Ein durch maschinelles Lernen abgeleitetes Modell zur biologischen Leberalterbestimmung liefert eine bessere Einschätzung des Alterns als das chronologische Alter bei Transplantationen

Warum das Leberalter für Transplantationspatienten wichtig ist

Lebertransplantationen retten Leben, aber es gibt nie genügend Spenderorgane, um die Nachfrage zu decken. Viele Lebern werden allein deshalb abgelehnt, weil die Spender älter sind, obwohl einige dieser Organe dennoch gut funktionieren könnten. Diese Studie stellt eine einfache Frage mit großen Folgen: Statt eine Leber nach der Anzahl der Geburtstage ihres Spenders zu beurteilen — lässt sich das tatsächliche „Alter“ des Organs selbst abschätzen?

Über den Kalender hinausblicken

Ärzte klassifizieren Spenderlebern üblicherweise nach dem chronologischen Alter, also den Lebensjahren des Spenders. Ältere Spender gelten oft als risikoreicher, und ihre Lebern werden verworfen oder nur vorsichtig verwendet. Forschungsbefunde deuten jedoch darauf hin, dass die Leber langsamer altert als viele andere Organe und selbst bei sehr alten Menschen gesund bleiben kann. Das bedeutet, dass eine Leber von einer 70-Jährigen wie die einer deutlich Jüngeren funktionieren kann, während eine Leber eines mittelalten Spenders schon verschlissen sein könnte. Die Autoren argumentieren, dass das entscheidend ist: das biologische Alter des Organs — ein Maß für seinen tatsächlichen physischen Zustand — und nicht nur das Geburtsdatum.

Labortests in eine Altersabschätzung verwandeln

Um ein besseres Maß für das Leberalter zu entwickeln, untersuchten die Forscher 247 verstorbene Spender an einem einzigen Transplantationszentrum. Vor der Spende wurden bei jedem Spender Bildgebungen und Bluttests zur Leberfunktion, Blutgerinnung und Entzündung durchgeführt. Diese 20 routinemäßigen klinischen Marker erfassen, wie steif das Lebergewebe ist, wie gut es Proteine herstellt, wie leicht Blut hindurchfließt und wie stark Entzündungen vorhanden sind. Mit diesen Messwerten trainierten die Forscher mehrere Computermodelle, darunter traditionelle statistische Verfahren und flexiblere Methoden des maschinellen Lernens, um das biologische Alter jedes Transplants zu schätzen. Die Modelle lernten zuerst, wie sich diese Marker typischerweise mit dem Alter verändern, und nutzten dieses Muster, um jedem Organ eine altersähnliche Punktzahl zuzuweisen.

Maschinelles Lernen entdeckt verborgenen Verschleiß

Die Forscher testeten ihre Modelle anschließend in einer separaten Gruppe von 82 Spender‑Empfänger-Paaren, die später transplantiert wurden. Ein konventionelles lineares Modell entsprach am besten dem tatsächlichen Alter der Spender, reproduzierte jedoch größtenteils nur das Kalenderalter und lieferte keine zusätzliche Risikoinformation. Im Gegensatz dazu erfasste ein Gradient-Boosting-Maschinenlernmodell komplexere Muster. Es spiegelte das chronologische Alter schlechter wider, aber seine biologischen Alterswerte standen in starkem Zusammenhang mit den klinischen Ergebnissen. Lebern, deren biologisches Alter höher war als das Kalenderalter des Spenders, waren nach der Operation eher mit Problemen der Gallenwege verbunden und gingen mit schlechterem Transplantatüberleben einher. In diesem Modell erwies sich ein älteres-als-erwartetes biologisches Alter als unabhängiger Risikofaktor für den Verlust des Transplantats, selbst nach Berücksichtigung des Zustands der Empfänger und chirurgischer Details.

Einordnung der Lebern in schneller und langsamer alternde Gruppen

Um die Ergebnisse klinisch leichter anwendbar zu machen, teilte das Team die Transplantate in zwei Gruppen anhand der Differenz zwischen biologischem und chronologischem Alter ein. Lebern in der Gruppe mit beschleunigtem Altern, bei denen das Organ älter erschien als die Jahre des Spenders, schnitten nach der Transplantation schlechter ab. Die in der Gruppe mit verlangsamtem Altern, deren biologisches Alter dem Kalenderalter entsprach oder darunter lag, wiesen ein deutlich besseres Langzeitüberleben auf. Auffällig war, dass bei alleiniger Gruppierung nach chronologischem Alter die Überlebenskurven sich überschnitten und keinen klaren Unterschied zeigten. Das legt nahe, dass das durch maschinelles Lernen gewonnene biologische Alter echten biologischen Verschleiß erfasst, den einfache Altersgrenzen übersehen.

Was das für zukünftige Transplantationen bedeutet

Alltagssprachlich zeigt diese Arbeit, dass einige Lebern älterer Spender sicherer sein können, als es auf dem Papier aussieht, während andere jüngerer Spender überraschend fragil sein können. Indem viele Labor- und Bildgebungsdaten zu einem einzigen, intuitiven „Organalter“ verdichtet werden, bietet das Modell eine neue Möglichkeit, die Qualität eines Transplants zu beurteilen und Spender mit Empfängern abzustimmen. Die Ergebnisse sind noch vorläufig und stammen aus einem Zentrum, weshalb breitere Tests notwendig sind. Bestätigt sich das Vorgehen, könnte die Verwendung des biologischen statt des Kalenderalters Ärzten helfen, mehr nutzbare Lebern aus dem Spenderpool zu retten und gleichzeitig Patienten besser vor hochriskanten Transplantaten zu schützen.

Zitation: Wang, Y., Zhang, L., Xiong, X. et al. A machine learning-derived biological age model for liver grafts provides a superior assessment of aging compared to chronological age in transplantation. Sci Rep 16, 14868 (2026). https://doi.org/10.1038/s41598-026-45531-z

Schlüsselwörter: Lebertransplantation, biologisches Alter, maschinelles Lernen, Organspende, Transplantatüberleben