Abordaje de la escasez de órganos
El trasplante de hígado representa la intervención terapéutica más efectiva para personas que sufren enfermedad hepática en etapa terminal, una condición caracterizada por el deterioro severo e irreversible de la función hepática. Actualmente, la demanda de hígados disponibles supera sustancialmente la oferta de donantes. Sin embargo, esta disparidad ha comenzado a reducirse en años recientes gracias al avance de la tecnología de perfusión normotérmica de máquinas. Esta técnica especializada mantiene los órganos a temperaturas fisiológicamente apropiadas mientras asegura una oxigenación adecuada durante el transporte de donante a receptor. Tales innovaciones tecnológicas han expandido el grupo de donantes al permitir la utilización de órganos de personas que experimentan muerte circulatoria en lugar de muerte cerebral.
El uso expandido de donación después de muerte circulatoria ha contribuido a un número creciente de procedimientos de trasplante de hígado realizados anualmente, junto con una reducción gradual en las listas de espera para trasplante. Las proyecciones sugieren que el crecimiento continuo en esta categoría de donación puede eventualmente eliminar la brecha entre disponibilidad de órganos y necesidad de pacientes, permitiendo que los trasplantes de donante fallecido satisfagan los requisitos para todos los receptores potenciales.
Una tercera vía de trasplantación implica donación de vivo, donde una porción del hígado de una persona sana se extirpa quirúrgicamente para trasplante. Este enfoque es viable porque el tejido hepático posee capacidad regenerativa. Sin embargo, extraer tejido hepático de donantes vivos conlleva riesgos quirúrgicos inherentes que no pueden eliminarse completamente.
Las complicaciones dependientes del tiempo
Un obstáculo sustancial en la donación después de muerte circulatoria implica restricciones temporales. Durante el proceso de fallecimiento, la circulación sanguínea a varios órganos se vuelve inconsistente y puede cesar completamente, causando potencialmente lesión hepática. El hígado contiene un extenso sistema de conductos responsable de entregar bilis—un fluido digestivo—a la vesícula biliar e intestino delgado. Intervalos prolongados entre el cese del apoyo circulatorio y la muerte real se correlacionan con disfunción ductal y complicaciones graves post-trasplante. Cuando la muerte ocurre más de 30 minutos después de iniciarse el flujo sanguíneo reducido, el tejido hepático frecuentemente se vuelve inadecuado para fines de trasplante.
Aproximadamente 50 por ciento de donantes elegibles fallecen dentro de la ventana inicial de 30 minutos siguiente al retiro del apoyo vital. Cuando la muerte ocurre entre 30 y 60 minutos post-retiro, los equipos quirúrgicos confían en el juicio clínico, analizando parámetros vitales, hallazgos de laboratorio e indicadores neurológicos incluyendo respuestas pupilares y evaluaciones de reflejos para identificar candidatos apropiados. No obstante, aproximadamente la mitad de los procedimientos de trasplante programados se cancelan en última instancia debido a procesos de fallecimiento prolongados. La predicción precisa del momento de muerte permite una asignación más estratégica de recursos, incluyendo equipos de perfusión normotérmica, reduciendo así gastos y optimizando la eficiencia del equipo de trasplante.
Desarrollo y desempeño del modelo de aprendizaje automático
Investigadores liderados por Stanford desarrollaron un algoritmo predictivo de aprendizaje automático utilizando datos clínicos comprehensivos que abarcan demografía del paciente, mediciones antropométricas, parámetros hemodinámicos, función respiratoria, gasto renal, valores de laboratorio e historia cardiovascular. El modelo incorpora configuraciones de ventilador, reflejando requisitos de apoyo respiratorio, junto con evaluaciones neurológicas que miden el nivel de consciencia y evalúan reflejos pupilares, corneales, tusígenos, nauseosos y motores.
El equipo de investigación evaluó múltiples algoritmos competidores para identificar el predictor más preciso del momento de muerte del donante utilizando información disponible clínicamente. El algoritmo seleccionado demostró precisión predictiva superior tanto a la evaluación de cirujano como a herramientas computacionales existentes. El entrenamiento y validación ocurrieron utilizando datos de más de 2.000 casos documentados en seis instituciones de trasplante estadounidenses.
El algoritmo predice correctamente el momento de muerte del donante en 75 por ciento de casos, superando tanto herramientas establecidas como predicciones de cirujano, que alcanzan aproximadamente 65 por ciento de precisión. El modelo mantiene capacidad predictiva incluso cuando la información del registro médico contiene brechas.
Los investigadores diseñaron el modelo con parámetros personalizables que acomodan preferencias variadas de cirujanos y protocolos institucionales. La configuración puede calcular el momento de muerte desde el cese del apoyo vital o desde el inicio de patrones de respiración agónica. Además, los desarrolladores crearon una interfaz de procesamiento de lenguaje natural—comparable a la tecnología ChatGPT—extrayendo información relevante del donante directamente de la documentación médica.
Reducción de oportunidades de trasplante perdidas
Ocasionalmente, la muerte del donante ocurre inesperadamente dentro de ventanas de trasplante adecuadas; sin embargo, los requisitos preparatorios necesitan iniciación antes de la muerte real, previniendo que estos casos produzcan trasplantes exitosos. Tanto el modelo algorítmico como el juicio de cirujano demostraron tasas de oportunidades perdidas similares ligeramente por encima de 15 por ciento.
A medida que las capacidades de inteligencia artificial continúan avanzando, los investigadores anticipan precisión mejorada del modelo y tasas reducidas de oportunidades perdidas. Recientemente, pruebas de algoritmos competidores identificaron un enfoque alternativo que logra precisión de predicción equivalente de tiempo de muerte mientras reduce oportunidades perdidas a aproximadamente 10 por ciento.
El equipo de investigación actualmente desarrolla adaptaciones del modelo aplicables a procedimientos de trasplante de corazón y pulmón.
Las instituciones colaboradoras incluyeron International University of Health and Welfare, Duke University School of Medicine, Cleveland Clinic, University of Rochester Medical Center, University of Florida College of Medicine, Virginia Commonwealth University Health, Columbia University Irving Medical Center y Transmedics, Inc.
El modelo de IA ayuda a los cirujanos a programar la donación de órganos después de muerte circulatoria, según estudio de Stanford
Un equipo liderado por Stanford ha creado un modelo de aprendizaje automático que predice, con mayor precisión que los cirujanos, cuánto tiempo tardará un donante de órgano en fallecer después del retiro del apoyo vital, un paso que podría prevenir cancelaciones de último momento de trasplantes de hígado y mejorar el uso de órganos escasos, según un estudio publicado el 16 de noviembre de 2025 por Stanford Medicine link.
La demanda de hígados rutinariamente supera la oferta, y gran parte del déficit ocurre durante la donación después de muerte circulatoria (DCD), una práctica cada vez más común en la que los órganos se extraen solo después de que el corazón del donante ha dejado de latir. Porque los períodos prolongados de flujo sanguíneo bajo o ausente pueden dañar los conductos biliares e inutilizar un hígado, los cirujanos deben actuar dentro de una ventana estrecha e impredecible que comienza en el momento en que se retira el apoyo vital. El nuevo algoritmo proporciona a los clínicos una predicción basada en evidencia de esa ventana, permitiendo a los equipos de trasplante movilizar equipos de perfusión y salas de operaciones solo cuando es probable que una procuración tenga éxito.
Las apuestas son altas: cada procedimiento cancelado consume tiempo escaso del personal, ocupa camas de cuidados intensivos y, lo más importante, puede dejar inutilizable un hígado viable. Al traducir miles de variables del donante en una sola curva de probabilidad, la herramienta de Stanford está diseñada para reducir esas pérdidas y, con el tiempo, cerrar la brecha entre el número de pacientes esperando un hígado y el número que lo recibe.
La investigación aborda un cuello de botella central en la medicina de trasplantes moderna. La perfusión normotérmica de máquinas—tecnología que mantiene los órganos calientes, oxigenados y funcionando fuera del cuerpo—ya ha expandido el grupo de donantes al permitir el uso de hígados DCD que alguna vez hubieran sido descartados. Sin embargo, la cronometría sigue siendo crítica. Cuando la muerte ocurre más de 30 minutos después del cese del apoyo circulatorio, el riesgo de complicaciones graves post-trasplante aumenta considerablemente. Aproximadamente la mitad de los donantes DCD potenciales fallecen dentro de esos primeros 30 minutos; para la otra mitad, los cirujanos deben decidir si esperar, pasar a otro caso o cancelar el intento completamente. La predicción precisa reduce tanto el desperdicio como la incertidumbre.
Para construir su modelo, los investigadores agregaron datos de más de 2.000 casos DCD registrados en seis centros de trasplante estadounidenses. El conjunto de datos cubrió detalles demográficos, signos vitales, configuraciones de ventilador, valores de laboratorio y reflejos neurológicos como respuestas pupilares, corneales, tusígenas y nauseosas. Después de probar varios algoritmos competidores con las mismas entradas, el equipo seleccionó el que superó tanto a cirujanos como a sistemas de puntuación establecidos. Según el informe de Stanford, el modelo elegido estimó correctamente el tiempo hasta la muerte en aproximadamente 75 por ciento de donantes, comparado con aproximadamente 65 por ciento para clínicos y herramientas informáticas antiguas link.
El programa es adaptable a diferentes preferencias clínicas. Los usuarios pueden definir el punto de partida para su cuenta regresiva—ya sea el momento en que se retira el apoyo vital o el inicio de patrones de respiración agónica—y ajustar la ventana de tiempo aceptable según la política local. Una interfaz de lenguaje natural, similar a chatbots de consumidor, lee registros médicos electrónicos y extrae automáticamente las variables necesarias para el cálculo, reduciendo retrasos en la entrada de datos al lado de la cama.
Incluso con estos avances, algunas oportunidades se pierden aún. En la práctica anterior, la muerte a veces ocurría lo suficientemente rápido para trasplante, pero solo después de que el equipo se había ido o el equipamiento fue redeployado. El nuevo modelo y el juicio de cirujano actualmente pierden ligeramente más de 15 por ciento de tales casos. Las pruebas competitivas citadas en el comunicado de Stanford han identificado desde entonces otro algoritmo que mantiene la misma precisión general mientras reduce las oportunidades perdidas a aproximadamente 10 por ciento, sugiriendo que mejoras adicionales están al alcance link.
La enfermedad hepática sigue siendo una de las principales causas de años de vida perdidos, y cualquier injerto adicional puede marcar una diferencia material. El autor senior del estudio, un cirujano-científico de trasplantes de Stanford, dijo que el modelo debería ayudar a alinear los horarios de las salas de operaciones con las realidades del proceso de fallecimiento, «para que cada órgano potencialmente trasplantable tenga la mejor oportunidad de ser utilizado.» Los investigadores ahora están reentrenando el algoritmo para trasplantes de corazón y pulmón, áreas donde el tejido donado es al menos tan vulnerable a lesión por isquemia caliente.
El proyecto colaborativo reunió estadísticos, médicos de cuidados críticos y cirujanos de International University of Health and Welfare, Duke University School of Medicine, Cleveland Clinic, University of Rochester Medical Center, University of Florida College of Medicine, Virginia Commonwealth University Health, Columbia University Irving Medical Center y la empresa de dispositivos Transmedics con sede en Massachusetts. Porque el software fue alimentado con casos de entornos variados, los autores argumentan que debería generalizarse bien a hospitales con diferentes poblaciones de pacientes y protocolos de retiro de cuidados.
La adopción clínica dependerá de más que precisión. La logística de trasplantes es costosa; los dispositivos de perfusión cuestan miles de dólares por hora de operación, y los equipos quirúrgicos a menudo deben viajar a hospitales de donantes distantes sin previo aviso. Una herramienta que predice de manera confiable escenarios de baja probabilidad permite a los coordinadores retirarse temprano, liberando recursos para otros pacientes. Conversamente, cuando el modelo asigna una alta probabilidad de que la muerte ocurra dentro de la ventana aceptable, el equipo puede desplegar con mayor confianza de que su esfuerzo culminará en una procuración real.
La donación de vivo—extraer una porción de hígado de un voluntario sano—ofrece otro camino para expandir la oferta, gracias a la capacidad regenerativa del órgano. Sin embargo, conlleva riesgo quirúrgico inevitable para el donante. Al aprovechar más utilidad de donantes fallecidos, particularmente el grupo DCD en crecimiento, las herramientas de aprendizaje automático podrían reducir la dependencia de esa opción más invasiva.
Los desarrolladores del modelo enfatizan que la inteligencia artificial complementa en lugar de reemplazar el juicio humano. Los cirujanos aún deben considerar factores éticos, familiares y legales únicos de cada caso. Además, las predicciones del algoritmo son probabilísticas: un donante asignado a 70 por ciento de probabilidad de fallecer dentro de 30 minutos podría aún sobrevivir más de una hora. El monitoreo continuo y el reentrenamiento periódico con nuevos datos serán esenciales para prevenir que la precisión se degrade con el tiempo.
Análisis y perspectiva (aproximadamente 15 por ciento de la historia):
Si se valida en ensayos prospectivos, la herramienta de Stanford podría señalar un cambio más amplio hacia apoyo algorítmico en trasplantación, análogo a cómo los pronósticos meteorológicos guían la aviación. Su valor dependerá en parte de la transparencia—los clínicos querrán saber qué factores impulsan una predicción particular—y de la tolerancia de la institución hacia oportunidades perdidas versus despliegues desperdiciados. Los reguladores, mientras tanto, pueden necesitar actualizar la orientación sobre software médico que influye en decisiones de fin de vida. A medida que los modelos de aprendizaje automático se expanden a procuración de corazón, pulmón y riñón, el campo enfrenta una oportunidad de convertir datos brutos de cuidados intensivos en intervenciones que extiendan la vida. Pero la prueba final será si tales herramientas aumentan el porcentaje de órganos donados que realmente llegan a receptores en espera, acortando listas y salvando vidas.
Fuentes
- https://med.stanford.edu/news/all-news/2025/11/liver-transplant.html
