Modell des maschinellen Lernens steigert den Erfolg von Lebertransplantationen von kreislauftoten Spendern

Modell des maschinellen Lernens steigert den Erfolg von Lebertransplantationen von kreislauftoten Spendern

Auf der Warteliste für eine Lebertransplantation stehen mehr Kandidaten als verfügbare Organe, doch etwa in der Hälfte der Fälle, in denen eine Übereinstimmung mit einem Spender gefunden wird, der nach einem Herzstillstand infolge der Entfernung lebenserhaltender Maßnahmen stirbt, muss die Transplantation abgebrochen werden.

Bei dieser Art der Organspende, der sogenannten Spende nach Kreislauftod, darf die Zeitspanne zwischen der Entfernung der lebenserhaltenden Maßnahmen und dem Tod 30 bis 45 Minuten nicht überschreiten, da die Chirurgen die Leber sonst aufgrund des erhöhten Risikos von Komplikationen für den Empfänger häufig ablehnen.

Jetzt haben Forscher von Stanford Medicine ein auf maschinellem Lernen basierendes Modell entwickelt, das vorhersagt, ob ein Spender innerhalb des Zeitraums, in dem seine Organe für eine Transplantation lebensfähig sind, wahrscheinlich sterben wird. Das Modell übertraf das Urteilsvermögen des Chirurgen und reduzierte die Rate vergeblicher Beschaffungen – die auftreten, wenn die Transplantationsvorbereitungen begonnen haben, der Tod jedoch zu spät eintritt – um 60 %.

Durch die Identifizierung, wann ein Organ wahrscheinlich nützlich ist, bevor mit den Vorbereitungen für eine Operation begonnen wird, könnte dieses Modell den Transplantationsprozess effizienter gestalten. Es besteht auch das Potenzial, dass mehr Kandidaten, die eine Organtransplantation benötigen, eine solche erhalten können.“

Kazunari Sasaki, MD, klinischer Professor für Bauchtransplantation und leitender Autor der Studie

Das Werk wird veröffentlicht in Lancet Digital Health am 13. November. Der Hauptautor der Studie ist Rintaro Yanagawa von der Universität Kyoto.

Leberspende effizienter gestalten

Für Menschen mit einer Lebererkrankung im Endstadium, die aus einer schweren und irreversiblen Schädigung des Organs besteht, ist eine Transplantation die beste Behandlungsoption. Die Zahl der Menschen, die eine Leber benötigen, übersteigt die Zahl der Spender, aber die Lücke beginnt sich zu verringern, da Geräte eine normotherme maschinelle Perfusion durchführen, eine Technik, die Organe auf ihrem Weg vom Spender zum Empfänger auf der idealen Temperatur und mit Sauerstoff versorgt hält. Diese Geräte haben es ermöglicht, gespendete Organe nach einem Kreislauftod für Transplantationen zu verwenden.

Während die meisten Leberspenden von Spendern stammen, die einen Hirntod erlitten haben, nimmt die Zahl der Spenden nach dem Kreislauftod zu.

„Die Zahl der Lebertransplantationen steigt aufgrund der Spende nach einem Kreislauftod weiter an und die Warteliste wird immer kleiner. In Zukunft könnte es für jeden, der eine Lebertransplantation benötigt, möglich sein, eine von einem verstorbenen Spender zu bekommen“, sagte Sasaki.

Bei einer dritten Art der Lebertransplantation, der Lebendspende, wird einem gesunden Menschen ein Teil der Leber zur Transplantation entnommen – was möglich ist, weil sich die Leber regenerieren kann. Während „es eine schöne Geschichte ist“, sagte Sasaki über Lebendspenden, „ist jede größere Operation nicht ohne Risiko für den gesunden Spender.“

Allerdings gibt es bei der Spende nach einem Kreislauftod eine Herausforderung: Zeit.

Während der Spender stirbt, kann die Blutversorgung der Organe im gesamten Körper variieren und in manchen Fällen ganz zum Erliegen kommen, was zu Leberschäden führt. Die Leber enthält ein Netzwerk von Röhren, sogenannte Gänge, die Galle, eine Flüssigkeit, die uns bei der Verdauung von Nahrungsmitteln hilft, in die Gallenblase und den Darm pressen. Der lange Zeitraum zwischen der Einstellung der lebenserhaltenden Maßnahmen und dem Tod des Spenders ist mit Fehlfunktionen der Milchgänge und schwerwiegenden Komplikationen für Transplantatempfänger verbunden. Wenn der Zeitpunkt des Todes des Spenders mehr als 30 Minuten nach Beginn der Abnahme des Blutflusses zu den Körperorganen liegt, ist die Leber möglicherweise nicht für eine Transplantation geeignet.

Etwa die Hälfte der möglichen Spender stirbt innerhalb der ersten 30 Minuten nach Entfernung der lebenserhaltenden Maßnahmen. Wenn der Tod später eintritt, etwa 30 bis 60 Minuten nach Ende der lebenserhaltenden Maßnahmen, entscheiden Chirurgen anhand ihres Urteilsvermögens, welche Spender die besten Kandidaten sind, indem sie die Vitalfunktionen, Blutwerte und neurologischen Informationen des Spenders wie Pupille und Würgereflex berücksichtigen. Dennoch muss etwa die Hälfte der Transplantationen abgebrochen werden, weil der Tod zu spät eingetreten ist. Zu wissen, wo Ressourcen, wie zum Beispiel normotherme maschinelle Perfusionsgeräte, eingesetzt werden müssen, könne Geld sparen und die Arbeitsbelastung der Mitarbeiter im Transplantations-Gesundheitswesen rationalisieren, erklärte Sasaki.

Konkurrierende Algorithmen für maschinelles Lernen

Um den Zeitpunkt des Todes vorherzusagen, verwendet das Modell eine Reihe klinischer Informationen des Spenders, darunter Geschlecht, Alter, Body-Mass-Index, Blutdruck, Herzfrequenz, Atemfrequenz, Urinausstoß, Ergebnisse von Blutuntersuchungen und kardiovaskuläre Gesundheitsgeschichte. Das Modell berücksichtigt auch die Beatmungseinstellungen, die angeben, wie viel Hilfe jemand zum Atmen benötigt, zusätzlich zu neurologischen Beurteilungen des Bewusstseinszustands des Patienten sowie Pupillen-, Hornhaut-, Husten-, Würge- und motorischen Reflexen.

Das Forschungsteam ließ zahlreiche maschinelle Lernalgorithmen gegeneinander antreten, um denjenigen zu finden, der den Todeszeitpunkt am besten vorhersagte, und zwar unter Verwendung derselben Informationen, die Chirurgen zur Verfügung standen. Der Siegeralgorithmus war genauer als Chirurgen und andere verfügbare computergestützte Tools bei der Vorhersage, ob der Zeitpunkt des Todes des Spenders innerhalb des akzeptablen Zeitrahmens für eine erfolgreiche Transplantation liegen würde. Das Modell wurde an mehr als 2.000 realen Fällen aus sechs US-amerikanischen Transplantationszentren trainiert und validiert.

Das Modell sagt den Todeszeitpunkt des Spenders in 75 % der Fälle genau voraus und übertrifft damit sowohl vorhandene Tools als auch die durchschnittliche Beurteilung von Chirurgen, die den Todeszeitpunkt in 65 % der Fälle genau vorhersagten. Außerdem werden genaue Vorhersagen für Fälle getroffen, in denen Informationen in der Krankenakte fehlen.

Das Forschungsteam hat das Modell so konzipiert, dass es anpassbar ist, sodass es unterschiedlichen Präferenzen von Chirurgen und Krankenhausverfahren gerecht werden kann. Das Modell kann beispielsweise so eingestellt werden, dass es den Zeitpunkt des Todes ab dem Zeitpunkt berechnet, an dem die lebenserhaltenden Maßnahmen entfernt werden, oder ab dem Beginn der Agonalatmung, einem keuchenden Atemmuster, das auftritt, wenn ein Körper stirbt. Die Forscher haben auch eine Schnittstelle in natürlicher Sprache entwickelt, ähnlich wie ChatGPT, die Informationen aus der Krankenakte des Spenders in das Modell zieht.

Minimierung verpasster Chancen

Manchmal tritt der Tod unerwartet innerhalb des Zeitrahmens ein, in dem Organe für eine Transplantation geeignet sind. Da jedoch die Vorbereitungen laufen müssen, bevor der Spender stirbt, kommt es in diesen Fällen nicht zu einer Transplantation. Der Anteil dieser verpassten Gelegenheiten war für das Modell und die Einschätzung des Chirurgen ähnlich: Beide lagen bei knapp über 15 %.

Da die künstliche Intelligenz rasch voranschreitet, gehen die Forscher davon aus, dass sich die Genauigkeit des Modells bei der Vorhersage des Todeszeitpunkts verbessern und mehr verpasste Gelegenheiten erkennen wird.

„Wir arbeiten jetzt daran, die Rate verpasster Gelegenheiten zu senken, weil es im besten Interesse der Patienten liegt, dass diejenigen, die Transplantationen benötigen, diese erhalten“, sagte Sasaki. „Wir verfeinern das Modell weiter, indem wir Wettbewerbe zwischen verfügbaren Algorithmen für maschinelles Lernen durchführen, und wir haben kürzlich einen Algorithmus gefunden, der die gleiche Genauigkeit bei der Vorhersage des Todeszeitpunkts erreicht, jedoch mit einer verpassten Gelegenheitsrate von etwa 10 %.“

Das Forschungsteam arbeitet auch an Variationen des Modells für den Einsatz bei Herz- und Lungentransplantationen.

Forscher der International University of Health and Welfare, der Duke University School of Medicine, der Cleveland Clinic, des University of Rochester Medical Center, des University of Florida College of Medicine, der Virginia Commonwealth University Health, des Columbia University Irving Medical Center und von Transmedics, Inc. haben zu dieser Studie beigetragen.

Quellen: