En los últimos años, ha habido un aumento en la atención de la investigación hacia las tareas que involucran datos de grafos, en gran parte debido al impresionante rendimiento demostrado por las redes neuronales de grafos (GNNs) en el manejo de dicha información. Actualmente, la detección fuera de distribución (OOD) en grafos es un tema de investigación candente. El objetivo de la detección OOD en grafos es identificar nodos o nuevos grafos que difieren de la distribución de datos de entrenamiento, principalmente en términos de atributos y estructuras. La detección OOD es crucial para mejorar la estabilidad, seguridad y robustez de los modelos. En diversas aplicaciones, como redes biológicas y fraudes financieros, la detección OOD en grafos puede ayudar a los modelos a identificar anomalías o situaciones imprevistas, permitiendo así respuestas apropiadas. En la detección OOD a nivel de nodo, los modelos existentes típicamente solo consideran vecinos de primer orden. Este documento introduce la difusión de grafos a la tarea de detección OOD por primera vez, proponiendo el modelo HOOD, un algoritmo de detección de nodos OOD basado en difusión de grafos. Específicamente, el grafo original se procesa a través de la difusión de grafos para obtener un nuevo grafo que pueda capturar directamente información de vecinos de alto orden, superando la limitación de que el paso de mensajes debe pasar por vecinos de primer orden. Luego, el nuevo grafo se esparsifica utilizando un enfoque top-k. Basándose en información de entropía, se emplea regularización para garantizar la incertidumbre de los nodos OOD, otorgando así mayores puntuaciones a estos nodos y permitiendo que el modelo detecte efectivamente los nodos OOD mientras se asegura la precisión de la clasificación de nodos en distribución. Los resultados experimentales demuestran que el modelo HOOD supera a los métodos existentes tanto en la clasificación de nodos como en las tareas de detección OOD en múltiples puntos de referencia, resaltando su robustez y efectividad.