Spender-Empfänger-Abgleich bei Lebertransplantationen mit Offline-Reinforcement-Learning

Warum diese Entscheidungen bei Lebertransplantationen wichtig sind

Für Menschen mit schwerer Lebererkrankung kann eine Transplantation über Leben und Tod entscheiden – doch es gibt deutlich weniger spendable Lebern als Patienten, die eine benötigen. Ärztinnen und Ärzte müssen ständig abwägen, ob sie ein bestimmtes Organ für einen konkreten Patienten annehmen, weiter auf ein besseres Matching warten oder jemanden von der Warteliste streichen, wenn sich sein Zustand bessert oder verschlechtert. Die vorliegende Studie untersucht, ob eine Form künstlicher Intelligenz, bekannt als Offline-Reinforcement-Learning, aus jahrelangen Transplantationsdaten lernen kann, um sicherere, klügere Zuordnungsentscheidungen vorzuschlagen, die mehr Leben retten und jedes gespendete Organ besser nutzen.

Von einmaligen Prognosen zu fortlaufenden Entscheidungen

Die meisten aktuellen Instrumente in der Lebertransplantation betrachten einen einzelnen Zeitpunkt – etwa den Tag der Operation – und schätzen die Überlebenschance eines Patienten mit einem bestimmten Spenderorgan. Sie stützen sich oft auf Scores wie das Model for End-Stage Liver Disease (MELD), das Laborwerte zu einer Zahl verdichtet, die hilft, die schwerstkranken Patienten zu priorisieren. Diese Werkzeuge lassen jedoch einen entscheidenden Realitätsaspekt außer Acht: Der Zustand eines Patienten verändert sich über Wochen und Monate, und jede Entscheidung, ein Angebot anzunehmen oder abzulehnen, beeinflusst den weiteren Verlauf, einschließlich des Risikos, auf der Warteliste zu versterben. Die Autorinnen und Autoren betrachteten Transplantation stattdessen als Abfolge von Entscheidungen über die Zeit, bei der jede Wahl – transplantieren, warten oder von der Liste streichen – zu unterschiedlichen möglichen Zukünften führt.

Einem Computer beibringen, aus früheren Transplantationsentscheidungen zu lernen

Die Forschenden nutzten Datensätze des U.S. Scientific Registry of Transplant Recipients und konzentrierten sich auf mehr als 43.000 Erwachsene, die zwischen 2017 und 2022 erstmals für eine Lebertransplantation gelistet waren. Für jede Person rekonstruierten sie eine Zeitreihe von MELD-Werten und möglichen Spenderangeboten, einschließlich Organen, die letztlich verworfen wurden. In jedem Schritt sah das System die Patientenmerkmale, die Eigenschaften des potenziellen Spenders und drei mögliche Aktionen: abwarten, transplantieren oder delisten. Es erhielt dann ein Belohnungssignal basierend auf dem, was sich später tatsächlich ereignete – ob sich der Zustand des Patienten verbesserte oder verschlechterte, ob eine Transplantation erfolgreich war, scheiterte oder gar nicht stattfand. Mit einer Methode namens Conservative Q-learning wurde das System dahingehend trainiert, Entscheidungen zu bevorzugen, die über viele solche Zeitlinien hinweg zu weniger Todesfällen und weniger fehlgeschlagenen Transplantationen führten.

Was die gelernte Strategie verändert hätte

Als das trainierte System an einer separaten Patientengruppe getestet wurde, vermied es 73 % der Spender–Empfänger-Paarungen, die in der Realität innerhalb eines Jahres nach Transplantation zu Organversagen oder Tod geführt hatten, während es gleichzeitig 93 % der erfolgreichen Transplantationen bewahrte. Es identifizierte zudem frühere Transplantationsmöglichkeiten für nahezu die Hälfte der Patienten, die auf der Warteliste verstorben waren, was darauf hindeutet, dass anderes Timing oder andere Spender ihre Chancen hätten verbessern können. Wichtig ist: Anders als sehr aggressive Strategien, die praktisch fast jeden transplantieren, sobald er oder sie schwer krank genug ist, beschränkte dieser Ansatz die Gesamtzahl der Transplantationen und verbesserte dennoch die Ergebnisse. In einer realistischeren Simulation, in der jede Spenderleber nur einmal verwendet werden konnte und Patienten die Warteliste nach Transplantation oder Streichung verließen, gelang es dem Modell weiterhin, die Mehrheit der Patienten mit Spendern zu verknüpfen und gleichzeitig vermeidbare Fehlverläufe zu reduzieren.

Hinweise auf bessere Zuordnungen, verborgen in den Daten

Über die reinen Leistungskennzahlen hinaus untersuchte das Team, welche Arten von Spender–Empfänger-Paaren das System zu bevorzugen schien. Im Vergleich zu einfachen MELD-basierten Regeln wählte die gelernte Strategie etwas weniger kritisch erkrankte Patienten und Spender, die denen aus historisch erfolgreichen Transplantationen ähnlicher waren – also weniger marginale Organe und weniger Empfänger, die intensivmedizinische Unterstützung benötigten. Auffällig war, dass das System auch eine Teilmenge von Lebern rettete, die in der Praxis verworfen worden waren, aber relativ gute Qualität zu haben schienen. Die Transplantationsentscheidungen des Modells innerhalb Gruppen, die durch Standard-Scores bereits als „hohes Risiko“ klassifiziert waren, waren mit einem besseren tatsächlichen Überleben verbunden, obwohl diese Scores selbst nicht unterschiedlich waren. Das deutet darauf hin, dass der Algorithmus komplexe Muster erkannt hat, die bestehende Instrumente übersehen.

Was das für Patienten und Ärztinnen und Ärzte bedeuten könnte

Diese Arbeit liefert noch kein unmittelbar am Krankenbett einsetzbares System, zeigt aber, dass eine vollständig auf historischen Daten trainierte KI-Methode die realen Zielkonflikte der Lebertransplantation besser abbilden kann – das Abwägen des Risikos, zu lange zu warten, gegen das Risiko, eine schlechte Zuordnung zu verwenden. Indem sie lernt, zu jedem Organangebot Ja, Nein oder Nicht jetzt zu sagen, verringerte die Methode in Simulationen Transplantationsausfälle, behielt die meisten Erfolge bei und bot potenziell vielen, die sonst auf der Warteliste gestorben wären, eine Rettungsmöglichkeit. Mit weiterer Verfeinerung, besseren Daten und sorgfältigen Tests könnten ähnliche Entscheidungsunterstützungswerkzeuge Transplantationsteams helfen, jede gespendete Leber klüger zu verwenden und mehr Patientinnen und Patienten eine dauerhafte zweite Chance zu geben.

Zitation: 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

Schlüsselwörter: Lebertransplantation, Organverteilung, Reinforcement Learning, medizinische KI, Spender-Empfänger-Zuordnung