（图片来源：Pixabay，公共领域）
肝脏移植等待名单上的候选人数远超可用器官数量，然而当匹配到在撤除生命支持后因心脏骤停死亡的捐赠者时，近半数情况下移植手术不得不取消。
对于这种称为循环死亡后捐赠的器官来源，撤除生命支持至死亡的时间不得超过30至45分钟，否则外科医生常因受体并发症风险升高而拒绝使用该肝脏。
现在，斯坦福医学院研究人员开发出一种基于机器学习的模型，可预测捐赠者是否可能在器官可行的时间窗口内死亡。该模型表现优于外科医生判断，将无效器官获取率——即移植准备工作已启动但死亡发生过晚的情况——降低了60%。
“通过在手术准备启动前识别出可能可用的器官，此模型能提升移植流程效率，”该研究资深作者、腹部移植临床教授 Kazunari Sasaki 医学博士表示，“它还有潜力让更多需要器官移植的候选者成功获得移植。”
该研究成果发表在《柳叶刀数字健康》期刊，京都大学的 Rintaro Yanagawa 担任研究第一作者。
提升肝脏捐赠效率
对于患有终末期肝病（即肝脏遭受严重且不可逆损伤）的患者而言，最佳治疗方案是移植手术。
需要肝脏的患者数量长期超过捐赠者数量，但随着常温机械灌注设备的普及，这一差距正逐渐缩小。该技术使器官在从捐赠者运输至受体过程中保持理想温度并持续供氧，从而让循环死亡后捐赠的器官得以用于移植。
尽管多数肝脏捐赠来自脑死亡捐赠者，但循环死亡后捐赠的数量正在增长。
Sasaki 表示：“由于循环死亡后捐赠的推广，肝脏移植数量持续上升，等待名单正在缩短。未来，所有需要肝脏移植的患者或许都能从已故捐赠者处获得器官。”
第三种肝脏移植方式——活体捐赠，涉及切除健康人的部分肝脏进行移植。由于肝脏具有再生能力，这种方式可行。Sasaki 评价活体捐赠时说：“这虽是个美好的故事，但任何大型手术对健康捐赠者都存在一定风险。”
然而，循环死亡后捐赠面临一个关键挑战：时间。
捐赠者临终期间，全身器官的血液供应可能出现波动甚至完全中断，导致肝脏损伤。肝脏包含称为胆管的管道网络，可将助消化的胆汁挤压至胆囊和肠道。
撤除生命支持至捐赠者死亡的时间过长，与胆管功能障碍及移植受体的严重并发症相关。若捐赠者死亡时间发生在血液流向器官开始减少后超过30分钟，肝脏可能无法用于移植。
约半数潜在捐赠者在撤除生命支持后30分钟内死亡。当死亡发生在30至60分钟之间时，外科医生需结合捐赠者生命体征、血液检测及瞳孔与咽反射等神经学信息进行判断。
但即便如此，近半数移植仍需取消，因死亡发生过晚。Sasaki 解释道：“明确资源分配方向（如常温机械灌注设备的使用）可节约资金并优化移植医疗工作者的工作流程。”
机器学习算法的优化竞争
该模型通过整合捐赠者多项临床信息预测死亡时间，包括性别、年龄、体重指数、血压、心率、呼吸频率、尿量、血液检测结果及心血管健康史。
模型还考虑呼吸机设置参数（反映患者呼吸辅助需求程度），以及意识状态、瞳孔、角膜、咳嗽、咽反射和运动反射等神经学评估结果。
研究团队对比了多种机器学习算法，筛选出能利用外科医生可获取的相同信息最精准预测死亡时间的方案。胜出算法在预测捐赠者死亡是否处于移植可行时间窗内的准确性上，超越外科医生及其他计算机化工具。
该模型基于美国六大移植中心超2000例真实案例进行训练和验证。
模型预测捐赠者死亡时间的准确率达75%，优于现有工具及外科医生65%的平均判断准确率。即使患者医疗记录信息缺失，模型仍能保持准确预测。
研究团队将模型设计为可定制化，以适配不同外科医生偏好和医院流程。例如，模型可设置为从撤除生命支持时或临终喘息（身体濒死时的急促呼吸模式）开始时计算死亡时间。
研究人员还开发了类似 ChatGPT 的自然语言界面，可从捐赠者医疗记录中提取信息输入模型。
减少错失机会
有时死亡意外发生在器官适用时间窗内，但因捐赠者死亡前准备工作必须启动，此类案例仍无法完成移植。模型与外科医生判断的错失机会率相近，均略超15%。
由于人工智能快速发展，研究团队预计模型预测死亡时间的准确性将提升，并能捕捉更多错失机会。
Sasaki 表示：“我们正致力于降低错失机会率，因让需要移植的患者及时获得器官最符合患者利益。”
“我们持续通过优化现有机器学习算法提升模型，近期发现一种新算法在保持死亡时间预测准确率的同时，可将错失机会率降至约10%。”
研究团队还正在开发适用于心脏和肺移植的模型变体。
国际健康福利大学、杜克大学医学院、克利夫兰诊所、罗切斯特大学医学中心、佛罗里达大学医学院、弗吉尼亚联邦大学医疗系统、哥伦比亚大学欧文医学中心及 Transmedics 公司的研究人员共同参与了此项研究。
【全文结束】
