Un modello di età biologica per trapianti di fegato derivato dal machine learning offre una valutazione dell’invecchiamento superiore rispetto all’età cronologica

Perché l’età del fegato conta per i pazienti sottoposti a trapianto

I trapianti di fegato salvano vite, ma non ci sono mai abbastanza organi donati per soddisfare la domanda. Molti fegati vengono scartati semplicemente perché i donatori sono più avanti con l’età, anche se alcuni di quegli organi potrebbero comunque funzionare bene. Questo studio pone una domanda semplice ma dalle grandi conseguenze: invece di giudicare un fegato dal numero di compleanni avuti dal donatore, i medici possono stimare quanto “vecchio” sia realmente l’organo?

Guardare oltre il calendario

I medici di solito classificano i fegati dei donatori in base all’età cronologica, cioè agli anni vissuti dal donatore. I donatori anziani sono spesso etichettati come a rischio più elevato e i loro fegati possono essere scartati o utilizzati con cautela. Tuttavia, ricerche suggeriscono che il fegato invecchia più lentamente rispetto a molti altri organi e può rimanere sano anche in persone molto anziane. Ciò significa che un fegato di un settantenne potrebbe funzionare come quello di una persona molto più giovane, mentre un altro fegato di un donatore di mezza età potrebbe essere già consumato. Gli autori sostengono che ciò che conta è l’età biologica dell’organo, una misura della sua reale condizione fisica, non solo la data sul certificato di nascita.

Trasformare esami di laboratorio in una stima dell’età

Per costruire una misura migliore dell’età epatica, il team ha studiato 247 donatori deceduti presso un singolo centro trapianti. Prima della donazione, ogni donatore è stato sottoposto a esami di imaging e analisi del sangue che valutavano la funzione epatica, la coagulazione e l’infiammazione. Questi 20 marcatori clinici di routine catturano quanto il tessuto epatico sia rigido, quanto bene produca proteine, quanto scorra il sangue attraverso di esso e quanto sia infiammato. Usando queste misure, i ricercatori hanno addestrato diversi modelli computazionali, incluse tecniche statistiche tradizionali e metodi di machine learning più flessibili, per stimare l’età biologica di ciascun graft. I modelli hanno iniziato imparando come questi marcatori cambiano tipicamente con l’avanzare dell’età, poi hanno usato quel pattern per assegnare a ogni fegato un punteggio simile all’età.

Il machine learning individua il logoramento nascosto

I ricercatori hanno poi testato i loro modelli in un gruppo separato di 82 coppie donatore‑ricevente trapiantate in un momento successivo. Un modello lineare convenzionale ha riprodotto meglio l’età reale dei donatori, ma principalmente ha replicato l’età del calendario e non ha rivelato informazioni aggiuntive sul rischio. Al contrario, un modello di gradient boosting basato sul machine learning ha catturato schemi più complessi. Ha avuto una performance peggiore nel mimare l’età cronologica, ma i suoi punteggi di età biologica erano fortemente correlati con esiti clinici reali. I fegati la cui età biologica risultava più alta rispetto all’età cronologica del donatore erano più propensi a causare problemi delle vie biliari dopo l’intervento e risultavano associati a una peggiore sopravvivenza del graft. In questo modello, un’età biologica più elevata del previsto si è evidenziata come fattore di rischio indipendente per la perdita del graft, anche dopo aver tenuto conto delle condizioni del ricevente e dei dettagli chirurgici.

Classificare i fegati in gruppi a invecchiamento più rapido o più lento

Per rendere i risultati più utilizzabili in clinica, il team ha diviso i graft in due gruppi basandosi sul divario tra età biologica ed età cronologica. I fegati nel gruppo a invecchiamento accelerato, dove l’organo appariva più vecchio degli anni del donatore, si sono comportati peggio dopo il trapianto. Quelli nel gruppo a invecchiamento rallentato, la cui età biologica corrispondeva o era inferiore all’età del calendario, hanno mostrato una sopravvivenza a lungo termine significativamente migliore. In modo sorprendente, quando i donatori sono stati raggruppati solo per età cronologica, le curve di sopravvivenza si sovrapponevano e non mostravano una differenza netta. Ciò suggerisce che l’età biologica derivata dal machine learning individua un reale logoramento biologico che i semplici tagli per età non riescono a cogliere.

Cosa significa per i trapianti futuri

In termini pratici, questo lavoro mostra che alcuni fegati di donatori anziani possono essere più sicuri di quanto sembrino sulla carta, mentre altri di donatori più giovani possono essere inaspettatamente fragili. Riducendo molti segnali di laboratorio e imaging a una singola e intuitiva “età dell’organo”, il modello offre un nuovo modo di valutare la qualità del graft e di abbinare donatori e riceventi. I risultati sono ancora preliminari e provengono da un centro unico, perciò sono necessari test più ampi. Ma se confermati, usare l’età biologica invece dell’età cronologica potrebbe aiutare i medici a recuperare più fegati utilizzabili dal pool dei donatori proteggendo meglio i pazienti da graft ad alto rischio.

Citazione: 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

Parole chiave: trapianto di fegato, età biologica, machine learning, dono di organi, sopravvivenza del graft