מודל גיל ביולוגי של כבד שמופק מלמידת מכונה מספק הערכה עליונה של ההזדקנות בהשוואה לגיל הכרונולוגי בהשתלות

למה גיל הכבד חשוב למושתלים

השתלות כבד מצילות חיים, אך אף־פעם אין מספיק איברים לתורמים על מנת לענות על הביקוש. כבדות רבות נדחות פשוט כי התורמים היו מבוגרים, אף על פי שחלק מהאיברים הללו עשויים עדיין לתפקד היטב. המחקר שואל שאלה פשוטה עם השלכות גדולות: במקום לשפוט כבד לפי כמה ימי הולדת עברו על התורם, האם הרופאים יכולים להעריך כמה ה”זקן” האיבר באמת?

מסתכלים מעבר ללוח השנה

רופאים בדרך כלל ממיינים כבדות תורמים לפי גיל כרונולוגי — מספר השנים שחי התורם. תורמים מבוגרים מסווגים לעתים קרובות כסיכון גבוה, והכבד שלהם עלול להידחות או להיות בשימוש זהיר. עם זאת, מחקרים מצביעים על כך שהכבד מזדקן לאט יותר מאיברים רבים אחרים ויכול להישאר בריא גם באנשים מבוגרים מאוד. פירוש הדבר שכבד של תורם בן 70 עשוי לתפקד כמו כבד של מישהו צעיר בהרבה, בעוד כבד אחר מתורם בגיל הביניים עשוי כבר להיות בלוי. המחברים טוענים שהדבר שחשוב הוא הגיל הביולוגי של האיבר — מדד למצבו הפיזי האמיתי — ולא רק התאריך בתעודת הלידה.

הפיכת בדיקות מעבדה לאומדן גיל

כדי לבנות מדד טוב יותר לגיל הכבד, הצוות חקר 247 תורמים שנפטרו במרכז השתלות יחיד. לפני התרומה, כל תורם עבר הדמיות ובדיקות דם המכסות תפקוד כבד, קרישת דם ודלקת. 20 הסמנים הקליניים השגרתיים הללו משקפים עד כמה רקמת הכבד נוקשה, עד כמה הוא מייצר חלבונים, כמה קל לדם לזרום דרכו ועד כמה הוא דלקתי. בעזרת מדידות אלה האינטואיציה של החוקרים נבנתה על ידי אימון כמה מודלים ממוחשבים, כולל סטטיסטיקה קונבנציונלית ושיטות למידת מכונה גמישות יותר, כדי להעריך את הגיל הביולוגי של כל שתל. המודלים התחילו בללמוד כיצד סמנים אלה משתנים בדרך כלל עם ההזדקנות, ואז השתמשו בתבנית זו כדי להקצות ציון דמוי־גיל לכל כבד.

למידת מכונה מגלה בלאי נסתר

החוקרים בדקו את המודלים שלהם בקבוצה נפרדת של 82 זוגות תורם–מקבל שהושתלו מאוחר יותר. מודל ליניארי קונבנציונלי התאימם הכי טוב לגיל הכרונולוגי של התורמים, אך הוא שיקף בעיקר את גיל הלוח ולא חשף מידע נוסף משמעותי על סיכון. לעומת זאת, מודל גרדיאנט בוסטינג של למידת מכונה קלט דפוסים מורכבים יותר. הוא עשה עבודה פחות טובה לחקות את הגיל הכרונולוגי, אך ציוני הגיל הביולוגי שלו היו קשורים בחוזקה לתוצאות קליניות אמיתיות. כבדות שציוני הגיל הביולוגי שלהן היו גבוהים יותר מהגיל הכרונולוגי של התורם היו בעלות סבירות גבוהה יותר לגרום לבעיות בצינור המרה לאחר הניתוח וקושרו לשרידות שתל גרועה יותר. במודל זה, גיל ביולוגי גבוה מהמצופה הופיע כגורם סיכון עצמאי לאובדן השתל, גם לאחר התאמה למצב המקבל ולפרטי הניתוח.

מיון כבדות לקבוצות של הזדקנות מהירה ואיטית

כדי להקל על השימוש בתוצאות בקליניקה, הצוות חילק את השתלים לשתי קבוצות על פי הפער בין הגיל הביולוגי לגיל הכרונולוגי. כבדות בקבוצת ההזדקנות המואצת, שבה האיבר נראה מבוגר יותר מאשר שנות התורם, התנהגו פחות טוב לאחר ההשתלה. אלה בקבוצת ההאטת ההזדקנות, שבה הגיל הביולוגי היה תואם או מאחורי גיל הלוח, הראו שרידות לטווח הארוך טובה יותר באופן בולט. באופן מרשים, כאשר סיווגו התורמים אך ורק לפי גיל כרונולוגי, עקומות השרידות חפפו ולא הראו הבדל ברור. הדבר מרמז שמודל הגיל הביולוגי המופק מלמידת מכונה קולט בלאי ביולוגי אמיתי שמכרזי גילים פשוטים מפספסים.

מה משמעות זה להשתלות בעתיד

במלים פשוטות, עבודה זו מראה שכמה כבדות מתורמים מבוגרים עשויות להיות בטוחות יותר ממה שנראה על הנייר, בעוד אחרות מתורמים צעירים עלולות להיות שבירות באופן בלתי צפוי. על ידי קיבוץ רב של אותות מעבדה והדמיה לציון יחיד ואינטואיטיבי — "גיל האיבר" — המודל מציע דרך חדשה להעריך איכות שתל ולהתאים תורמים למקבלי השתל. הממצאים עדיין ראשוניים ומקורם במרכז אחד, ולכן יש צורך בבדיקות רחבות יותר. אך אם יאומתו, שימוש בגיל ביולוגי במקום בגיל לוח יכול לסייע לרופאים להציל יותר כבדות שימושיות ממאגר התורמים תוך כדי הגנה טובה יותר על מטופלים מפני שתלים בסיכון גבוה.

ציטוט: 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

מילות מפתח: השתלת כבד, גיל ביולוגי, למידת מכונה, תרומת איברים, שרידות שתל