INTELIGÊNCIA ARTIFICIAL NA PREDIÇÃO DE FALÊNCIA DE ENXERTO EM TRANSPLANTE HEPÁTICO: ESTRATIFICAÇÃO DE RISCO E DECISÃO DE RE-TRANSPLANTE
1GUILHERME MARANGONA SOARES, 2MAITE CHRISTINA FARIAS, 3MARIA LUIZA COLOMBO, 4MARIA FERNANDA MAGALHÃES ALMEIDA, 5MARIANA VITORIA GASPERIN
1Estudante do curso de Medicina, Universidade Paranaense (UNIPAR), Umuarama-Paraná 2Estudante do curso de Medicina, Universidade Paranaense (UNIPAR), Umuarama-Paraná 3Estudante do curso de Medicina, Universidade Paranaense (UNIPAR), Umuarama-Paraná 4Estudante do curso de Medicina, Universidade Paranaense (UNIPAR), Umuarama-Paraná 5Docente da UNIPAR
Introdução: No Brasil, foram realizados cerca de 30,3 mil transplantes de órgãos em 2024, um aumento de 18% em comparação com o mesmo período de 2022, dentre esses, 2.454 procedimentos foram de Transplante Hepático (TH), conforme Brasil (2025). Este incremento reflete o avanço das técnicas médicas e a eficiência dos processos de transplante, nos quais a inteligência artificial (IA), em especial os modelos de aprendizado Machine Learning-(ML) e aprendizado profundo Deep Learning-(DL), pode desempenhar um papel essencial. Simultaneamente, observa-se uma redução dos índices de falência de enxertos e, consequentemente, da mortalidade, morbidade e necessidade de re-transplante (Rodrigues; Pisa; Souza, 2024; Mizera et al., 2025). Dessa forma, o presente estudo consiste em uma revisão de literatura, incluindo 5 artigos originais e metanálises, publicados entre 2021 e 2025, nas bases PubMed, Lilacs, Scielo, Google Acadêmico, em português e inglês, juntamente com dados retirados de plataformas governamentais. Objetivo: Promover uma ampliação do conhecimento vigente sobre o uso de IA para predição de falência de enxerto em transplantes de fígado, com foco em modelos de aprendizado profundo e sua aplicação para estratificação de risco e suporte à decisão de re-transplante. Desenvolvimento: Segundo Rodrigues, Pisa e Souza (2024), diversos fatores interagem para influenciar o TH, incluindo características do doador, do receptor e fatores específicos de cada centro. Há inúmeras tentativas de prever a falência do enxerto após transplante de fígado na literatura. Assim, o mesmo autor estabelece que os algoritmos de aprendizado de máquina surgem como uma alternativa para essa tomada de decisão clínica de forma rápida e eficaz. Comparados aos métodos atuais, eles são baseados em dados, capazes de acomodar numerosas variáveis interdependentes, e específicos à população em que foram treinados. O método ML desenvolve algoritmos que reconhecem padrões e aprendem com pequenas intervenções humanas, prevendo a sobrevida de enxerto em casos de pós-transplante, todavia, pesquisas relatam que  a IA só analisa até 30 dias após o procedimento (Alowi et al., 2024; Mizera et al., 2025). Analisando uma nova versão do modelo ML, o algoritmo Random Forest (RF) mostrou-se mais eficiente em registrar predições de sobrevida de enxerto pós-transplante, pois realiza uma predição de até 12 meses, esse estudo considerou variáveis como tempo de isquemia fria, tempo do doador em UTI, idade do receptor, níveis de albumina, de acordo com Yu et al (2022). Em contrapartida, o DL representa uma evolução do ML, pois utiliza redes neurais artificiais com múltiplas camadas, capazes de capturar padrões em fases de pré-transplante e pós-transplante (Mizera et al., 2025; Rodrigues; Pisa; Souza, 2024). Ademais, o estudo de Gulla et. al (2024) analisa, a partir de dados da UNOS (United Networking Of Organ Sharing), destaca o "Retransplant Donor Risk Index" (ReTxDRI), um índice específico para predizer a mortalidade em TH, que agrupa variáveis do doador e a causa da falência do enxerto anterior, sendo um preditor independente e robusto de mortalidade pós-transplante. Quando comparado aos escores tradicionais, como MELD Score (Model Of End-Stage Liver Disease), BAR Score e SOFT Score, o ReTxDRI demonstra superioridade analítica por integrar simultaneamente múltiplos fatores relacionados ao doador, ao receptor e à falência prévia do enxerto. Por sua vez, sob a ótica do mesmo autor, esses escores clássicos, examinados isoladamente, apresentam desempenho limitado na predição de mortalidade pós-transplante e na indicação realística de re-transplante (GULLA et al., 2024). Ainda baseando-se na pesquisa do mesmo autor, os achados destacam a relevância das técnicas de IA na área de transplantes, mostrando os avanços significativos que auxiliam diretamente nos cuidados dos pacientes transplantados e possibilitam a melhora de desfechos clínicos. As técnicas são aplicadas em praticamente todas as fases relacionadas ao transplante, e o volume de dados não é mais um fator impeditivo para treinamento (Rodrigues; Pisa; Souza, 2024). Conclusão: A inteligência artificial está inovando no manejo do transplante hepático, elevando a precisão prognóstica da sobrevida precoce do enxerto e apoiando decisões cirúrgicas críticas. Essa tecnologia permite identificar fatores de risco determinantes, influenciar decisões cirúrgicas, otimizar o momento do transplante e reduzir complicações. Sua aplicação potencial abrange desde a seleção de receptores até o suporte à re-transplante, viabilizando cuidados mais individualizados.
Referências: ALOWI, Nahed et al. Advancing kidney transplantation: a machine learning approach to enhance donor–recipient matching. Diagnostics, Basel, v. 14, n. 19, art. 2119, 2024.  BRASIL. Ministério da Saúde. Sistema Nacional de Transplantes (SNT). Brasil bate recorde de transplantes em 2024. Brasília, DF: Ministério da Saúde, 2025.  GULLA, Aiste et al. A narrative review: predicting liver transplant graft survival using artificial intelligence modeling. Frontiers in Transplantation, Abdominal Transplantation, v. 3, art. 1378378, 12 maio 2024 RODRIGUES, Maria Eduarda; PISA, Ivan Torres; SOUSA, Fernando Sequeira. Identificação de técnicas de inteligência artificial na literatura científica de alto impacto da área de transplantes. Journal of Health Sciences Institute (J Health Sci Inst.), São Paulo, v. 42, n. 3, p. 201–206, jul./set. 2024. YU, Youngdong et al. Artificial intelligence for predicting survival following deceased donor liver transplantation: retrospective multi‑center study. International Journal of Surgery, [S.l.], v. 105, p. 106838, 2022.  MIZERA, J. et al. Advancements in Artificial Intelligence for Kidney Transplantology: a comprehensive review of current applications and predictive models. Journal of Clinical Medicine, v. 14, n. 3, p. 975, 3 fev. 2025.