Appariement donneur-receveur pour la greffe du foie avec apprentissage par renforcement hors ligne

Pourquoi ces décisions de greffe du foie sont cruciales

Pour les personnes atteintes d’une maladie hépatique grave, recevoir une greffe peut faire la différence entre la vie et la mort — mais il y a bien moins de foies disponibles que de patients qui en ont besoin. Les médecins doivent constamment décider s’il faut accepter un foie particulier pour un patient donné, continuer d’attendre un meilleur appariement, ou retirer quelqu’un de la liste d’attente s’il s’améliore ou devient trop malade. Cette étude explore si une forme d’intelligence artificielle, connue sous le nom d’apprentissage par renforcement hors ligne, peut apprendre à partir d’années de données sur les transplantations pour suggérer des décisions d’appariement plus sûres et plus intelligentes, qui sauveraient davantage de vies et utiliseraient mieux chaque organe donné.

Passer de prédictions ponctuelles à des décisions continues

La plupart des outils actuels utilisés en transplantation hépatique évaluent un instant donné — par exemple, le jour de l’intervention — et estiment la probabilité qu’un patient survive avec un organe donné. Ils s’appuient souvent sur des scores comme le Model for End-Stage Liver Disease (MELD), qui résume les résultats d’analyses en un chiffre aidant à prioriser les patients les plus malades. Mais ces outils omettent une part cruciale de la réalité : l’état d’un patient évolue au fil des semaines et des mois, et chaque décision d’accepter ou de refuser un organe offert influe sur la suite, y compris le risque de mourir pendant qu’on est encore sur la liste d’attente. Les auteurs ont donc requalifié la transplantation comme une séquence de décisions dans le temps, où chaque choix — transplanter, attendre ou retirer le patient de la liste — conduit à des avenirs possibles différents.

Apprendre à un ordinateur à tirer des leçons des choix passés

Les chercheurs ont utilisé les dossiers du U.S. Scientific Registry of Transplant Recipients, en se concentrant sur plus de 43 000 adultes inscrits pour une première transplantation hépatique entre 2017 et 2022. Pour chaque personne, ils ont reconstruit une chronologie des scores MELD et des offres potentielles de donneurs, y compris des organes finalement mis au rebut. À chaque étape, l’ordinateur disposait des caractéristiques du patient, des attributs du donneur potentiel, et de trois actions possibles : attendre, transplanter ou radier. Il recevait ensuite un signal de récompense basé sur ce qui s’est réellement passé par la suite — si l’état du patient s’est amélioré ou détérioré, si une transplantation a réussi, échoué ou n’a jamais eu lieu. En utilisant une technique appelée Conservative Q-learning, le système a été entraîné à privilégier les décisions qui, sur de nombreuses chronologies, conduisaient à moins de décès et moins d’échecs de greffe.

Ce que la politique apprise aurait changé

Lorsque le système entraîné a été testé sur un groupe séparé de patients, il a évité 73 % des appariements donneur‑receveur qui, dans la réalité, ont conduit à une défaillance du greffon ou à un décès dans l’année suivant la transplantation, tout en préservant 93 % des greffes réussies. Il a également identifié des opportunités de greffe plus précoces pour près de la moitié des patients décédés sur la liste d’attente, suggérant que des délais ou des donneurs différents auraient pu améliorer leurs chances. De manière importante, contrairement aux stratégies très agressives qui transplantent quasi systématiquement toute personne suffisamment malade, cette approche a limité le nombre total de greffes tout en améliorant les résultats. Dans une simulation plus réaliste, où chaque foie de donneur ne pouvait être utilisé qu’une fois et où les patients quittaient le groupe après une transplantation ou une radiation, le modèle est parvenu à appariement la majorité des patients avec des donneurs tout en réduisant les échecs évitables.

Des indices pour de meilleurs appariements cachés dans les données

Au‑delà des simples chiffres de performance, l’équipe a examiné le type d’appariements donneur‑receveur que le système avait tendance à privilégier. Par rapport à des règles simples basées sur le MELD, la stratégie apprise choisissait des patients légèrement moins gravement atteints, et des donneurs ressemblant davantage à ceux des transplantations historiquement réussies — moins d’organes marginaux et moins de receveurs nécessitant un soutien vital intensif. Fait notable, elle a aussi « sauvé » un sous‑ensemble de foies qui avaient été mis au rebut en pratique mais semblaient de qualité relativement bonne. Les choix de transplantation du modèle au sein de groupes déjà étiquetés « à haut risque » par les scores standards étaient associés à une meilleure survie réelle, même si ces scores en eux‑mêmes ne différaient pas, laissant entendre que l’algorithme avait détecté des motifs complexes que les outils existants manquent.

Ce que cela pourrait signifier pour les patients et les médecins

Ce travail ne fournit pas encore un système prêt pour le chevet, mais il montre qu’une méthode d’IA entraînée entièrement sur des données passées peut mieux refléter les compromis réels en transplantation hépatique — équilibrant le danger d’attendre trop longtemps contre le risque d’utiliser un appariement médiocre. En apprenant quand dire oui, non ou pas encore à chaque offre d’organe, l’approche a réduit les échecs de greffe simulés tout en conservant la plupart des succès et a offert des perspectives de sauvetage à nombre de patients qui autrement seraient morts sur la liste d’attente. Avec un affinage supplémentaire, de meilleures données et des tests rigoureux, des outils d’aide à la décision similaires pourraient aider les équipes de transplantation à utiliser chaque foie donné plus judicieusement et offrir à davantage de patients une seconde chance durable.

Citation: 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

Mots-clés: transplantation hépatique, attribution d’organes, apprentissage par renforcement, IA médicale, appariement donneur-receveur