مقارنة المتبرعين والمستفيدين في زراعة الكبد باستخدام التعلم المعزز غير التفاعلي

لماذا تهم قرارات زراعة الكبد هذه

بالنسبة للأشخاص المصابين بأمراض كبدية حادة، قد يعني الحصول على زرع الفرق بين الحياة والموت — لكن هناك عدداً أقل بكثير من كبدي المتبرعين مقارنة بالمرضى الذين يحتاجونها. يجب على الأطباء أن يقرروا باستمرار ما إذا كانوا سيقبلون كبدًا معينًا لمريض محدد، أم يستمرون في الانتظار لمطابقة أفضل، أم يزيلون شخصًا من قائمة الانتظار إذا تحسّن أو ساءت حالته. تستكشف هذه الدراسة ما إذا كان شكل من أشكال الذكاء الاصطناعي، المعروف باسم التعلم المعزز غير التفاعلي، يمكنه أن يتعلم من سنوات من بيانات الزرع ليقترح قرارات مطابقة أكثر أمانًا وذكاءً تنقذ المزيد من الأرواح وتستفيد بشكل أفضل من كل عضو متبرع به.

من التنبؤات لمرة واحدة إلى اتخاذ قرارات مستمرة

تعتمد معظم الأدوات الحالية المستخدمة في زراعة الكبد على لحظة زمنية واحدة — على سبيل المثال، يوم الجراحة — وتقدّر احتمال نجاة المريض باستخدام عضو متبرع معين. وغالبًا ما تعتمد على درجات مثل نموذج مرض الكبد في مراحله النهائية (MELD)، الذي يلخّص نتائج الفحوصات المخبرية إلى رقم يساعد في إعطاء أولوية لأشد المرضى مرضًا. لكن هذه الأدوات تغفل جزءًا حاسمًا من الواقع: حالة المريض تتغير على مدى أسابيع وأشهر، وكل قرار بقبول أو رفض عضو معروض يؤثر على ما سيحدث لاحقًا، بما في ذلك خطر الوفاة أثناء وجوده في قائمة الانتظار. بدلاً من ذلك، صاغ الباحثون مسألة الزرع كسلسلة من القرارات على مرّ الزمن، حيث يؤدي كل خيار بالزرع أو الانتظار أو إزالة المريض من القائمة إلى مستقبلات محتملة مختلفة.

تعليم الحاسوب التعلم من خيارات الزرع الماضية

استخدم الباحثون سجلات من السجل العلمي للمستفيدين من الزرع في الولايات المتحدة، مع التركيز على أكثر من 43,000 بالغ مدرجين لزرع كبد لأول مرة بين عامي 2017 و2022. لكل شخص، أعادوا بناء خط زمني لدرجات MELD وعروض المتبرعين المحتملة، بما في ذلك الأعضاء التي أُهملت في النهاية. في كل خطوة، رأت الحاسوب خصائص المريض، وسمات المتبرع المحتمل، وثلاثة إجراءات ممكنة: الانتظار، الزرع، أو إزالة من القائمة. ثم تلقى إشارة مكافأة بناءً على ما حدث لاحقًا فعلًا — سواء تحسنت حالة المريض أو ساءت، سواء نجح الزرع أو فشل أو لم يحدث إطلاقًا. باستخدام تقنية تسمى التعلم المحافظ لـ Q (Conservative Q-learning)، تم تدريب النظام على تفضيل القرارات التي، عبر العديد من هذه الخطوط الزمنية، أدت إلى وفيات أقل وفشل زرع أقل.

ما الذي كانت ستغيره السياسة المتعلمة

عندما اختبروا النظام المدرب على مجموعة منفصلة من المرضى، تجنّب 73% من أزواج المتبرع–المستلم التي أدت في الحياة الواقعية إلى فشل الطُعم أو الوفاة خلال عام من الزرع، مع الحفاظ في الوقت نفسه على 93% من حالات الزرع الناجحة. كما حدّد فرص زرع أبكر لما يقرب من نصف المرضى الذين توفّوا في قائمة الانتظار، ما يشير إلى أن توقيتًا أو متبرعين مختلفين ربما كانوا سيحسنون فرصهم. والجدير بالذكر أن هذه الطريقة، على خلاف استراتيجيات متشددة جدًا تقوم ببساطة بزرع معظم المرضى بمجرد تفاقم حالتهم، قيدت العدد الإجمالي للعمليات مع تحسّن النتائج. في محاكاة أكثر واقعية، حيث يمكن استخدام كل كبد متبرَع به لمرة واحدة فقط ويغادر المرضى المجموعة بعد الزرع أو الإزالة، نجح النموذج أيضًا في توفيق غالبية المرضى مع المتبرعين مع تقليل حالات الفشل التي كان من الممكن تجنبها.

دلائل على مطابقات أفضل مخبأة في البيانات

بعيدًا عن أرقام الأداء الخام، فحص الفريق أنواع أزواج المتبرع–المستلم التي كان النظام يميل إلى تفضيلها. بالمقارنة مع قواعد بسيطة تعتمد على MELD، اختارت الاستراتيجية المتعلمة مرضى كانوا أقل حدة إلى حد ما، ومتبرعين يشبهون أولئك في عمليات الزرع الناجحة تاريخيًا — أعضاء هامشية أقل وعدد أقل من المتلقين الذين يحتاجون إلى دعم حياتي مكثف. والأمر اللافت أن النظام أنقذ أيضًا مجموعة من الكبدي التي كانت قد أُهملت في الممارسة العملية لكنها بدت ذات جودة مقبولة نسبيًا. كانت خيارات الزرع التي اتخذها النموذج ضمن مجموعات مُعنونة بالفعل بـ«عالية الخطورة» وفقًا للدرجات القياسية مرتبطة ببقاء فعلي أفضل، رغم أن تلك الدرجات نفسها لم تختلف، مما يلمّح إلى أن الخوارزمية التقطت أنماطًا معقدة قد تفلت من الأدوات الحالية.

ماذا قد يعني هذا للمرضى والأطباء

هذا العمل لا يقدّم بعد نظامًا جاهزًا للاستخدام بجانب السرير، لكنه يبيّن أن طريقة ذكاء اصطناعي درّبت بالكامل على بيانات سابقة يمكن أن تمثّل عن كثب المقايضات الواقعية التي تواجهها زراعة الكبد — موازنة خطر الانتظار طويلاً مقابل خطر استخدام مطابقة ضعيفة. من خلال تعلّم متى تقول نعم أو لا أو ليس الآن لكل عرض عضو، خفّض النهج حالات فشل الطُعم في المحاكاة مع الاحتفاظ بمعظم النجاحات، وقدم آمالًا جديدة لكثيرين ممن كان قد يموتون على قائمة الانتظار. مع مزيد من الصقل وبيانات أفضل واختبارات دقيقة، قد تساعد أدوات دعم القرار المماثلة فرق الزرع على استخدام كل كبد متبرع به بحكمة أكبر ومنح مزيد من المرضى فرصة ثانية مستديمة.

الاستشهاد: Melehy, A., Feng, J., Amara, D. et al. Liver transplant donor-recipient matching with offline reinforcement learning. npj Digit. Med. 9, 351 (2026). https://doi.org/10.1038/s41746-026-02529-1

الكلمات المفتاحية: زراعة الكبد, تخصيص الأعضاء, التعلم المعزز, الذكاء الاصطناعي الطبي, مطابقة المتبرع والمستلم