יש יותר מועמדים ברשימת ההמתנה להשתלת כבד מאשר איברים זמינים, אולם כמחצית מהזמן שנמצא התאמה לתורם שמת לאחר דום לב בעקבות הסרת התמיכה בחיים, יש לבטל את ההשתלה.
עבור סוג זה של תרומת איברים, הנקראת תרומה לאחר מוות במחזור הדם, הזמן בין הסרת תמיכת החיים למוות לא יעלה על 30 עד 45 דקות, אחרת המנתחים ידחו לעתים קרובות את הכבד בגלל הסיכון המוגבר לסיבוכים למקבל.
כעת, חוקרי סטנפורד רפואה פיתחו מודל מבוסס למידת מכונה המנבא אם תורם צפוי למות במסגרת הזמן שבמהלכו איבריו כשירים להשתלה. המודל גבר על שיקול הדעת של המנתח והפחית את שיעור הרכישות חסרות התועלת – המתרחשות כאשר הכנות להשתלות החלו אך המוות מתרחש מאוחר מדי – ב-60%.
"על ידי זיהוי מתי איבר עשוי להיות שימושי לפני שהחלו הכנות כלשהן לניתוח, המודל הזה יכול להפוך את תהליך ההשתלה ליעיל יותר", אמר קזונארי סאסאקי, MD, פרופסור קליני להשתלת בטן ומחבר בכיר במחקר. "יש לזה גם פוטנציאל לאפשר ליותר מועמדים הזקוקים להשתלת איברים לקבל אחד".
העבודה מתפרסמת ב Lancet Digital Health ב-13 בנובמבר. המחבר הראשי של המחקר הוא Rintaro Yanagawa מאוניברסיטת קיוטו.
ביצוע תרומת כבד ליעילה יותר
עבור אנשים עם מחלת כבד סופנית, המורכבת מנזק חמור ובלתי הפיך לאיבר, אפשרות הטיפול הטובה ביותר היא השתלה. מספר האנשים הזקוקים לכבד עולה על מספר התורמים, אך הפער מתחיל להצטמצם עקב מכשירים המבצעים זלוף מכונה נורמותרמית, טכניקה השומרת על איברים בטמפרטורה האידיאלית ומספקת חמצן בזמן שהם עוברים מהתורם למקבל. מכשירים אלו אפשרו להשתמש באיברים מתרומת לאחר מוות במחזור הדם להשתלות.
בעוד שרוב תרומות הכבד מגיעות מתורמים שסבלו ממוות מוחי, מספר התרומות לאחר מוות במחזור הדם הולך וגדל.
"מספר השתלות הכבד ממשיך לעלות בגלל תרומה לאחר מוות במחזור הדם, ורשימת ההמתנה הולכת וקטנה. בעתיד, ייתכן שיהיה אפשרי לכל מי שזקוק להשתלת כבד לקבל כזו מתורם שנפטר", אמר סאסאקי.
סוג שלישי של השתלת כבד, תרומת חיים, כולל הוצאת חלק מהכבד של אדם בריא להשתלה – דבר אפשרי מכיוון שהכבד יכול להתחדש. אמנם "זה סיפור יפהפה", אמר סאסאקי על תרומה חיה, "כל ניתוח גדול אינו חף מסיכון לתורם הבריא".
עם זאת, יש אתגר לתרומה לאחר מוות במחזור הדם: זמן.
בזמן שהתורם גוסס, אספקת הדם לאיברים בכל הגוף יכולה להשתנות, ובמקרים מסוימים להפסיק לחלוטין, מה שמוביל לנזק לכבד. הכבד מכיל רשת של צינורות הנקראים צינורות הסוחטים את המרה, נוזל שעוזר לנו לעכל מזון, אל כיס המרה והמעיים. זמן רב בין הפסקת התמיכה בחיים ועד מועד המוות של התורם קשור לתקלות תקלות וסיבוכים חמורים למושתלים. אם זמן המוות של התורם מתרחש יותר מ-30 דקות לאחר שזרימת הדם מתחילה לרדת לאיברי הגוף, ייתכן שהכבד לא יועיל להשתלה.
כמחצית מהתורמים האפשריים מתים בתוך 30 הדקות הראשונות לאחר הסרת תמיכת החיים. כאשר המוות מתרחש מאוחר יותר, בין 30 ל-60 דקות לאחר סיום תמיכת החיים, המנתחים משתמשים בשיקול הדעת שלהם כדי לקבוע אילו תורמים הם המועמדים הטובים ביותר על ידי התחשבות בסימנים החיוניים של התורם, בעבודת הדם ובמידע הנוירולוגי כגון רפלקס האישון וההסתה. ובכל זאת, יש לבטל כמחצית מההשתלות כי המוות אירע מאוחר מדי. לדעת היכן להקצות משאבים, כגון מכשירי זילוף מכונות נורמותרמית, יכול לחסוך כסף ולייעל את עומס העבודה של עובדי שירותי הבריאות המושתלים, הסביר סאסאקי.
אלגוריתמים מתחרים ללימוד מכונה
כדי לחזות את מועד המוות, המודל משתמש במערך של מידע קליני מהתורם כולל מין, גיל, מדד מסת גוף, לחץ דם, דופק, קצב נשימה, תפוקת שתן, תוצאות בדיקות דם והיסטוריה של בריאות קרדיווסקולרית. המודל מתייחס גם להגדרות ההנשמה, המצביעות על כמות העזרה שמישהו צריך לנשום, בנוסף להערכות נוירולוגיות של מידת ההכרה של המטופל, כמו גם רפלקסים של אישון, קרנית, שיעול, סתימת פיות ורפלקסים מוטוריים.
צוות המחקר העמיד אלגוריתמים רבים של למידת מכונה זה מול זה כדי למצוא את זה שחזה בצורה הטובה ביותר את זמן המוות באמצעות אותו מידע זמין למנתחים. האלגוריתם המנצח היה מדויק יותר מאשר מנתחים וכלים ממוחשבים זמינים אחרים בניבוי האם זמן מותו של התורם יתרחש במסגרת הזמן המקובלת להשתלה מוצלחת. המודל הוכשר ואושר על יותר מ-2,000 מקרים בעולם האמיתי משישה מרכזי השתלות בארה"ב.
המודל מנבא במדויק את זמן המוות של התורם ב-75% מהמקרים, ועולה על הכלים הקיימים וגם על שיקול הדעת הממוצע של מנתחים, שחזו במדויק את זמן המוות ב-65% מהמקרים. הוא גם עושה תחזיות מדויקות למקרים עם מידע חסר ברשומה הרפואית.
צוות המחקר עיצב את המודל כך שיהיה ניתן להתאמה אישית כך שיוכל להתמודד עם העדפות מנתחים והליכי בית חולים שונים. לדוגמה, ניתן להגדיר את המודל לחישוב זמן המוות מרגע הסרת תמיכת החיים או מרגע שמתחילה נשימה עגומה, דפוס נשימה מתנשף שקורה כשגוף גוסס. החוקרים פיתחו גם ממשק שפה טבעית, בדומה ל-ChatGPT, השואב מידע מהתיעוד הרפואי של התורם לתוך המודל.
מזעור הזדמנויות שהוחמצו
לפעמים מוות מתרחש באופן בלתי צפוי בתוך מסגרת הזמן שבה איברים מתאימים להשתלה, אך מכיוון שיש לבצע הכנות לפני שהתורם מת, מקרים אלו אינם מביאים להשתלה. שיעור ההזדמנויות החמצות הללו היה דומה מבחינת המודל והמנתח: שניהם היו קצת יותר מ-15%.
מכיוון שהבינה המלאכותית מתקדמת במהירות, החוקרים מצפים שהדיוק של המודל בחיזוי מועד המוות ישתפר ושהוא יתפוס עוד הזדמנויות שהוחמצו.
"אנחנו עובדים כעת על הפחתת שיעור ההזדמנויות שהוחמצו כי זה לטובת המטופלים שאלו הזקוקים להשתלות יקבלו אותם", אמר סאסאקי. "אנחנו ממשיכים לשכלל את המודל על ידי קיום תחרויות בין אלגוריתמים זמינים של למידת מכונה, ולאחרונה מצאנו אלגוריתם שמשיג את אותו דיוק בחיזוי שעת המוות אך עם שיעור החמצה של כ-10%".
צוות המחקר עובד גם על וריאציות של המודל לשימוש בהשתלות לב וריאות.
למחקר זה תרמו חוקרים מהאוניברסיטה הבינלאומית לבריאות ורווחה, בית הספר לרפואה של אוניברסיטת דיוק, מרפאת קליבלנד, המרכז הרפואי של אוניברסיטת רוצ'סטר, מכללת אוניברסיטת פלורידה לרפואה, וירג'יניה Commonwealth University Health, University Columbia University Irving Medical Center ו-Transmedics, Inc.
