram a validade do CCI original e demonstraram um desempenho melhorado com o Índice de Comorbidade para DERT (Tabela 1). Dentro do CCI, doenças metastáticas, linfoma e ICC têm os maiores pesos, enfatizando que o risco de mortalidade é influenciado mais pela carga global de comorbidades do que pela idade cronológica isoladamente. A validade do CCI foi posteriormente confirmada em diversos estudos independentes41,42,43,44. Embora a inclusão de um número maior de comorbidades possa melhorar a precisão preditiva, também aumenta a complexidade da implementação desses modelos na prática clínica habitual.

As diferenças no desempenho preditivo entre modelos prognósticos provavelmente refletem variações nas populações a partir das quais foram derivados. A maioria dos modelos foi desenvolvida dentro de uma única região geográfica e não passou por validação externa45. Além disso, o viés de seleção pode influenciar o desempenho do modelo, pois pacientes com doenças terminais, como câncer metastático, ou aqueles com expectativa de vida muito limitada podem não receber diálise e, portanto, podem estar sub-representados nas populações utilizadas para desenvolver esses modelos. Esse possível viés de indicação deve ser considerado ao interpretar e aplicar estimativas prognósticas na prática clínica.

Uso de Escalas Funcionais e a Pergunta da Surpresa

A fragilidade é reconhecida como um preditor independente de mortalidade e hospitalização entre adultos mais velhos vivendo com DRC. A fragilidade é comum nessa população. Gimena-Muñoz et al.46 relataram uma prevalência de fragilidade de 27% entre indivíduos com DRC avançada, utilizando o Fenótipo de Fragilidade de Fried para definir o estado de fragilidade. Eles também identificaram diabetes melito tipo 2 e anemia como preditores independentes de fragilidade. Além disso, a fragilidade pode aumentar significativamente o risco de DRC incidente47.

Em uma revisão sistemática e meta-análise de Puri et al.48, que incluiu 105 estudos envolvendo indivíduos com DRC avançada, a fragilidade avaliada por meio do Fenótipo de Fragilidade de Fried ou da Escala Clínica de Fragilidade de Rockwood (CFS) esteve associada a um aumento duas vezes maior no risco de mortalidade em comparação com indivíduos não frágeis (Tabela 1). A fragilidade também duplicou o risco de hospitalização, confirmando seu valor prognóstico além da idade cronológica e das comorbidades. Esses achados destacam a importância de incorporar a avaliação de fragilidade na estratificação rotineira de risco na prática nefrológica.

Em consonância com esses achados, Kennard et al.49 relataram que a fragilidade está associada a um aumento de duas a seis vezes no risco de mortalidade, hospitalização e progressão para diálise entre indivíduos com DRC avançada. A fragilidade em pacientes submetidos à diálise também está associada a complicações frequentes50, incluindo infecções, eventos cardiovasculares, falha no acesso vascular, recuperação prolongada após diálise e adesão reduzida ao tratamento. Entre adultos mais velhos, essas complicações contribuem para uma carga de doença maior, maior dependência funcional e maior utilização de serviços de saúde. A fragilidade permanece um forte preditor de morbidade e mortalidade em pacientes com DRC, incluindo aqueles submetidos à terapia de substituição renal e aqueles tratados de forma conservadora, mesmo após ajuste pela idade cronológica e multimorbidade51. A integração de escalas de avaliação funcional com parâmetros clínicos objetivos pode ainda melhorar o desempenho preditivo de ferramentas de predição de risco para DRT6,26.

Vários modelos prognósticos para DRC e DRCT incorporam a Pergunta da Surpresa (PS), que pergunta: “Você se surpreenderia se esta pessoa morresse nos próximos 12 meses?” Esses modelos incluem os desenvolvidos por Cohen et al.52, Schmidt et al.6 e Javier et al.53 (Tabela 1). A PS reflete o julgamento clínico geral de um profissional de saúde sobre o estado de saúde de um paciente e pode ser considerada uma medida da intuição clínica. Em um estudo prospectivo multicêntrico, Schmidt et al.6 desenvolveram um modelo prognóstico que incorpora três preditores independentes: resposta negativa à pergunta da surpresa (razão de chances [RC], 3,29), escore intermediário ou baixo de desempenho de Karnofsky (KPS) (RC, 2,09 para KPS 50–70; RC, 4,69 para KPS ≤40) e aumento da idade (RC, 1,41 por década adicional). O modelo demonstrou bom desempenho preditivo e destacou o valor de combinar julgamento clínico com avaliação funcional objetiva para estimar desfechos adversos na DRC avançada (Tabela 1)6.

Javier et al.53 avaliaram o SQ em um estudo prospectivo com 388 adultos com 60 anos ou mais, portadores de DRC estágios 4–5 que não estavam em diálise (Tabela 1). Eles utilizaram uma versão do SQ com três categorias (Sim/Incerto/Não), que demonstrou um claro gradiente no risco de mortalidade: 5% para “Sim”, 15% para “Incerto” e 27% para “Não” (P < 0,001). A versão binária do SQ aumentou a sensibilidade (66%), mas reduziu a especificidade (68%). Embora a interpretação do SQ seja inerentemente subjetiva e possa variar entre clínicos53, suas principais vantagens são a simplicidade, a aplicação intuitiva e a facilidade de uso na prática clínica habitual.

Parâmetros de Laboratório

Vários parâmetros laboratoriais rotineiramente medidos demonstraram significado prognóstico no momento da iniciação da diálise, incluindo a taxa de filtração glomerular estimada (eGFR), albumina sérica, hemoglobina e índices de adequação da diálise, como Kt/V54,55,56. Dentre estes, a albumina sérica e a hemoglobina são marcadores facilmente disponíveis que refletem o estado nutricional, inflamatório e funcional do paciente. Em uma coorte retrospectiva de adultos mais velhos com estágios 1–4 de DRC, níveis mais baixos de albumina sérica estiveram independentemente associados a maior mortalidade por todas as causas após ajuste para idade, sexo e função renal55. De forma semelhante, a anemia no momento da iniciação da diálise emergiu como um forte preditor de mortalidade precoce, com pacientes que iniciam o tratamento com níveis de hemoglobina abaixo de 10 g/dL apresentando mortalidade substancialmente maior, apesar da correção subsequente56. Essa observação sugere que a baixa hemoglobina no início da diálise pode refletir inflamação crônica ou cuidados pré-diálise subótimos, e não apenas anemia reversível. Um valor mais alto de eGFR no momento da iniciação da diálise também tem sido associado a aumento da mortalidade precoce, apesar de parecer contraintuitivo54. Essa associação provavelmente reflete um viés de indicação, no qual pacientes com comorbidades graves ou doença aguda iniciam a diálise mais cedo, apesar de função renal relativamente preservada. Pode também refletir os efeitos da desnutrição e da redução da massa muscular.

Autor / AnoTipo de FerramentaPopulação do EstudoObjetivo / Horizonte PrognósticoPrincipais VariáveisAplicabilidade Clínica / Limitações
Schmidt et al.6Modelo de predição clínicaEstágios 4–5 de DRC (sem diálise)Mortalidade em 12 mesesPergunta da Surpresa, KPS, idadeModelo simples e validado, útil para apoiar decisões sobre início de diálise ou manejo conservador renal.
Obi et al.9Modelo de predição clínica35.878 veteranos dos EUAMortalidade em 1 ano (eGFR <15 versus ≥15 mL/min/1,73 m²)Idade, comorbidades, eGFR, albumina, câncerModelos separados com base no eGFR; coorte predominantemente masculina; não inclui fragilidade ou medidas funcionais.
Couchoud et al.15Modelo de predição clínica≥75 anos (França, REIN)Mortalidade em 3 mesesIdade, sexo, ICC, arritmia, doença vascular periférica, câncer ativo, hipoalbuminemia, dependência funcional, transtornos comportamentaisClassifica pacientes em grupos de risco baixo, intermediário e alto; amplamente aplicável a adultos mais velhos com DRGE.
Davison et al.18Modelo de predição clínicaDiálise peritonealMortalidade entre 6 e 18 mesesModelo Cohen adaptado mais Pergunta da Surpresa preenchida pela equipe de enfermagemValidado externamente em DP; superestima a mortalidade em pacientes de alto risco; destaca o papel da enfermagem e a importância da avaliação funcional.
Dusseux et al.24Modelo de predição clínicaDiálise incidente, ≥70 anos (França, REIN)Mortalidade em 3 anosIdade, sexo, diabetes, DVC, dependência, baixo IMC, cateter temporárioProjetado para identificar candidatos à indicação de transplante renal em vez do início de diálise; discriminação moderada (estatística c de 0,71), boa calibração, mas não validado externamente fora da França.
Thamer et al. 39Modelo de predição clínica≥67 anos, EUAMortalidade em 3 e 6 mesesModelos abrangente e simplificado (idade, dependência, albumina, câncer, ICC, hospitalização, residência institucional)Pontuação simplificada à beira do leito; não incorpora medidas de qualidade de vida ou preferências do paciente.
Hemmelgarn et al.40Índice de comorbidadeHD de manutençãoMortalidade geralComorbidades (ICC, câncer, linfoma, metástase)O Índice DRGE supera o CCI. O desempenho melhora ainda mais quando combinado com aprendizado de máquina (Noh et al.43; AUC 0,8357).
Santos et al.44Modelo de predição clínica≥65 anos, PortugalMortalidade em 6 meses após o início da diáliseIdade, doença arterial coronariana, acidente vascular cerebral com hemiplegia, baixa albumina, encaminhamento tardio ao nefrologistaSuperou o modelo de Couchoud; excluiu pacientes sem diálise e não incluiu avaliação de fragilidade.
Ivory et al.45Modelo de predição clínicaHD/PD incidente, ≥15 anos (ANZDATA)Mortalidade em 6 mesesDoze variáveis clínicas (idade, IMC, comorbidades, diabetes, encaminhamento tardio)Superou os modelos de Couchoud e Wagner; a aplicabilidade pode ser limitada fora da Austrália e da Nova Zelândia.
Puri et al.48Escala de fragilidade/funcionalAdultos com DRC (todos os estágios, incluindo diálise)Mortalidade e hospitalizaçãoFFP, CFS, FFP modificada, Escala FRAIL, Índice de FragilidadeFFP e CFS demonstraram o maior valor prognóstico para mortalidade e hospitalização. A FFP modificada é uma alternativa prática quando testes baseados no desempenho não são viáveis; o julgamento clínico isolado é insuficiente.
Oki et al.50Escala de fragilidade/funcionalPacientes incidentes em HD/PDMortalidade e hospitalização em 2 anosCFSAplicado retrospectivamente por enfermeiros; excluiu hospitalizações prolongadas; prático para uso clínico rotineiro.
Cohen et al.52Modelo de predição clínicaHD de manutençãoMortalidade em 6 mesesIdade, demência, doença vascular periférica, albumina, Pergunta da SurpresaCombina julgamento clínico com variáveis objetivas; demonstra forte discriminação (AUC 0,80–0,87).
Javier et al.53Ferramenta de avaliação subjetiva≥60 anos, estágios 4–5 de DRCMortalidade em 12 mesesPergunta da Surpresa (versões com três e duas categorias)Prediz mortalidade em 1 ano; exige conhecimento prévio do paciente; moderada concordância interobservadores e boa confiabilidade teste-reteste.
Sun et al.55Indicador laboratorialEstágios 1–4 de DRC (70% ≥65 anos)Mortalidade total a longo prazoAlbumina sérica, idadeCohorte retrospectiva de centro único (n = 201); útil como marcador complementar, não como preditor isolado.
Wick et al. 54Modelo de predição clínica≥65 anos no início da diáliseMortalidade em 6 mesesIdade ≥80 anos, eGFR ≥15 mL/min/1,73 m², hospitalização prévia, ICC, FA, câncerEstratifica o risco de mortalidade a curto prazo; eGFR ≥15 mL/min/1,73 m² pode refletir início precoce ou não planejado da diálise; boa discriminação (ROC 0,73).
Karaboyas et al.56Indicador laboratorialHD incidente internacional (DOPPS)Mortalidade em 1 anoHemoglobina basal, ESA e doses de ferro IVDemonstra associação em forma de U com a dosagem de ferro; maior mortalidade com hemoglobina <10 g/dL ou doses mais altas de ESA; útil como biomarcador complementar.
García-Montemayor et al.57Modelo de aprendizado de máquinaHD incidente (Espanha)Mortalidade entre 6 e 24 mesesQuinze variáveis clínicas e laboratoriais (Random Forest)Melhoria modesta em relação à regressão logística (ΔAUC 0,007–0,046); creatinina, Kt/V e hemoglobina são preditores importantes de mortalidade precoce.
Sheng et al.59Modelo de aprendizado de máquinaHD incidente (China)Mortalidade em 1 anoIdade, eGFR, PCR, hemoglobina, comorbidades (XGBoost)AUC 0,83–0,85; manteve 15 das 42 variáveis candidatas; requer validação externa em populações diversas.

Tabela 1: Ferramentas para predizer a mortalidade em pacientes com doença renal crônica avançada e doença renal em estágio terminal. Esta tabela resume ferramentas prognósticas validadas, avaliações de fragilidade, marcadores laboratoriais e modelos de aprendizado de máquina desenvolvidos para estimar a mortalidade em pacientes com doença renal crônica avançada (DRC) e doença renal em estágio terminal (DRET). Para cada estudo, a tabela descreve a população estudada, o horizonte prognóstico, as principais variáveis preditoras e considerações-chave para aplicação clínica, incluindo pontos fortes e limitações. Abreviações: AF, fibrilação atrial; AUC, área sob a curva característica de operação do receptor; BMI, índice de massa corporal; CCI, Índice de Comorbilidade de Charlson; CFS, Escala de Fragilidade Clínica; CHF, insuficiência cardíaca congestiva; CKD, doença renal crônica; CRP, proteína C-reativa; CVD, doença cardiovascular; eGFR, taxa de filtração glomerular estimada; ESA, agente estimulador da eritropoiese; ESKD, doença renal em estágio terminal; FFP, Fenótipo de Fragilidade de Fried; HD, hemodiálise; IV, intravenoso; KPS, Status de Desempenho de Karnofsky; PD, diálise peritoneal; REIN, Rede de Epidemiologia e Informação Renal; ROC, curva característica de operação do receptor; US, Estados Unidos; XGBoost, Boosting Extremo de Gradiente. Clique aqui para baixar esta Tabela.

Modelos de Aprendizado de Máquina para Predição de Mortalidade

Algoritmos de aprendizado de máquina (AM) têm sido cada vez mais aplicados na predição de mortalidade em pacientes submetidos à diálise, com diversos estudos demonstrando melhor discriminação em comparação com modelos tradicionais baseados em regressão. Garcia-Montemayor et al.57 relataram que um modelo de floresta aleatória superou a regressão logística na predição de mortalidade em 6 meses, 1 ano e 2 anos entre pacientes em hemodiálise, com uma área sob a curva da característica de operação do receptor (AUC) variando de 0,68 a 0,73 (Tabela 1). Yang et al.58 aplicaram um classificador CatBoost a pacientes em diálise peritoneal, obtendo um AUC de 0,80 e identificando idade, peso corporal e albumina sérica como os preditores mais influentes. Sheng et al.59 desenvolveram e validaram externamente um modelo de Boosting Extremo de Gradiente (XGBoost) para predizer mortalidade no primeiro ano em 97 centros renais. O modelo alcançou um AUC de 0,83–0,85, superando substancialmente o desempenho de modelos de regressão previamente publicados (Tabela 1). De forma semelhante, Koh et al.60 demonstraram que um modelo de floresta aleatória superou os escores prognósticos estabelecidos REIN e Wick em uma coorte mais idosa do Sudeste Asiático, alcançando um AUC de 0,83.

Apesar dessas descobertas promissoras, limitações importantes permanecem. A maioria dos modelos de aprendizado de máquina foi desenvolvida utilizando dados retrospectivos de coortes de centro único, com validação externa limitada e baixa interpretabilidade. Embora métodos de explicabilidade, como as Explicações Aditivas de Shapley (SHAP), tenham melhorado a transparência dos modelos, a interpretabilidade continua sendo uma barreira importante para a implementação clínica rotineira. Até o momento, nenhum ensaio prospectivo randomizado avaliou se a prognosticação guiada por aprendizado de máquina melhora os desfechos clínicos ou a qualidade da tomada compartilhada de decisões em pacientes com DRC ou DRGE, o que representa uma lacuna importante de evidências.

Barreiras para a Implementação de Ferramentas Prognósticas na Prática Clínica

Apesar da crescente disponibilidade de ferramentas prognósticas para pacientes com DRC avançada e DRS, sua integração na prática clínica rotineira permanece limitada. Pesquisas com nefrologistas canadenses mostraram que mais de 80% dependem principalmente da impressão clínica para prognóstico, enquanto cerca de 70% nunca ou raramente utilizam ferramentas formais de predição61. As barreiras relatadas incluem preocupações quanto à aplicabilidade das estimativas de risco baseadas em populações a pacientes individuais, restrições de tempo e familiaridade limitada com as ferramentas disponíveis e com as evidências que sustentam seu uso. Notavelmente, profissionais de saúde distinguiram consistentemente entre o valor das ferramentas prognósticas em nível populacional e sua aplicação a pacientes individuais, destacando um desafio que dificilmente será resolvido apenas pela validação externa62.

A aplicação prática de muitos modelos prognósticos é ainda mais limitada porque algumas publicações não fornecem um formato utilizável, como uma equação de regressão completa ou um escore de risco, dificultando a aplicação clínica rotineira63. Além disso, apenas 26,7% dos modelos publicados passaram por validação externa, e estudos formais de impacto que avaliam se ferramentas prognósticas melhoram a tomada compartilhada de decisões ou os desfechos dos pacientes ainda são incomuns63. A adoção na prática clínica de ferramentas prognósticas em nefrologia permanece, portanto, baixa, o que pode refletir confiança limitada por parte dos clínicos, falta de experiência e incerteza quanto à sua utilidade clínica na melhoria dos desfechos dos pacientes64.

Abordar essa lacuna na implementação exigirá esforços além do desenvolvimento e validação de novos modelos prognósticos. A integração de ferramentas prognósticas nos registros eletrônicos de saúde pode reduzir barreiras relacionadas ao tempo, acessibilidade e fluxo de trabalho que os clínicos frequentemente identificam62. Além disso, treinar nefrologistas para comunicar eficazmente informações de risco probabilísticas durante conversas sobre doenças graves, em vez de simplesmente apresentar estimativas numéricas, pode ser tão importante quanto aprimorar ainda mais a precisão do modelo62,65.

Limitações

Várias limitações da literatura existente merecem reconhecimento. A maioria dos modelos prognósticos9,26,39,45,55,66 foi desenvolvida utilizando coortes geograficamente restritas, e sua generalização para outros contextos de saúde permanece incerta. Embora algumas ferramentas tenham sido desenvolvidas especificamente para adultos mais velhos, muitos modelos validados incluem populações mais jovens em diálise, e ferramentas prognósticas dedicadas a idosos frágeis ainda são limitadas. A literatura atual também é fortemente voltada para coortes de hemodiálise, enquanto modelos prognósticos validados para pacientes em diálise peritoneal permanecem escassos, sendo o trabalho de Davison et al.18 um dos poucos exemplos disponíveis. Modelos de aprendizado de máquina, embora promissores, ainda não foram avaliados em ensaios clínicos prospectivos, e nenhuma ferramenta prognóstica atualmente disponível demonstrou, em um estudo randomizado, que seu uso melhora a qualidade da tomada de decisões compartilhada ou os desfechos dos pacientes.

Pesquisas futuras devem priorizar o desenvolvimento e a validação externa de modelos prognósticos em populações diversas e modalidades de diálise, a avaliação prospectiva do cuidado orientado pelo prognóstico e a integração das preferências relatadas pelos pacientes nos quadros clínicos de avaliação de risco.

Conclusões

A prognosticação é um componente importante da tomada compartilhada de decisões. Os nefrologistas devem fornecer informações prognósticas com precisão e de maneira centrada na pessoa, a fim de alinhar os tratamentos propostos aos valores e preferências dos pacientes. Ferramentas prognósticas, incluindo modelos de predição de risco, podem auxiliar os nefrologistas a fornecer avaliações de risco mais detalhadas. Essas ferramentas podem facilitar a identificação precoce de indivíduos que poderiam se beneficiar de uma avaliação geriátrica abrangente, planejamento antecipado de cuidados ou, em casos selecionados, alternativas terapêuticas menos invasivas ou cuidados paliativos26. Por outro lado, podem ajudar a identificar pacientes com prognósticos favoráveis que poderiam se beneficiar de um planejamento proativo de acesso vascular ou de avaliação para transplante. As ferramentas prognósticas disponíveis variam desde avaliações subjetivas rápidas, como a Pergunta da Surpresa, até modelos multivariáveis complexos. No entanto, esses modelos podem não ser aplicáveis a todas as populações e devem ser usados apenas em contextos clínicos apropriados. Os profissionais de saúde devem, portanto, adotar uma abordagem multimodal que combine parâmetros laboratoriais, condições comórbidas, escalas de avaliação funcional e julgamento clínico para elaborar estimativas prognósticas que não sejam excessivamente redutivas. Modelos desenvolvidos por Cohen et al.52, Schmidt et al.6 e Couchoud et al.26 (Tabela 1) podem ser particularmente úteis, pois existem calculadoras de risco publicadas que podem ser aplicadas rapidamente na prática clínica. Os modelos desenvolvidos por Cohen et al.52 e Schmidt et al.6 combinam julgamento clínico com parâmetros objetivos, permitindo uma avaliação mais holística. A forma como a informação prognóstica é comunicada é igualmente importante. As informações devem ser apresentadas em uma linguagem acessível aos pacientes, com sensibilidade em relação à sua disposição para discutir a mortalidade. As estimativas prognósticas devem orientar as conversas e contextualizar os potenciais benefícios e limitações do tratamento; os clínicos devem evitar apresentar estimativas absolutas de risco sem uma explicação adequada. Estruturas de comunicação estruturadas, como a ferramenta Melhor Caso/Pior Caso, utilizam planejamento por cenários e auxílios gráficos para descrever os resultados melhores, mais prováveis e piores de cada opção terapêutica. Essas abordagens podem ajudar os nefrologistas a ir além de estimativas estatísticas isoladas e apoiar os pacientes e suas famílias na tomada de decisões terapêuticas que reflitam seus objetivos e valores16,67. Trabalhos futuros devem focar na validação de ferramentas prognósticas em populações diversas e na avaliação de se seu uso melhora a tomada compartilhada de decisões e os desfechos centrados no paciente.

Divulgações

Os autores declaram não haver interesses financeiros concorrentes ou conflitos de interesse. Além disso, os autores utilizaram uma ferramenta de geração de imagens da OpenAI para criar a versão inicial da Figura 1. A figura foi posteriormente revisada, modificada e aprovada pelos autores, que assumem total responsabilidade pelo seu conteúdo científico e precisão clínica.

Referências

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. Merchant AA, Ling E. An approach to treating older adults with chronic kidney disease. CMAJ. 2023;195:E612-8. doi:10.1503/cmaj.221427.
  8. 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.
  9. 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.
  10. 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.
  11. 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.
  12. 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.
  13. 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.
  14. 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.
  15. 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.
  16. 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.
  17. 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.
  18. 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.
  19. 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.
  20. 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.
  21. 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.
  22. 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.
  23. 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.
  24. 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.
  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.
  26. 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.
  27. 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.
  28. 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.
  29. 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.
  30. 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.
  31. 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.
  32. 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.
  33. Pereira M, et al. Dependency and frailty in the older haemodialysis patient. BMC Geriatr. 2024;24:416. doi:10.1186/s12877-024-04973-8.
  34. 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.
  35. 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.
  36. 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.
  37. 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.
  38. 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.
  39. 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.
  40. 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.
  41. 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.
  42. 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.
  43. 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.
  44. 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.
  45. 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.
  46. 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.
  47. 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.
  48. 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.
  49. 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.
  50. 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.
  51. 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.
  52. 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.
  53. 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.
  54. 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.
  55. 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.
  56. 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.
  57. 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.
  58. 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.
  59. 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.
  60. 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.
  61. 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.
  62. 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.
  63. 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.
  64. 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.
  65. 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.
  66. 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.
  67. 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.

Reimpressões e permissões

Etiquetas

Avalia o Progn sticaFerramentas Progn sticasndice de Comorbidade de CharlsonPergunta SurpresaModelos de Predi o Multivari velPredi o por Aprendizado de M quinaEstado FuncionalPlanejamento Antecipado de CuidadosTomada de Decis o Compartilhada
Fale conosco
Recomendar à biblioteca

Privacidade

Termos de Uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.