El sistema, entrenado con datos de más de 4 mil 400 donantes potenciales, alcanza una precisión del 89% para predecir el fallecimiento en dos horas, lo que podría reducir los traslados fallidos de equipos de procuración que hoy ocurren casi en la mitad de los casos.
La escasez de órganos para trasplante es uno de los problemas más persistentes de la medicina moderna, y una parte significativa de esa escasez no se debe a la falta de donantes potenciales, sino a la imposibilidad de predecir con certeza si esos donantes fallecerán dentro del tiempo necesario para que sus órganos sean viables. Investigadores de UCLA Health desarrollaron un modelo de machine learning que aborda precisamente ese problema, con resultados publicados en el Journal of Heart and Lung Transplantation y presentados como abstract destacado en la sesión plenaria de la mayor reunión internacional de trasplante cardíaco y pulmonar.
El estudio se centra en los llamados donantes tras muerte circulatoria, una categoría que ha crecido de manera significativa ante la insuficiencia histórica de órganos provenientes de donantes en muerte cerebral. Este tipo de donantes, que no tienen posibilidad de recuperación neurológica pero cuyo corazón continúa latiendo, representan actualmente alrededor de la mitad de todos los donantes de órganos en Estados Unidos. El problema central de esta modalidad radica en que, una vez que se retira el soporte vital, el corazón debe detenerse en un plazo de aproximadamente 30 minutos para que pueda trasplantarse, mientras que para los pulmones la ventana es de hasta dos horas. Cuando esos tiempos se superan, los órganos no pueden utilizarse.
Sin herramientas confiables para anticipar ese desenlace, los equipos de trasplante viajan con frecuencia a procurar órganos para regresar con las manos vacías, en una situación que genera estrés emocional para los receptores y sus familias, además de un costo elevado para el sistema de salud. Según los autores del estudio, eso ocurre en casi la mitad de los casos actuales.
Para desarrollar el modelo, los investigadores analizaron de forma retrospectiva datos de 4,464 donantes potenciales registrados entre 2014 y 2025 en tres organizaciones de procuración de órganos de Estados Unidos, combinando hasta 61 variables clínicas que incluyen historia médica, función neurológica, estado respiratorio y valores de laboratorio. Utilizaron un algorithm of machine learning, XGBoost, conocido por su capacidad para identificar relaciones no lineales en conjuntos de datos complejos. Los modelos de regresión convencional ofrecieron resultados modestos, mientras que el modelo de machine learning con mayor número de variables alcanzó un área bajo la curva ROC de 76% para predecir el fallecimiento a los 30 minutos y de 89% para la ventana de dos horas. Entre las variables más relevantes para ambas predicciones figuraron la presencia de tos final, la oferta pulmonar, el pH en gasometría arterial y el nivel de plaquetas en sangre.
“Con el machine learning podemos capturar mejor lo que realmente ocurre en el cuerpo en esos momentos finales”, señaló el Dr. Abbas Ardehali, director de los programas de trasplante de corazón, pulmón y corazón-pulmón de UCLA y autor principal del estudio. “Aunque se necesitan más pruebas, este enfoque podría ayudar a evitar intentos innecesarios de recuperación de órganos, usar los recursos de manera más eficiente y, en última instancia, ayudar a que más pacientes reciban trasplantes que salvan vidas”.
El Dr. Ardehali también describió el alcance del problema que este modelo busca resolver. “Esto aborda el desafío del ‘talón de Aquiles’ del trasplante torácico, que consiste en determinar qué casos de donantes vale la pena seguir para la procuración”, indicó.
Los autores reconocen que el modelo requiere validación adicional en cohortes externas antes de su implementación clínica generalizada, pero consideran que su capacidad para capturar la complejidad fisiológica del proceso de muerte representa un avance significativo respecto a los modelos previos, que se construyeron con grupos de pacientes más pequeños, menos indicadores clínicos y bases de datos más limitadas.
JOURNAL OF HEART AND LUNG TRANSPLANTATION
https://www.jhltonline.org/article/S1053-2498(26)01840-1/abstract
UCLA
https://www.uclahealth.org/news/release/new-ai-model-can-help-predict-expiration-donor-organs
