Predicción de supervivencia post-trasplante de hígado mediante aprendizaje automático explicable y desarrollo de una plataforma clínica integrada

Abstract

[Resumen] El trasplante hepático es el tratamiento definitivo para la enfermedad hepática terminal, pero la decisión de qué órgano asignar a qué receptor sigue apoyándose en puntuaciones como el MELD, que ordena la lista de espera por urgencia, o el SOFT, centrado en el resultado tras el trasplante, y que no modelan las interacciones donante-receptor ni predicen con fiabilidad la supervivencia a largo plazo. Este trabajo lo aborda con un doble objetivo: predecir la supervivencia a cinco años tras el trasplante mediante aprendizaje automático explicable y llevar esos modelos a la práctica clínica en una plataforma web de apoyo a la decisión. A partir de una base de datos retrospectiva del Complexo Hospitalario Universitario de A Coruña (258 casos, con clases desbalanceadas), se construyó una pipeline reproducible con imputación, selección de características, balanceo y optimización bayesiana de hiperparámetros, y se evaluaron seis modelos. El árbol de decisión se adoptó como referencia, con un AUC-ROC de 0,757 sobre el conjunto de prueba, por combinar el mejor rendimiento con transparencia validada por un facultativo. La plataforma registra donantes, receptores y trasplantes, predice y compara modelos, asiste en la asignación de órganos e integra explicaciones globales e individuales, abordando la barrera de la recogida de datos que limita estos modelos.

[Abstract] Liver transplantation is the definitive treatment for end-stage liver disease, yet the decision of which organ to allocate to which recipient still relies on scores designed such as MELD, which ranks the waiting list by urgency, or SOFT, focused on the outcome after transplantation, and which do not model donor-recipient interactions and do not reliably predict long-term survival. This work addresses that gap with a twofold objective: to predict fiveyear post-transplant survival using explainable machine learning, and to bring those models into clinical practice through a web-based decision-support platform. Using a retrospective database from the Complexo Hospitalario Universitario de A Coruña (258 cases, with class imbalance), a reproducible pipeline was built with imputation, feature selection, balancing, and Bayesian hyperparameter optimization, and six models were evaluated. The decision tree was adopted as the reference, with an AUC-ROC of 0.757 on the test set, as it combines the best performance with transparency validated by a clinician. The platform registers donors, recipients, and transplants, predicts and compares models, assists in organ allocation, and integrates global and individual explanations, while addressing the data-collection barrier that limits these models.