Esta IA reduce hasta en 60% la pérdida de órganos en trasplantes de hígado

En el panorama actual, el número de trasplantes de hígado realizados aumenta año con año, aunque persiste una considerable brecha entre la demanda y la oferta de órganos. La donación tras muerte circulatoria (DCD), que consiste en obtener los órganos de un paciente que fallece después de la parada irreversible del corazón y la respiración, se ha convertido en una práctica cada vez más frecuente para atender la creciente demanda. Sin embargo, cerca de la mitad de los casos DCD no llegan al receptor, ya que el donante no muere dentro del periodo necesario para que el órgano permanezca viable.

Esto ocurre porque, para conservar la calidad del hígado, no pueden pasar de 30 a 45 minutos entre la retirada del soporte vital y el fallecimiento, pues un periodo mayor eleva el riesgo de complicaciones secundarias para quien recibirá el trasplante hepático.

Con el fin de enfrentar este desafío, investigadores de la Universidad de Stanford desarrollaron un modelo de aprendizaje automático capaz de estimar la probabilidad de que el donante fallezca durante el intervalo requerido para mantener la viabilidad del órgano.

El sistema obtuvo resultados sobresalientes. De acuerdo con sus creadores, superó el criterio quirúrgico tradicional y redujo en un 60% la tasa de extracciones infructuosas, aquellas en las que se inicia la preparación para el trasplante, pero el deceso ocurre demasiado tarde, por lo que no se mantiene la idoneidad del órgano para la donación.

Kazunari Sasaki, profesor clínico de trasplante abdominal en Stanford y autor principal del estudio, afirmó que “al identificar cuándo un órgano puede ser útil antes de comenzar los preparativos para la cirugía, este modelo podría hacer que el proceso de trasplante sea más eficiente. También tiene el potencial de permitir que más personas que necesitan un trasplante puedan recibirlo”.

La herramienta fue desarrollada con Light Gradient Boosting Machine (LightGBM), un framework de código abierto de gradient boosting creado por Microsoft. Para su entrenamiento se utilizaron datos de 2,221 donantes DCD provenientes de seis centros de trasplantes en Estados Unidos. La base inicial incluyó información clínica de 1,616 donantes con parámetros neurológicos, bioquímicos, respiratorios y circulatorios.

Más trasplantes exitosos gracias a la IA

El sistema se validó en dos etapas. La primera consistió en una revisión retrospectiva con los datos recopilados entre julio y agosto de 2023, correspondientes a 398 donantes cuyo desenlace ya se conocía y que no fueron incluidos en el entrenamiento. La segunda validación fue prospectiva, utilizando información en tiempo real de 207 donantes registrada entre marzo y septiembre de 2024. Para evaluar su desempeño, el modelo se comparó con dos herramientas de predicción de riesgo existentes y con las estimaciones de cirujanos especializados.

Los resultados, publicados en la revista Lancet Digital Health, mostraron que el modelo anticipa con precisión el momento del fallecimiento en el 75% de los casos, superando tanto a las herramientas vigentes como al criterio promedio de los cirujanos, quienes acertaron en el 65%. El algoritmo también demostró ser capaz de ofrecer predicciones fiables aun sin contar con todos los elementos del historial clínico.

Una de sus ventajas más relevantes es la posibilidad de personalizarlo según las necesidades de cada centro médico. “El modelo puede configurarse para calcular el momento del fallecimiento a partir de la retirada del soporte vital o del inicio de la respiración agónica, un patrón jadeante que suele presentarse en la agonía”, detallan los autores.

Sasaki subraya que el uso del sistema podría disminuir la carga financiera y operativa en los trasplantes. Reconoce que aún existen áreas de mejora para perfeccionar la precisión, pero confía en su capacidad para evitar la pérdida de órganos donados.

“El número de trasplantes de hígado sigue creciendo gracias a la donación tras muerte circulatoria, y la lista de espera se está reduciendo. En el futuro, [con herramientas como esta] podría lograrse que todas las personas que necesiten un trasplante reciban un órgano de un donante fallecido”, señaló el especialista, cuyo equipo ya desarrolla adaptaciones del modelo para aplicarlo en trasplantes de corazón y pulmón.