Desarrollan un modelo de inteligencia artificial que mejora la priorización equitativa en la lista de espera de trasplante hepático

Personal investigador del grupo ‘Enfermedades hepáticas y digestivas’ del IMIBIC, del Hospital Universitario Reina Sofía, y de la Universidad de Córdoba, junto con equipos de investigación de Reino Unido y de Australia, han desarrollado y validado un nuevo modelo de priorización en lista de espera para trasplante de hígado basado en inteligencia artificial, denominado GEMA-AI (Gender-Equity Model for liver Allocation using Artificial Intelligence). Este modelo predice con mucha mayor precisión el riesgo de fallecer en lista de espera que los sistemas estadísticos actuales y mejora la equidad entre hombres y mujeres en el acceso al trasplante hepático.

Personal investigador del grupo ‘Enfermedades hepáticas y digestivas’ del IMIBIC, del Hospital Universitario Reina Sofía, y de la Universidad de Córdoba que dirigen este estudio.

En todo el mundo, el número de personas que necesita un trasplante de hígado supera con creces al número de donantes disponibles, lo que obliga a organizar listas de espera. Incluso en España, país con la mayor tasa de donación del mundo desde hace años, aproximadamente un 8% de los pacientes en lista de espera fallece o tiene que ser excluido por empeoramiento de su enfermedad antes de recibir un órgano. En países de nuestro entorno con menor tasa de donación, este porcentaje puede alcanzar hasta el 30%.

Los sistemas actuales se basan en modelos estadísticos de carácter lineal, lo cual significa que solo funcionan adecuadamente cuando el empeoramiento en la analítica y el riesgo de muerte avanzan al mismo ritmo. En la realidad esto no ocurre porque llegado cierto punto de gravedad del paciente, el empeoramiento de la enfermedad es mucho más rápido que el empeoramiento analítico. Los modelos basados en inteligencia artificial, y en concreto las redes neuronales artificiales, permiten superar las limitaciones de los modelos actuales porque pueden manejar combinaciones mucho más complejas de variables sin necesidad de que la relación entre empeoramiento analítico y mortalidad sea lineal. Su estructura se inspira en la organización de las neuronas en el cerebro humano: cada parámetro de la analítica se comporta como una “neurona” conectada con las demás en una red de interacciones que desemboca en una estimación del riesgo de mortalidad para cada paciente. Cada vez que la red neuronal recibe los datos de un nuevo paciente, reajusta su configuración interna para mejorar sus predicciones; es decir, aprende de forma progresiva, de manera análoga a como lo hace el cerebro. Cuando se entrena con un número suficiente de casos, una red neuronal bien construida puede alcanzar predicciones de mortalidad prácticamente infalibles.

En este estudio se incluyeron casi 10.000 pacientes de listas de espera de trasplante hepático de dos países. Con estos datos se diseñó y validó externamente el nuevo modelo GEMA-AI y se comparó su rendimiento con los sistemas de priorización actualmente en uso. GEMA-AI mostró una capacidad muy superior para predecir la mortalidad en lista de espera frente a cualquier modelo basado en estadística convencional.

Además de su precisión, GEMA-AI es un modelo totalmente explicable. Esto significa que es posible conocer cómo llega a sus predicciones y prever cómo cambiarían si alguno de los parámetros analíticos del paciente mejorara o empeorara. Este aspecto resulta especialmente relevante porque la normativa europea sobre inteligencia artificial exige que los modelos que se utilicen para apoyar decisiones médicas cumplan este requisito de “explicabilidad”.

La comparación con el sistema que se utiliza en Estados Unidos, MELD 3.0, ilustra el impacto potencial de esta herramienta. Si se aplicara GEMA-AI en lugar de MELD 3.0, alrededor del 15% de los pacientes cambiaría de posición en la lista de espera, lo que permitiría evitar uno de cada trece fallecimientos en lista. Este beneficio sería especialmente marcado en las mujeres y en los pacientes más graves, aquellos que presentan alteraciones extremas en los parámetros de la analítica de sangre.

Referencias bibliográficas:

Artículo: “Gender-Equity Model for Liver Allocation Using Artificial Intelligence (GEMA-AI) for Waiting List Liver Transplant Prioritization” publicado en la revista Clinical Gastroenterology and Hepatology y en la página web de GEMA (GEMA Score), donde se ofrece información adicional sobre el modelo GEMA-AI y su aplicación en la priorización de pacientes en lista de espera de trasplante hepático.