Hasta la fecha, el modelo de asignación más aceptado para trasplantes de hígado es el conocido como escala MELD, un sistema de puntuación que mide la severidad de la enfermedad hepática y que, por tanto, sólo considera la gravedad de los pacientes que esperan el injerto. El problema de este método, según explica Pedro Antonio Gutiérrez, uno de los autores de la investigación, es que se producen “situaciones injustas” ya que, al no tener en cuenta las características del donante ni los factores del trasplante, se efectúan injertos que pueden tener una menor probabilidad de éxito.
El nuevo sistema, desarrollado de forma conjunta por investigadores del hospital Reina Sofía, del departamento de Informática y Análisis Numérico de la Universidad de Córdoba y del Instituto Maimónides de Investigación Biomédica, se compatibiliza con el actual modelo MELD, por lo que, además de tener en cuenta la gravedad de los receptores, incluye otras variables como el índice de masa corporal, el tiempo de refrigeración del órgano, si el injerto es completo o parcial o si el donante o el paciente padecen enfermedades como la diabetes o la hepatitis.
Este nuevo método de asignación, realizado con datos suministrados por el hospital londinense King´s College, se basa en lo que en el campo de la informática se conoce como aprendizaje automático, una rama de la inteligencia artificial que consiste en inducir el conocimiento, es decir, hacer que las maquinas aprendan partiendo de información suministrada en forma de ejemplos. En este caso concreto, se trata de un modelo matemático que, teniendo en cuenta la información proporcionada por el King´s College, predice el éxito de un trasplante a partir de los datos del donante y el receptor.
El proceso de implantación de este nuevo modelo, según explica Gutiérrez, podría ser lento, ya que el sistema MELD está ampliamente extendido y sustituirlo no se antoja una tarea fácil. En cualquier caso, la idea es comenzar a aplicarlo en un futuro cercano en algunos hospitales como el Reina Sofía y, una vez se obtengan resultados más contrastados, implementarlo paulatinamente como un método seguro y eficaz para determinar la compatibilidad y priorizar los pacientes en espera de trasplante.
Perez-Ortiz, M; Gutierrez, PA; Ayllon-Teran, MD; Heaton, N; Ciria, R; Briceno, J; Hervas-Martinez, C. Synthetic semi-supervised learning in imbalanced domains: Constructing a model for donor-recipient matching in liver transplantation. KNOWLEDGE-BASED SYSTEMS.
ÂÂÂ