Objetivo: Nuestro objetivo es explorar el posible papel de diferentes clasificadores de Machine Learning como modelos de predicción de la supervivencia del injerto en la donación controlada en asistolia bajo perfusión regional normotérmica (PRN). A partir del mejor modelo obtenido, se establecerá un score de riesgo, que se integrará en un sistema automático de emparejamiento donante-receptor (D-R). Método: Se realizó un estudio de cohortes multicéntrico retrospectivo español utilizando 543 emparejamientos D-R bajo PRN. Se incluyeron inicialmente 17 variables de donante y receptor. Los clasificadores evaluados fueron la regresión logística (RL), el clasificador Ridge (RC), máquinas de vectores de soporte (SVC), el perceptrón multicapa (MLP) y los Random Forest (RF). El end-point del estudio fue la supervivencia del injerto a 3 y 12 meses. Se desarrolló un score de riesgo para la pérdida del injerto a los 12 meses basado en el mejor modelo obtenido. Este score fue comparado con el UK DCD score en nuestra población. Resultado: De los algoritmos de ML evaluados, la RL (AUC 0,838) superó a los demás clasificadores en la predicción de la supervivencia del injerto tanto a 3 como a 12 meses. Nuestro score, obtuvo una performance superior al UK DCD score (índice C 0,837 frente a 0,565; p<0,05) en la predicción de supervivencia del injerto a 12 meses. Las variables de mayor peso en el modelo fueron la isquemia fría y el retrasplante. El score fue integrado con el sistema MELD en un sistema de emparejamiento automático basado en reglas. Conclusión: En la DAC bajo NRP, los clasificadores como MLP o RF fueron superados por la RL. Estos hallazgos estuvieron condicionados por las características del conjunto de datos. Nuestro score obtuvo un rendimiento satisfactorio en nuestra población. El sistema de emparejamiento D-R podría asistir en la decisión de asignación del injerto.