El trasplante de hígado es un tratamiento esperanzador y ampliamente aceptado para los pacientes con una enfermedad terminal de hígado. Sin embargo, este tratamiento está limitado por la falta de donantes, que provoca muchas muertes en lista de espera. Nuestro trabajo propone un nuevo sistema de emparejamiento donante-receptor que utiliza aprendizaje automático para predecir la supervivencia del injerto tras el trasplante, utilizando para ello una base de datos de trasplantes realizados en el hospital King’s College de Londres. Desde el punto de vista metodológico, la principal novedad del sistema es que abordamos el desequilibrio del problema en cuanto al número de patrones por clase considerando aprendizaje semi-supervisado y analizando su potencial para obtener modelos más robustos y equitativos. De esta forma, proponemos dos fuentes distintas de datos no etiquetados (trasplantes recientes cuyo resultado aún no se conoce y emparejamientos virtuales donante-receptor), junto con dos métodos para utilizar estos datos en la construcción del modelo (un algoritmo semi-supervisado y un esquema de propagación de etiquetas). Demostramos como los pares virtuales y el método de propagación de etiquetas son capaces de aliviar el problema del desequilibrio, suponiendo una forma novedosa de abordar este tipo de problemas. Los resultados obtenidos muestran que el uso conjunto de información real y sintética ayuda a mejorar y estabilizar el rendimiento del modelo y lleva a decisiones más justas. Finalmente, proponemos utilizar el modelo desarrollado junto con un criterio de severidad asociado al receptor, para llegar a un compromiso entre la gravedad del paciente y el pronóstico del trasplante.
Escuela Politécnica Superior | Universidad Autónoma de Madrid | Francisco Tomás y Valiente, 11 | 28049 Madrid | Tel.: +34 91 497 2222 | e-mail: informacion.eps@uam.es