LiveR, el «Tinder» de trasplantes de hígado hecho por 2 estudiantes

Un "Tinder" para hígados: cómo funciona el algoritmo de LiveR

Cuando se detecta un donante compatible, el sistema de asignación clásico —el MELD (Model for End-Stage Liver Disease)— ordena a los pacientes en lista de espera según la urgencia de su hepatopatía. El problema, según explican los creadores de LiveR, es que esa puntuación prioriza el "quién está más grave" sin evaluar con precisión cómo de bien funcionará el órgano en el cuerpo de cada receptor concreto. Ahí entran Joaquín Berenguer y Sergio Tordera, alumnos de cuarto curso del doble grado de Ingeniería Informática y Matemáticas de la Universitat Politècnica de València (UPV), que han construido junto al Instituto de Investigación Sanitaria La Fe un sistema de soporte a la decisión clínica que cruza, en tiempo real, las variables del donante con los perfiles de los pacientes en espera.

El proyecto no pretende jubilar al MELD, sino complementarlo. La fuente original, publicada en Xataka, lo describe como un sistema multimodelo que, al notificarse un donante, evalúa múltiples combinaciones receptor-donante y emite un informe con tres predicciones de aprendizaje automático:

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

El informe final funde la urgencia clínica del MELD con esas predicciones de compatibilidad, lo que convierte a LiveR en un asistente para el equipo médico —no en su sustituto— y de ahí el sobrenombre de "Tinder" para trasplantes que le ha puesto la prensa.

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

La historia detrás del código: el abuelo que impulsó el primer trasplante hepático en Valencia

Hay un detalle que convierte a LiveR en algo más que un trabajo de clase: Joaquín Berenguer es nieto del médico que promovió el primer trasplante de hígado en Valencia, y varios familiares directos ejercen la hepatología. Esa raíz familiar es la que, según declaró al diario El Correo, llevó a los dos estudiantes a "enraizar" su perfil técnico con un problema clínico real.

El contexto explica también por qué eligieron el Hospital La Fe como primer socio: además de ser uno de los centros de referencia en trasplantes hepáticos en España, disponía de un registro histórico suficiente para entrenar los modelos. La elección, sin embargo, destapó la primera gran lección del proyecto.

La trampa de los datos históricos: hepatitis C y sesgo del 75%

Como relata la fuente original, al entrenar los algoritmos con la base histórica de La Fe detectaron un sesgo claro: el modelo asignaba un peso desproporcionado a los pacientes con hepatitis C. ¿El motivo? No era un bug, era historia de la medicina: la llegada de los antivirales de acción directa a partir de 2015 redujo la prevalencia de la enfermedad hasta en un 75%, según los datos que citan los propios autores del proyecto. Los registros anteriores a esa fecha seguían inflando la hepatitis C como causa de trasplante, y el modelo había aprendido literalmente el pasado en lugar del presente.

La solución fue manual: recalibrar las ponderaciones del algoritmo para corregir el desajuste. Es un ejemplo de manual de por qué la supervisión humana sigue siendo imprescindible en cualquier despliegue serio de IA en salud, y de por qué entrenar con datos locales exige auditar qué cambió epidemiológicamente en los últimos diez años antes de confiar en las predicciones.

El camino regulatorio: de proyecto universitario a dispositivo médico real

Aquí llega la parte menos romántica y más relevante para quien esté pensando en aplicar IA a un problema sanitario. La fuente original advierte: pasar de una prueba de concepto universitaria a un Software as a Medical Device (SaMD) integrado en el sistema público implica:

Fases largas de validación clínica con datos prospectivos.
Integración regulatoria con las agencias del medicamento (en la UE, el marco MDR y la evaluación de la EMA).
Acuerdos de transferencia tecnológica entre la universidad, el hospital y, eventualmente, un socio industrial o una spin-off.

Por ahora, los creadores trabajan con el Instituto de Investigación Sanitaria La Fe para avanzar en la fase de integración en la práctica clínica diaria del centro, según confirma Xataka.

Premio en los II Premios Nacionales de IA de Samsung

LiveR se llevó el máximo galardón en la categoría general de los II Premios Nacionales de Inteligencia Artificial, entregados en el Samsung Innovation Campus Summit 2026 en Madrid. El jurado evaluó 60 propuestas de estudiantes de distintas universidades españolas y premió el proyecto por su "aplicabilidad técnica e impacto clínico real", en palabras de Miguel Ángel Ruiz Ortega, Head of Brand Strategy & Innovation de Samsung Iberia, recogidas por la fuente original.

En el mismo acto, Elena Fernández Angulo, directora de Marketing Corporativo y Comunicación de Samsung Electronics Iberia, resumió el momento que vive la IA con una frase que define bien el estado del sector: "La inteligencia artificial está entrando en una etapa en la que ya no basta con hablar de todo lo que puede hacer. El reto es convertir ese potencial en soluciones útiles para las personas y hacerlo de forma responsable y confiable".

¿Qué significa esto para tu startup?

Aunque el caso es médico, el patrón de fondo —detectar un cuello de botella operativo, entrenar con datos del dominio y construir un sistema de soporte a la decisión— se replica en logística, supply chain, recursos humanos y, por supuesto, salud digital. Tres lecciones concretas que un founder puede llevarse:

Empezar por el cuello de botella, no por la tecnología. LiveR no nace porque "hacía falta IA", sino porque el emparejamiento donante-receptor tenía una limitación estructural que el MELD no resolvía. Antes de entrenar nada, identifica qué decisión de tu operación está tomando alguien con información incompleta.
Auditar el sesgo temporal de los datos. Si entrenas con histórico, pregúntate qué cambió en el mundo desde la fecha más antigua de tu dataset. El ejemplo de la hepatitis C (prevalencia caída un 75% tras 2015) es un caso extremo, pero el patrón es universal: datos de hace cinco años pueden tener poco que ver con tu problema de hoy.
Diseñar para la supervisión humana desde el día uno. Tanto el DSS como los informes "interpretables" que cita la fuente están pensados para que el experto valide, no para que la máquina decida. En sectores regulados (salud, finanzas, legal) esa arquitectura es la única que te va a permitir pasar la auditoría.