LiveR: el 'Tinder' para trasplantes de hígado que nace en Valencia y busca reducir listas de espera

Un problema antiguo, una nueva aproximación

La escasez de órganos y las crecientes listas de espera son un problema crónico en la medicina de trasplantes. Tradicionalmente, la asignación de hígado se ha guiado por el sistema MELD (Model for End-Stage Liver Disease), que prioriza la urgencia médica del paciente. Ese enfoque salva vidas al dar prioridad a los casos más críticos, pero deja fuera otras dimensiones relevantes: la compatibilidad biológica concreta entre un donante y un receptor y la probabilidad de éxito del injerto a largo plazo.

Frente a esa limitación, dos estudiantes de la Universitat Politècnica de València (UPV), Joaquín Berenguer y Sergio Tordera, desarrollaron LiveR, una herramienta que utiliza inteligencia artificial para recomendar emparejamientos entre donantes y pacientes en lista de espera. El proyecto nació en colaboración con el Instituto de Investigación Sanitaria La Fe de Valencia y busca complementar, no sustituir, la toma de decisiones clínicas.

¿Cómo funciona LiveR?

LiveR opera como un sistema multimodelo de soporte a la decisión clínica (Decision Support System, DSS). Cuando surge un donante disponible, el algoritmo analiza en tiempo real múltiples combinaciones posibles, cruzando las variables del donante con los perfiles clínicos de los pacientes en lista de espera.

A diferencia del MELD, LiveR incorpora varios modelos de aprendizaje automático orientados a predecir indicadores clínicos relevantes:

• Supervivencia del injerto a corto y largo plazo.
• Curvas de supervivencia global del paciente receptor.
• Estancia hospitalaria esperada tras la cirugía.

El resultado se presenta en un informe de recomendación interpretable que combina la urgencia según MELD con las predicciones de compatibilidad. La idea no es imponer una decisión, sino ofrecer al equipo médico evidencias y predicciones adicionales que puedan orientar la preferencia por un emparejamiento concreto cuando existen varias opciones viables.

Ventajas: una visión multidimensional de la asignación

La principal fortaleza de LiveR es su capacidad para integrar distintas perspectivas en la asignación de órganos. Mientras el MELD prioriza la urgencia, LiveR añade la probabilidad de buenos resultados clínicos según características del donante y el receptor. Esta visión multidimensional puede ayudar a optimizar el rendimiento de los trasplantes: no solo salvar una vida en el corto plazo, sino maximizar la supervivencia del injerto y reducir complicaciones y estancias hospitalarias.

Además, los desarrolladores han puesto énfasis en la interpretabilidad clínica: los informes explican los motivos detrás de cada recomendación, un factor crucial para la aceptación por parte de los equipos sanitarios y para cumplir con estándares éticos en decisiones apoyadas por IA.

Riesgos y sesgos: lecciones del entrenamiento con datos históricos

Como todo sistema basado en registros clínicos históricos, LiveR enfrenta riesgos asociados a sesgos en los datos. Durante el desarrollo con la base de datos del Hospital La Fe, los autores detectaron un sesgo vinculando excesivamente la presencia de hepatitis C con prioridad en la lista de trasplantes. Ese patrón se originó por un cambio epidemiológico notable: la llegada de los antivirales de acción directa desde 2015 redujo la prevalencia de hepatitis C en hasta un 75%. Pero si el modelo se entrena con registros anteriores a ese cambio, puede sobrevalorar la hepatitis C como causa de trasplante.

Ante esa discrepancia, los estudiantes tuvieron que recalibrar manualmente las ponderaciones del algoritmo. El episodio subraya dos ideas clave: primero, los datos históricos reflejan prácticas y contextos que cambian con el tiempo; segundo, la supervisión humana experta sigue siendo imprescindible para validar y ajustar predicciones automáticas.

De la prueba de concepto al uso clínico: un camino exigente

Transformar una prueba de concepto universitaria en un Software as a Medical Device integrado en un sistema público de salud implica varios desafíos. Se requieren fases prolongadas de validación clínica, evaluaciones regulatorias, integración con flujos de trabajo hospitalarios y procesos de auditoría y gobernanza de datos. Los desarrolladores reconocen que la ruta no será corta: es necesario demostrar consistentemente seguridad, eficacia y equidad antes de implantar la herramienta en la práctica cotidiana.

Ese proceso incluye, además, la formación de equipos clínicos para interpretar los informes y la definición clara de responsabilidades: LiveR está diseñado para actuar como asistente computacional, y la responsabilidad final de la decisión médica corresponde siempre al equipo clínico.

Relevancia para América Latina

Aunque LiveR se desarrolló y probó en España, la problemática que aborda es muy relevante para América Latina. En la región, los sistemas de trasplante enfrentan variaciones en capacidad instalada, acceso a donantes, diferencias epidemiológicas y retos en la gestión de listas de espera. Una herramienta que ofrezca recomendaciones interpretables de compatibilidad podría ayudar a optimizar los recursos disponibles y reducir pérdidas de órganos o fracasos precozmente prevenibles.

Sin embargo, la transferencia a contextos latinoamericanos requeriría adaptar y reentrenar los modelos con datos locales para capturar factores demográficos, epidemiológicos y de práctica clínica propios de cada país. También será necesario abordar aspectos regulatorios y de gobernanza de datos que varían ampliamente en la región.

Reconocimiento y límites del entusiasmo

LiveR obtuvo el premio principal en la categoría general de los II Premios Nacionales de Inteligencia Artificial celebrados en el Samsung Innovation Campus Summit 2026 en Madrid. El jurado valoró su aplicabilidad técnica y su potencial impacto clínico. Representantes de Samsung destacaron que la IA debe traducirse en soluciones útiles y confiables, y remarcaron que la innovación en IA puede nacer en entornos académicos, no solo en la industria.

A pesar del reconocimiento, el premio es un punto de partida más que una validación clínica final. La transición hacia un uso real en hospitales exige pasos adicionales, transparencia en los modelos, auditorías externas y garantías de que los sesgos identificados no replicarán inequidades en la asignación de órganos.

Conclusión

LiveR representa una propuesta interesante para modernizar la asignación de hígado, combinando la urgencia clínica del MELD con predicciones de compatibilidad basadas en aprendizaje automático. Su desarrollo en la UPV y la colaboración con La Fe muestran cómo la investigación académica puede generar herramientas con impacto clínico potencial. Para América Latina, la idea es relevante, pero su implementación requerirá adaptar modelos a contextos locales, rigurosas validaciones clínicas y marcos regulatorios claros. En todo caso, proyectos como LiveR reafirman que la IA puede ser una aliada potente para mejorar decisiones complejas en salud, siempre que se adopte con transparencia y supervisión humana.