Modelos de predicción en trasplantes: Estado del arte y aplicaciones

• Autores: Santiago Cabas, Andrea García López, Andrea Gómez-Montero, Luis Alejandro Anichiarico Castillo, Juan Andrés Sarmiento Gallego, Fernando Girón Luque
• Localización: Revista Colombiana de Cirugía, ISSN-e 2619-6107, ISSN 2011-7582, Vol. 40, Nº. 5, 2025, págs. 958-969
• Idioma: español
• Títulos paralelos:
  • Predictive models in transplants: State of the art and applications
• Enlaces
  • Texto completo
• Resumen
  • español

    Introducción.

    Los modelos de predicción son utilizados en la cirugía de trasplantes para personalizar tratamientos y anticipar resultados, como supervivencia del injerto y mortalidad. El objetivo de este artículo fue revisar las herramientas empleadas en trasplantes de órganos sólidos para la identificación de factores de riesgo y la optimización de tratamientos.

    Métodos.

    Se realizó una revisión de la literatura sobre herramientas de predicción en trasplantes de órganos sólidos. Adicionalmente, se presentó un ejemplo práctico de regresión logística aplicada a trasplantes hepáticos, mostrando el desarrollo, evaluación y validación de modelos predictivos en contextos clínicos reales.

    Resultados.

    Comparadas con las técnicas tradicionales, las técnicas de machine learning permiten procesar grandes volúmenes de datos complejos. Así incrementan la precisión en la identificación de factores de riesgo y el desempeño de los modelos predictivos. El ejemplo práctico usó una regresión logística para la predicción de resultados en trasplantes hepáticos. Se identificaron desafíos como la necesidad de validación externa para verificar la aplicabilidad en diversas poblaciones y la adaptación a las prácticas clínicas en constante cambio.

    Conclusiones.

    La integración de los modelos predictivos con la inteligencia artificial y una validación rigurosa son elementos clave para su implementación en la medicina personalizada, lo que puede influir en la supervivencia y la calidad de vida de los pacientes trasplantados. Además, se considera importante abordar las implicaciones éticas en la asignación de órganos que puedan surgir a partir de la creación de nuevos modelos.

  • English

    Introduction.

    Prediction models are used in transplant surgery to personalize treatments and anticipate outcomes, such as graft survival and mortality. The aim of this article was to review the tools used in solid organ transplants for the identification of risk factors and the optimization of treatments.

    Methods.

    A literature review on prediction tools in solid organ transplants was conducted. Additionally, a practical example of logistic regression applied to liver transplants was presented, showing the development, evaluation and validation of predictive models in real clinical contexts.

    Results.

    Compared to traditional techniques, machine learning techniques can process large volumes of complex data. This increases the accuracy of identifying risk factors and the performance of predictive models. The practical example used logistic regression to predict outcomes in liver transplants. Challenges were identified such as the need for external validation to verify applicability in diverse populations and adaptation to constantly changing clinical practices.

    Conclusions. The integration of predictive models with artificial intelligence and rigorous validation are key elements for their implementation in personalized medicine, which can influence the survival and quality of life of transplant patients. In addition, it is considered important to address the ethical implications in organ allocation that may arise from the creation of new models.