Een door machine learning afgeleid model voor biologische leeftijd van levertransplantaten biedt een betere beoordeling van veroudering dan chronologische leeftijd bij transplantatie

Waarom leverleeftijd belangrijk is voor transplantatiepatiënten

Levertransplantaties redden levens, maar er zijn nooit genoeg donororganen om aan de vraag te voldoen. Veel levers worden afgekeurd puur omdat de donoren ouder zijn, terwijl sommige van die organen mogelijk nog goed functioneren. Deze studie stelt een eenvoudige maar ingrijpende vraag: in plaats van een lever te beoordelen op hoeveel verjaardagen de donor heeft gehad, kunnen artsen inschatten hoe “oud” het orgaan zelf daadwerkelijk is?

Voorbij de kalender kijken

Artsen classificeren donoren meestal op chronologische leeftijd, het aantal jaren dat de donor heeft geleefd. Oudere donoren worden vaak als hoger risico gezien en hun levers kunnen worden weggegooid of met voorzichtigheid gebruikt. Toch suggereert onderzoek dat de lever langzamer veroudert dan veel andere organen en zelfs op hoge leeftijd gezond kan blijven. Dat betekent dat een lever van een 70-jarige kan functioneren als die van iemand veel jonger, terwijl een andere lever van een middenjarige donor al versleten kan zijn. De auteurs betogen dat wat telt de biologische leeftijd van het orgaan is — een maat voor de daadwerkelijke fysieke staat — en niet alleen de geboortedatum.

Laboratoriumtests omzetten in een leeftijdsschatting

Om een betere maat voor leverleeftijd te ontwikkelen, bestudeerde het team 247 overleden donoren bij één transplantatiecentrum. Voor donatie onderging elke donor beeldvorming en bloedonderzoeken die leverfunctie, bloedstolling en ontsteking besloegen. Deze 20 routinematige klinische markers vangen hoe stijf het leverweefsel is, hoe goed het eiwitten aanmaakt, hoe gemakkelijk bloed erdoorheen stroomt en hoe ontstoken het is. Met deze metingen trainden de onderzoekers verschillende computermodellen, waaronder traditionele statistiek en meer flexibele machine learning-methoden, om de biologische leeftijd van elke graft te schatten. De modellen leerden eerst hoe deze markers gewoonlijk veranderen met het ouder worden, en gebruikten dat patroon vervolgens om elk lever een leeftijdachtige score toe te kennen.

Machine learning vindt verborgen slijtage

De onderzoekers testten hun modellen vervolgens in een aparte groep van 82 donor–ontvangerparen die later werden getransplanteerd. Een conventioneel lineair model kwam het beste overeen met de daadwerkelijke leeftijden van de donoren, maar reproduceerde voornamelijk de kalenderleeftijd en gaf geen extra informatie over risico. Daarentegen ving een gradient boosting machine learning-model complexere patronen. Het slaagde er minder goed in de chronologische leeftijd te imiteren, maar zijn biologische leeftijdsscores waren sterk verbonden met echte klinische uitkomsten. Levers waarvan de biologische leeftijd hoger was dan de kalenderleeftijd van de donor veroorzaakten vaker galwegcomplicaties na de operatie en waren geassocieerd met slechtere graftoverleving. In dit model verscheen een ouder-dan-verwachte biologische leeftijd als een onafhankelijke risicofactor voor het verliezen van het graft, zelfs na correctie voor de conditie van de ontvanger en chirurgische details.

Levers indelen in sneller en langzamer verouderende groepen

Om de resultaten gemakkelijker toepasbaar te maken in de kliniek, verdeelde het team grafts in twee groepen op basis van de kloof tussen biologische en chronologische leeftijd. Levers in de versnelde verouderingsgroep, waar het orgaan ouder leek dan de jaren van de donor, gedroegen zich slechter na transplantatie. Die in de vertraagde verouderingsgroep, waarvan de biologische leeftijd overeenkwam met of achterbleef bij de kalenderleeftijd, hadden aanzienlijk betere langetermijnoverleving. Opvallend genoeg overlappen overlevingscurven wanneer donoren alleen per chronologische leeftijd worden gegroepeerd en tonen ze geen duidelijk verschil. Dit suggereert dat de door machine learning afgeleide biologische leeftijd echte biologische slijtage oppikt die eenvoudige leeftijdsgrenzen missen.

Wat dit betekent voor toekomstige transplantaties

Simpel gezegd laat dit werk zien dat sommige levers van oudere donoren veiliger kunnen zijn dan op papier lijkt, terwijl andere van jongere donoren onverwacht kwetsbaar kunnen zijn. Door veel laboratorium- en beeldvormingssignalen samen te vatten in één intuïtieve “orgaanleeftijd”, biedt het model een nieuwe manier om graftkwaliteit te beoordelen en donoren aan ontvangers te koppelen. De bevindingen zijn nog voorlopig en afkomstig van één centrum, dus bredere tests zijn nodig. Maar als ze worden bevestigd, kan het gebruik van biologische leeftijd in plaats van kalenderleeftijd artsen helpen meer bruikbare levers uit de donorpool te redden en patiënten beter te beschermen tegen hoogrisicografts.

Bronvermelding: 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

Trefwoorden: levertransplantatie, biologische leeftijd, machine learning, organdonatie, graftoverleving