Utilidad de las redes neuronales artificiales en la asignación donante-receptor en trasplante hepático

Resumo

Título: Utilidad de las redes neuronales artificiales en la asignación donante-receptor en trasplante hepático El disbalance existente entre el número de donantes y receptores en trasplante hepático hizo que se comenzaran a utilizar donantes con criterios expandidos. Este tipo de donantes, por definición, tienen mayor riesgo de desarrollar una pobre función inicial (IPF), una no función primaria (PNF) del injerto e incluso pueden condicionar una pérdida tardía del mismo. Es sabido que tanto factores del donante como del receptor y factores propios histológicos, de la extracción, de la preservación e incluso del transporte y el implante están implicados en la probabilidad de disfunción orgánica. Así, establecer cuál es la probabilidad de disfunción del injerto mediante la creación de pares donante-receptor en función del riesgo de pérdida del mismo y de la evolución post-trasplante influenciada por multiples variables que acontecen durante todo el periodo de donación-implante-evolución es el objetivo del presente estudio. Para ello, se utilizarán redes neuronales artificiales, que no son otra cosa que algoritmos de cálculo que emulan la capacidad de aprendizaje del sistema nervioso, de tal manera, que la red neuronal identifica un patrón a seguir entre las variables de entrada y las de la salida, teniendo como variable final la supervivencia del injerto y del receptor. Existen actualmente algoritmos que establecen el riesgo de fallo del injerto después de un trasplante hepático, sin embargo, pocos estudios han intentado desarrollar modelos capaces de predecir la supervivencia post-trasplante (1). Estos estudios están basados en experiencias unicéntricas, que carecen de número suficientemente grande de casos para establecer modelos con variables pormenorizadas, y con resultados difíciles de validar fuera de los centros donde se llevaron a cabo. Además, algunos de ellos se han realizado sobre series relativamente antiguas y cuya extrapolación del modelo propuesto al momento actual del trasplante es difícil. Recientemente cuatro modelos de predicción de riesgo basados en variables del donante o del donante y receptor han permitido obtener modelos más realistas que no adolecen de estos inconvenientes (2,3,4,5). En cuanto a las redes neuronales, consisten, desde un punto de vista técnico, en un grupo de unidades de proceso (nodos) que se asemejan a las neuronas al estar interconectadas por medio de un entramado de relaciones (pesos) análogas al concepto de conexiones sinápticas en el sistema nervioso. A partir de los nodos de entrada, la señal progresa a través de la red hasta proporcionar una respuesta en forma de nivel de activación de los nodos de salida. En un contexto médico, el entrenamiento consistiría en presentar a la red, de forma iterativa, los valores de distintas variables clínicas (en forma de valores de la capa de entrada) de cada paciente y conseguir que la red sea capaz de predecir el estado final observado en cada paciente (indicados por el estado de las capas de salida de la red) de la manera más precisa posible (6,7). La posibilidad de resolver problemas difíciles es gracias a los principios de las redes neuronales. Los cinco más importantes son: aprendizaje adaptativo, autoorganización, tolerancia a fallos, operación en tiempo real y fácil inserción en la tecnología existente. Estas características las hacen perfectas para resolver problemas en campos tan variados como la agricultura, la bibliometria, economía y medicina (8,9,10).