MADRID, 14 Nov. (EUROPA PRESS) -
Investigadores de Stanford Medicine (Estados Unidos) han liderado el desarrollo 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 superó el criterio quirúrgico y redujo en un 60% la tasa de extracciones infructuosas, que se producen cuando se inician los preparativos para el trasplante pero el fallecimiento ocurre demasiado tarde. El trabajo se publica en 'Lancet Digital Health'.
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 después de la retirada del soporte vital, el trasplante debe cancelarse.
Para este tipo de donación de órganos, llamada 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, o 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 de la Universidad de Standford y autor principal del estudio. "También tiene el potencial de permitir que más personas que necesitan un trasplante de órgano lo reciban".
Para las personas con enfermedad hepática terminal, que consiste en 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 está empezando a reducirse gracias a los dispositivos que realizan la perfusión normotérmica, una técnica que mantiene los órganos a la temperatura ideal y con suministro 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.
Aunque 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 la donación tras la muerte circulatoria, 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.
Un tercer tipo de trasplante de hígado, la donación en vida, consiste en extraer parte del hígado de una persona sana para trasplantarlo, lo cual es posible gracias a la capacidad de regeneración del hígado. No obstante, toda cirugía mayor conlleva riesgos para el donante sano.
Además, existe un desafío para la donación después de la muerte circulatoria: el tiempo. Mientras el donante agoniza, el riego sanguíneo a los órganos puede variar e incluso interrumpirse por completo, lo que provoca daño hepático. El hígado contiene una red de conductos que transportan la bilis, un líquido que facilita la digestión, hacia la vesícula biliar y los intestinos. Un intervalo prolongado entre la desconexión del soporte vital y el fallecimiento del donante se asocia con un mal funcionamiento de los conductos y complicaciones graves para los receptores del trasplante. Si el fallecimiento del donante ocurre más de 30 minutos después de que el flujo sanguíneo a los órganos comience a disminuir, el hígado podría no ser apto para el trasplante.
Aproximadamente la mitad de los posibles donantes fallecen en los primeros 30 minutos tras la retirada del soporte vital. Cuando el fallecimiento se produce más tarde, entre 30 y 60 minutos después de la retirada del soporte vital, los cirujanos, basándose en su criterio, determinan qué donantes son los mejores candidatos considerando sus signos vitales, análisis de sangre e información neurológica, como el reflejo pupilar y el reflejo nauseoso. Aun así, cerca de la mitad de los trasplantes deben cancelarse debido a que el fallecimiento se produce demasiado tarde. Saber dónde asignar los recursos, como los dispositivos de perfusión normotérmica, puede ahorrar dinero y optimizar la carga de trabajo del personal sanitario especializado en trasplantes, explica Sasaki.
Para predecir el momento del fallecimiento, el modelo utiliza información clínica del donante, como sexo, edad, índice de masa corporal, presión arterial, frecuencia cardíaca, frecuencia respiratoria, diuresis, resultados de análisis de sangre e historial cardiovascular. El modelo también considera la configuración del respirador, que indica el grado de asistencia respiratoria necesaria, así como evaluaciones neurológicas del nivel de consciencia del paciente y los reflejos pupilares, corneales, tusígenos, nauseosos y motores.
El equipo de investigación comparó numerosos algoritmos de aprendizaje automático para encontrar el que mejor predijera el momento del fallecimiento utilizando la misma información de la que disponían los cirujanos. El algoritmo ganador resultó más preciso que los cirujanos y otras herramientas informáticas disponibles a la hora de predecir si el fallecimiento 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 de Estados Unidos.
El modelo predice 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 acertaron en el 65% de los casos. Asimismo, realiza predicciones precisas incluso en casos con información incompleta en el historial clínico.
El equipo de investigación diseñó el modelo para que fuera personalizable y pudiera adaptarse a las preferencias de diferentes cirujanos y procedimientos hospitalarios. Por ejemplo, el modelo puede configurarse para calcular el momento del fallecimiento a partir de la retirada del soporte vital o del inicio de la respiración agónica, un patrón respiratorio jadeante que se produce durante la agonía. Los investigadores también desarrollaron una interfaz de lenguaje natural, similar a ChatGPT, que extrae información del historial clínico del donante e incorpora el modelo.
En ocasiones, la muerte ocurre inesperadamente dentro del plazo en que los órganos son aptos para el trasplante, pero dado que los preparativos deben estar en marcha antes del fallecimiento del donante, estos casos no resultan en un trasplante. La tasa de estas oportunidades perdidas fue similar tanto para el modelo como para el criterio del cirujano: ambas superaron ligeramente el 15%.
Debido al rápido avance de la inteligencia artificial, los investigadores esperan que la precisión del modelo para predecir el momento de la muerte mejore y que detecte más oportunidades perdidas.
"Actualmente trabajamos para reducir la tasa de trasplantes perdidos, ya que lo mejor para los pacientes es que quienes los necesitan los reciban", indica Sasaki. "Seguimos perfeccionando el modelo mediante comparaciones entre los algoritmos de aprendizaje automático disponibles, y recientemente encontramos un algoritmo que logra 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.
