{"id":69043,"date":"2026-04-28T09:38:29","date_gmt":"2026-04-28T15:38:29","guid":{"rendered":"https:\/\/saluddigital.com\/?p=69043"},"modified":"2026-04-28T10:20:49","modified_gmt":"2026-04-28T16:20:49","slug":"modelo-de-ia-predice-con-precision-si-un-donante-de-organos-fallecera-dentro-de-la-ventana-critica-para-el-trasplante","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/modelo-de-ia-predice-con-precision-si-un-donante-de-organos-fallecera-dentro-de-la-ventana-critica-para-el-trasplante\/","title":{"rendered":"Modelo de IA predice con precisi\u00f3n si un donante de \u00f3rganos fallecer\u00e1 dentro de la ventana cr\u00edtica para el trasplante"},"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

El sistema, entrenado con datos de m\u00e1s de 4 mil 400 donantes potenciales, alcanza una precisi\u00f3n del 89% para predecir el fallecimiento en dos horas, lo que podr\u00eda reducir los traslados fallidos de equipos de procuraci\u00f3n que hoy ocurren casi en la mitad de los casos.<\/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

La escasez de \u00f3rganos para trasplante es uno de los problemas m\u00e1s 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 fallecer\u00e1n dentro del tiempo necesario para que sus \u00f3rganos sean viables. Investigadores de UCLA Health desarrollaron un modelo de aprendizaje autom\u00e1tico que aborda precisamente ese problema, con resultados publicados en el Journal of Heart and Lung Transplantation<\/em><\/a> y presentados como abstract destacado en la sesi\u00f3n plenaria de la mayor reuni\u00f3n internacional de trasplante card\u00edaco y pulmonar.<\/p>

El estudio se centra en los llamados donantes tras muerte circulatoria, una categor\u00eda que ha crecido de manera significativa ante la insuficiencia hist\u00f3rica de \u00f3rganos provenientes de donantes en muerte cerebral. Este tipo de donantes, que no tienen posibilidad de recuperaci\u00f3n neurol\u00f3gica pero cuyo coraz\u00f3n contin\u00faa latiendo, representan actualmente alrededor de la mitad de todos los donantes de \u00f3rganos en Estados Unidos. El problema central de esta modalidad radica en que, una vez que se retira el soporte vital, el coraz\u00f3n 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 \u00f3rganos no pueden utilizarse.<\/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

Sin herramientas confiables para anticipar ese desenlace, los equipos de trasplante viajan con frecuencia a procurar \u00f3rganos para regresar con las manos vac\u00edas, en una situaci\u00f3n que genera estr\u00e9s emocional para los receptores y sus familias, adem\u00e1s de un costo elevado para el sistema de salud. Seg\u00fan los autores del estudio, eso ocurre en casi la mitad de los casos actuales.<\/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

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 procuraci\u00f3n de \u00f3rganos de Estados Unidos, combinando hasta 61 variables cl\u00ednicas que incluyen historia m\u00e9dica, funci\u00f3n neurol\u00f3gica, estado respiratorio y valores de laboratorio. Utilizaron un algoritmo de aprendizaje autom\u00e1tico, XGBoost<\/a>, conocido por su capacidad para identificar relaciones no lineales en conjuntos de datos complejos. Los modelos de regresi\u00f3n convencional ofrecieron resultados modestos, mientras que el modelo de aprendizaje autom\u00e1tico con mayor n\u00famero de variables alcanz\u00f3 un \u00e1rea 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 m\u00e1s relevantes para ambas predicciones figuraron la presencia de tos final, la oferta pulmonar, el pH en gasometr\u00eda arterial y el nivel de plaquetas en sangre.<\/p>

\u201cCon el aprendizaje autom\u00e1tico podemos capturar mejor lo que realmente ocurre en el cuerpo en esos momentos finales\u201d, se\u00f1al\u00f3 el Dr. Abbas Ardehali, director de los programas de trasplante de coraz\u00f3n, pulm\u00f3n y coraz\u00f3n-pulm\u00f3n de UCLA y autor principal del estudio. \u201cAunque se necesitan m\u00e1s pruebas, este enfoque podr\u00eda ayudar a evitar intentos innecesarios de recuperaci\u00f3n de \u00f3rganos, usar los recursos de manera m\u00e1s eficiente y, en \u00faltima instancia, ayudar a que m\u00e1s pacientes reciban trasplantes que salvan vidas\u201d.<\/p>

El Dr. Ardehali tambi\u00e9n describi\u00f3 el alcance del problema que este modelo busca resolver. \u201cEsto aborda el desaf\u00edo del ‘tal\u00f3n de Aquiles’ del trasplante tor\u00e1cico, que consiste en determinar qu\u00e9 casos de donantes vale la pena seguir para la procuraci\u00f3n\u201d, indic\u00f3.<\/p>

Los autores reconocen que el modelo requiere validaci\u00f3n adicional en cohortes externas antes de su implementaci\u00f3n cl\u00ednica generalizada, pero consideran que su capacidad para capturar la complejidad fisiol\u00f3gica del proceso de muerte representa un avance significativo respecto a los modelos previos, que se construyeron con grupos de pacientes m\u00e1s peque\u00f1os, menos indicadores cl\u00ednicos y bases de datos m\u00e1s limitadas.<\/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

JOURNAL OF HEART AND LUNG TRANSPLANTATION <\/strong><\/p>

https:\/\/www.jhltonline.org\/article\/S1053-2498(26)01840-1\/abstract<\/a><\/p>

UCLA<\/strong><\/p>

https:\/\/www.uclahealth.org\/news\/release\/new-ai-model-can-help-predict-expiration-donor-organs<\/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 de IA predice con precisi\u00f3n si un donante de \u00f3rganos fallecer\u00e1 dentro de la ventana cr\u00edtica para el trasplante <\/p>","protected":false},"author":1,"featured_media":69046,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-69043","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\/69043","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=69043"}],"version-history":[{"count":5,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/69043\/revisions"}],"predecessor-version":[{"id":69050,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/69043\/revisions\/69050"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/69046"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=69043"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=69043"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=69043"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}