Un modelo de machine learning desarrollado en Stanford Medicine fue capaz de reducir el número de trasplantes de hígado fallidos.
Un equipo de especialistas en trasplantes y ciencia de datos de Stanford desarrolló un modelo de artificial intelligence (AI) capaz de predecir con mayor precisión si un potencial donador después de muerte circulatoria (DCD, en inglés) fallecerá dentro del tiempo necesario para que sus órganos puedan ser utilizados. Este avance, publicado en The Lancet Digital Health, podría disminuir de forma importante las llamadas “procuraciones fútiles”, procedimientos que se inician pero deben cancelarse porque el donador no fallece a tiempo para preservar la calidad del órgano.
En Estados Unidos, los trasplantes de hígado dependen cada vez más de donadores DCD. Sin embargo, cerca de la mitad de estos intentos no se realizan, principalmente porque el donador no progresa a la muerte dentro del límite de 30 a 60 minutos después de retirar el soporte vital. Cuando eso ocurre, los equipos médicos ya han movilizado personal, quirófanos, transporte e incluso costosos equipos de preservación sin lograr recuperar el órgano.
“Al identificar cuándo es probable que un órgano sea útil antes de que se hayan iniciado los preparativos para la cirugía, este modelo podría hacer que el proceso de trasplante fuera más eficiente”, afirmó el Dr. Kazunari Sasaki, profesor clínico de trasplantes abdominales y autor principal del estudio. “También tiene el potencial de permitir que más candidatos que necesitan un trasplante de órgano puedan recibirlo”, agregó.
Además del impacto financiero, cada procedimiento fallido implica tiempo perdido para equipos médicos y un retraso en la atención de pacientes que esperan un trasplante. En este sentido, el estudio analizó datos de 2,221 donadores DCD en seis centros de trasplantes en Estados Unidos. Con esta información se entrenó un modelo basado en LightGBM, un algorithm of machine learning or machine learning, que utiliza múltiples variables clínicas, como: reflejos neurológicos (pupilar, corneal, tos, motor, etc.); parámetros respiratorios y circulatorios; resultados de laboratorio; historial de paro cardíaco; y condición al momento de retirar la ventilación.
The AI calcula la probabilidad de que el donador fallezca en 30, 45 o 60 minutos después de la extubación, o a partir del inicio de la “fase agónica”, que se define por niveles críticos de oxigenación o presión arterial.
El modelo mostró un desempeño superior al de herramientas previas y al juicio clínico humano, con un aérea bajo la curva (AUC) de hasta 0.83, un indicador alto en predicción clínica, según el estudio. Asimismo, los resultados mostraron una reducción del 60% en procuraciones fútiles, comparado con las decisiones tomadas solo por cirujanos, así como una mayor precisión en casos difíciles, especialmente cuando los cirujanos no estaban de acuerdo entre sí.
El modelo también tiene la capacidad de funcionar incluso con datos incompletos, algo común en entornos hospitalarios. Además, el estudio incluyó validaciones retrospectivas y prospectivas, lo que demuestra la consistencia del modelo en escenarios reales.
Entre los posibles beneficios de la aplicación de la AI, destacan no solo menores gastos y carga de trabajo, sino también un mejor uso de los órganos disponibles, aumentando las oportunidades de trasplante; de igual forma impulsa la estandarización, ya que reduce la dependencia exclusiva del juicio individual del cirujano.
Los autores señalan que la herramienta puede ajustarse según los criterios de cada centro, y que futuras versiones podrían integrar datos automatizados, como historiales completos y señales en tiempo real.
“Ahora estamos trabajando para reducir la tasa de oportunidades perdidas, ya que lo mejor para los pacientes es que aquellos que necesitan un trasplante lo reciban”, explicó el Dr. Sasaki. “Seguimos perfeccionando el modelo mediante la competencia entre los algoritmos de machine learning disponibles, y recientemente hemos encontrado un algorithm que alcanza la misma precisión en la predicción del momento de la muerte, pero con una tasa de oportunidades perdidas de alrededor del 10 %”, finalizó.
