{"id":65646,"date":"2025-12-09T09:34:42","date_gmt":"2025-12-09T15:34:42","guid":{"rendered":"https:\/\/saluddigital.com\/?p=65646"},"modified":"2025-12-09T09:38:34","modified_gmt":"2025-12-09T15:38:34","slug":"desarrollan-modelo-hibrido-de-machine-learning-para-predecir-riesgos-a-largo-plazo-tras-un-trasplante-de-pulmon","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/desarrollan-modelo-hibrido-de-machine-learning-para-predecir-riesgos-a-largo-plazo-tras-un-trasplante-de-pulmon\/","title":{"rendered":"Desarrollan modelo h\u00edbrido de machine learning para predecir riesgos a largo plazo tras un trasplante de pulm\u00f3n"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Un sistema interpretable ayuda a estimar la probabilidad de muerte o retransplante hasta 10 a\u00f1os despu\u00e9s de la cirug\u00eda.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

A study published in JAMA Network Open<\/em><\/a> present\u00f3 un nuevo modelo predictivo que combina t\u00e9cnicas de aprendizaje autom\u00e1tico o machine learning<\/em> con m\u00e9todos estad\u00edsticos tradicionales para estimar la supervivencia de pacientes que reciben un trasplante de pulm\u00f3n. La herramienta \u00a0de inteligencia artificial (IA) busca ofrecer a los equipos m\u00e9dicos un recurso simple, transparente y \u00fatil para anticipar riesgos a 1, 5 y 10 a\u00f1os despu\u00e9s del procedimiento, un aspecto crucial dado que los desenlaces a largo plazo suelen ser muy variables y dif\u00edciles de pronosticar.<\/p>

La investigaci\u00f3n analiz\u00f3 informaci\u00f3n de 51,933 adultos trasplantados entre 1987 y 2025 en Estados Unidos, utilizando la base de datos nacional del sistema de procuraci\u00f3n y trasplantes. Los autores emplearon un enfoque h\u00edbrido que primero identifica, mediante algoritmos de machine learning<\/em>, los factores m\u00e1s relevantes asociados con la evoluci\u00f3n del paciente; despu\u00e9s, integra esos hallazgos en un modelo estad\u00edstico interpretable que asigna puntajes seg\u00fan el nivel de riesgo.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Este proceso permiti\u00f3 seleccionar solo nueve predictores clave, entre ellos la edad del receptor, la duraci\u00f3n de la hospitalizaci\u00f3n tras la cirug\u00eda, si el trasplante fue unilateral o doble, la necesidad de ventilaci\u00f3n prolongada, antecedentes de cirug\u00eda cardiaca, niveles de creatinina y bilirrubina, el estado funcional del paciente y la edad del donante.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Los resultados muestran que el modelo ofrece un desempe\u00f1o moderado para discriminar entre pacientes con mayor o menor riesgo<\/strong>, pero con una calibraci\u00f3n s\u00f3lida que refleja una buena correspondencia entre lo predicho y lo observado<\/strong>. Adem\u00e1s, mantuvo resultados consistentes en distintas regiones del pa\u00eds y en grupos de edad variados, lo que refuerza su utilidad potencial en escenarios cl\u00ednicos heterog\u00e9neos. Seg\u00fan los autores, el equilibrio entre simplicidad, interpretabilidad y precisi\u00f3n<\/strong> hace que esta herramienta sea m\u00e1s accesible que otros sistemas basados exclusivamente en inteligencia artificial, los cuales, aunque m\u00e1s complejos, suelen ser menos transparentes para m\u00e9dicos y pacientes.<\/p>

Finalmente, el equipo desarroll\u00f3 un calculador en l\u00ednea que permite estimar de manera individualizada la probabilidad de muerte o necesidad de un nuevo trasplante en distintos horizontes temporales. Con ello, el estudio propone un recurso que podr\u00eda integrarse en la pr\u00e1ctica cl\u00ednica para mejorar la toma de decisiones, planificar la atenci\u00f3n de seguimiento y apoyar conversaciones m\u00e1s informadas con los pacientes sobre su pron\u00f3stico despu\u00e9s de un trasplante pulmonar.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

JAMA NETWORK<\/strong><\/p>

https:\/\/jamanetwork.com\/journals\/jamanetworkopen\/fullarticle\/2841822<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

modelo h\u00edbrido de machine learning para predecir riesgos a largo plazo tras un trasplante de pulm\u00f3n<\/p>","protected":false},"author":1,"featured_media":65647,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-65646","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/65646","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=65646"}],"version-history":[{"count":7,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/65646\/revisions"}],"predecessor-version":[{"id":65657,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/65646\/revisions\/65657"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/65647"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=65646"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=65646"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=65646"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}