Stanford utiliza inteligencia artificial para predecir la mortalidad de donantes y mejorar

MADRID, 14 Nov. (EUROPA PRESS) – Investigadores de Stanford Medicine, en Estados Unidos, han liderado el desarrollo de un modelo basado en aprendizaje automático que predice la probabilidad de que un donante fallezca durante el periodo en que sus órganos son viables para el trasplante.

El modelo ha superado los criterios quirúrgicos tradicionales y ha logrado reducir en un 60 % la tasa de extracciones infructuosas. Estas extracciones se producen cuando se inician los preparativos para el trasplante, pero el fallecimiento ocurre demasiado tarde. Este trabajo fue publicado en la revista ‘Lancet Digital Health’.

Actualmente, hay más candidatos en la lista de espera para un trasplante de hígado que órganos disponibles. Sin embargo, aproximadamente la mitad de las veces que se encuentra un donante compatible que fallece tras un paro cardíaco y después de la retirada del soporte vital, el trasplante debe ser cancelado.

Importancia del Tiempo en la Donación

Para este tipo de donación de órganos, conocida como donación después de la muerte circulatoria, el tiempo entre la retirada del soporte vital y la muerte no debe exceder de 30 a 45 minutos. De lo contrario, los cirujanos a menudo rechazarán el hígado debido al mayor riesgo de complicaciones para el receptor.

«Al identificar cuándo un órgano puede ser útil antes de que comiencen los preparativos para la cirugía, este modelo podría hacer que el proceso de trasplante sea más eficiente», expone Kazunari Sasaki, profesor clínico de trasplante abdominal en la Universidad de Stanford y autor principal del estudio. «También tiene el potencial de permitir que más personas que necesitan un trasplante de órgano lo reciban.»

Mejoras en el Trasplante Hepático

Para los pacientes con enfermedad hepática terminal, que implica un daño grave e irreversible al órgano, la mejor opción de tratamiento es el trasplante. El número de personas que necesitan un hígado supera al de donantes, pero esta brecha comienza a reducirse gracias a los dispositivos que realizan la perfusión normotérmica. Esta técnica mantiene los órganos a la temperatura ideal y con un suministro adecuado de oxígeno durante el traslado del donante al receptor. Estos dispositivos han permitido que los órganos procedentes de donaciones tras la muerte circulatoria se utilicen para trasplantes.

Aun cuando la mayoría de las donaciones de hígado provienen de donantes que sufrieron muerte cerebral, el número de donaciones después de la muerte circulatoria está aumentando. «El número de trasplantes de hígado sigue aumentando gracias a esta modalidad de donación, y la lista de espera se está reduciendo. En el futuro, podría ser posible que todas las personas que necesiten un trasplante de hígado lo reciban de un donante fallecido», comenta Sasaki.

Desafíos en la Donación

Un tercer tipo de trasplante de hígado es la donación en vida, que implica extraer parte del hígado de una persona sana para trasplantarlo. Esto es viable gracias a la capacidad de regeneración del hígado, pero toda cirugía mayor conlleva riesgos para el donante sano.

Además, el tiempo es un desafío clave en la donación después de la muerte circulatoria. Mientras el donante agoniza, el riego sanguíneo a los órganos puede variar e incluso interrumpirse completamente, lo que provoca daño hepático. Si el fallecimiento del donante ocurre más de 30 minutos después de que el flujo sanguíneo a los órganos comience a disminuir, es probable que el hígado no sea apto para el trasplante.

Aproximadamente la mitad de los posibles donantes fallecen en los primeros 30 minutos tras la retirada del soporte vital. Sin embargo, cuando el fallecimiento se produce más tarde, entre 30 y 60 minutos después, los cirujanos determinan, según su criterio, qué donantes son los mejores candidatos, considerando signos vitales, análisis de sangre y otros datos clínicos. Aun así, cerca de la mitad de los trasplantes deben cancelarse porque el fallecimiento se produce demasiado tarde.

Desarrollo del Modelo Predictivo

Para predecir el momento del fallecimiento, el modelo utiliza información clínica del donante, como sexo, edad, índice de masa corporal, presión arterial y frecuencia cardíaca, entre otros datos. Incluye también la configuración del respirador y las evaluaciones neurológicas del paciente.

El equipo de investigación comparó varios algoritmos de aprendizaje automático y encontró el que mejor predecía el momento del fallecimiento. Este algoritmo resultó más preciso que los cirujanos y otras herramientas informáticas disponibles al momento de predecir si la muerte del donante se produciría dentro del plazo aceptable para un trasplante exitoso. El modelo se entrenó y validó con más de 2.000 casos reales procedentes de seis centros de trasplantes en Estados Unidos.

El modelo logra predecir con precisión el momento del fallecimiento del donante en el 75 % de los casos, superando tanto a las herramientas existentes como al criterio promedio de los cirujanos, quienes lograron aciertos del 65 %. Además, el modelo realiza predicciones precisas incluso con información clínica incompleta.

Posibilidades Futuras

El equipo diseñó el modelo para que sea personalizable, adaptándose a las preferencias de distintos cirujanos y procedimientos hospitalarios. Por ejemplo, puede configurarse para hacer cálculos del momento del fallecimiento a partir de la retirada del soporte vital o el inicio de la respiración agónica.

En ocasiones, la muerte ocurre inesperadamente dentro del plazo en que los órganos son viables para trasplante, pero dado que los preparativos deben comenzar antes del fallecimiento del donante, estos casos no resultan en un trasplante exitoso. La tasa de oportunidades perdidas fue similar tanto para el modelo como para el criterio del cirujano, ambos superando ligeramente el 15 %.

Con el rápido avance de la inteligencia artificial, los investigadores esperan que la precisión del modelo para predecir el momento de la muerte mejore, permitiendo detectar más oportunidades perdidas. «Estamos trabajando para reducir la tasa de trasplantes perdidos, ya que lo mejor para los pacientes es que quienes los necesitan los reciban», indica Sasaki. «Continuamos perfeccionando el modelo mediante comparaciones entre algoritmos de aprendizaje automático, y recientemente encontramos un algoritmo que tiene la misma precisión al predecir el momento del fallecimiento, pero con una tasa de trasplantes perdidos de aproximadamente el 10 %».

El equipo de investigación también está trabajando en variaciones del modelo para su uso en trasplantes de corazón y pulmón.