Modelo de aprendizaje profundo para maximizar la esperanza de vida después de un trasplante de hígado
Crédito: CC0 Dominio público
Investigadores de University Health Network desarrollaron y validaron un innovador modelo de aprendizaje profundo para predecir el resultado a largo plazo de un paciente después de recibir un trasplante de hígado.
Primero en su tipo en el campo de los trasplantes, este modelo es el resultado de una colaboración entre el Centro de trasplantes de Ajmera y el Centro cardíaco Peter Munk. El estudio, publicado en Lancet Digital Health, muestra que puede mejorar significativamente la supervivencia a largo plazo y la calidad de vida de los receptores de trasplantes de hígado.
«Históricamente, hemos visto buenos avances en los resultados de un año después del trasplante , pero la supervivencia a largo plazo no ha mejorado significativamente en las últimas décadas», explica la Dra. Mamatha Bhat, hepatóloga del Ajmera Transplant Center en UHN y coautora principal del estudio.
» Este modelo puede guiar a los médicos y ayudar a anticipar cuándo y cómo pueden surgir las complicaciones. Realmente puede ser un cambio de paradigma en la forma en que apoyamos a los receptores de trasplantes de hígado para personalizar su atención y ayudarlos a vivir mejor y por más tiempo».
Para receptores de trasplante de hígado, la supervivencia a largo plazo más allá de un año se ve significativamente comprometida por un mayor riesgo de cáncer, mortalidad cardiovascular, infección y fracaso del injerto. Las herramientas clínicas para identificar a los pacientes en riesgo de sufrir estas complicaciones son limitadas.
Este modelo ayudará a los médicos a mejorar la atención posterior al trasplante de hígado mediante el aprendizaje automático, lo que les permitirá identificar riesgos potenciales al formular planes de tratamiento específicos para el paciente.
Los resultados del estudio muestran que este modelo tiene una precisión superior al 80 % en la predicción de posibles complicaciones para los receptores de trasplantes de hígado en cualquier momento posterior al trasplante, en función de su historial médico y en comparación con los millones de puntos de datos compilados mediante inteligencia artificial. .
«El aprendizaje profundo permite el procesamiento oportuno de conjuntos de datos a gran escala, encontrando patrones y señales que pueden ayudar a los médicos a predecir mejor los resultados clínicos y crear recomendaciones de tratamiento específicas», dice el Dr. Bo Wang, líder de IA en Peter Munk Cardiac Center, presidente de CIFAR AI en el Vector Institute y coautor principal de este estudio.
Los algoritmos para este modelo se crearon con base en el Registro científico de Receptores de trasplantes (SRTR): una base de datos médica nacional en los Estados Unidos, con datos de más de 42,000 receptores de trasplantes de hígado. Luego se validaron utilizando el conjunto de datos local del Centro de Trasplantes Ajmera de UHN, que tenía más de 3200 casos.
El equipo de investigación ahora planea compartir este modelo con los médicos para que pueda usarse en todo el mundo. También se está trabajando para evaluar cuáles son los mejores formatos para agilizar su uso, ya sea desarrollando un software o una aplicación móvil.
Explore más
Mortalidad posterior al trasplante entre los veteranos inscritos en el VA y Medicare Más información: Estratificación del riesgo de mortalidad a largo plazo de los receptores de trasplantes de hígado: aplicación en tiempo real de algoritmos de aprendizaje profundo sobre datos longitudinales, Lancet Digital Health, DOI: 10.1016/S2589-7500(21)00040-6, www.thelancet.com/journals/lan … (21)00040-6/texto completo Proporcionado por University Health Network Cita: Modelo de aprendizaje profundo para maximizar la esperanza de vida después del trasplante de hígado (2021, 13 de abril) recuperado el 30 de agosto de 2022 de https://medicalxpress.com/ news/2021-04-deep-maximize-lifespan-liver-transplant.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.