Matching van leverdonoren en -ontvangers met offline reinforcement learning

Waarom deze beslissingen bij levertransplantatie ertoe doen

Voor mensen met ernstige leverziekte kan een transplantatie het verschil zijn tussen leven en dood — maar er zijn veel minder donorlevers dan patiënten die ze nodig hebben. Artsen moeten voortdurend beslissen of ze een bepaalde lever voor een specifieke patiënt accepteren, blijven wachten op een betere match, of iemand van de wachtlijst halen als die persoon verbetert of te ziek wordt. Deze studie onderzoekt of een vorm van kunstmatige intelligentie, bekend als offline reinforcement learning, kan leren van jaren aan transplantatiegegevens om veiligere, slimmere matchingbeslissingen voor te stellen die meer levens redden en elk gedoneerd orgaan beter benutten.

Van eenmalige voorspellingen naar doorlopende beslissingen

De meeste huidige hulpmiddelen bij levertransplantatie kijken naar één moment in de tijd — bijvoorbeeld de operatiedag — en schatten de kans dat een patiënt zal overleven met een gegeven donororgaan. Ze vertrouwen vaak op scores zoals het Model for End-Stage Liver Disease (MELD), dat laboratoriumwaarden samenvat in een getal dat helpt de ziekste patiënten te prioriteren. Maar deze hulpmiddelen laten een cruciaal onderdeel van de werkelijkheid weg: de toestand van een patiënt verandert over weken en maanden, en elke beslissing om een aangeboden orgaan te accepteren of af te wijzen beïnvloedt wat er vervolgens gebeurt, inclusief het risico te overlijden terwijl de patiënt nog op de wachtlijst staat. De auteurs beschouwden transplantatie daarom als een reeks beslissingen in de tijd, waarbij elke keuze om te transplanteren, te wachten of een patiënt van de lijst te verwijderen tot verschillende mogelijke toekomsten leidt.

Een computer leren van eerdere transplantiekeuzes

De onderzoekers gebruikten gegevens uit het Amerikaanse Scientific Registry of Transplant Recipients, met focus op meer dan 43.000 volwassenen die tussen 2017 en 2022 voor een eerste levertransplantatie waren aangemeld. Voor elke persoon reconstrueerden ze een tijdlijn van MELD-scores en mogelijke donoraanbiedingen, inclusief organen die uiteindelijk werden weggegooid. Bij elke stap zag de computer de kenmerken van de patiënt, de eigenschappen van de mogelijke donor en drie mogelijke acties: wachten, transplanteren of delisten. De computer ontving vervolgens een beloningssignaal op basis van wat later daadwerkelijk gebeurde — of de toestand van de patiënt verbeterde of verslechterde, of een transplantatie slaagde, mislukte of helemaal niet plaatsvond. Met een techniek genaamd Conservative Q-learning werd het systeem getraind om beslissingen te prefereren die, over vele zulke tijdlijnen heen, leidden tot minder sterfgevallen en minder mislukte transplantaties.

Wat het geleerde beleid zou hebben veranderd

Toen het getrainde systeem werd getest op een aparte groep patiënten, vermeed het 73% van de donor–ontvangerparen die in de praktijk leidden tot graftfalen of overlijden binnen een jaar na transplantatie, terwijl het 93% van de succesvolle transplantaties bleef behouden. Het identificeerde ook eerdere transplantatiemogelijkheden voor bijna de helft van de patiënten die op de wachtlijst waren overleden, wat suggereert dat ander tijdstip of andere donoren hun kansen hadden kunnen verbeteren. Belangrijk is dat deze aanpak, in tegenstelling tot zeer agressieve strategieën die bijna iedereen transplanteren zodra hij of zij ziek genoeg is, het totale aantal transplantaties beperkte terwijl de uitkomsten toch verbeterden. In een realistischere simulatie, waarin elke donorlever slechts eenmaal kon worden gebruikt en patiënten de pool verlieten na transplantatie of verwijdering, slaagde het model er nog steeds in om de meerderheid van de patiënten aan donoren te koppelen terwijl voorkombare mislukkingen werden verminderd.

Vingerwijzingen voor betere matches verscholen in de data

Voorbij de ruwe prestatiecijfers onderzocht het team welke soorten donor–ontvangerparen het systeem de voorkeur gaf. Vergeleken met eenvoudige op MELD gebaseerde regels koos de geleerde strategie voor patiënten die iets minder kritiek ziek waren en donoren die meer leken op die in historisch succesvolle transplantaties — minder marginale organen en minder ontvangers die intensieve levensondersteuning nodig hadden. Opvallend genoeg redde het ook een subset van levers die in de praktijk waren weggegooid maar er relatief goede kwaliteit leken te hebben. De transplantatiekeuzes van het model binnen groepen die volgens standaard scores al als ‘hoog risico’ waren gelabeld, waren geassocieerd met betere daadwerkelijke overleving, ook al verschilden die scores zelf niet, wat erop wijst dat het algoritme complexe patronen had opgepikt die bestaande hulpmiddelen missen.

Wat dit kan betekenen voor patiënten en artsen

Dit onderzoek levert nog geen kant-en-klaar systeem voor gebruik aan het bed, maar het laat zien dat een AI-methode die volledig op historische data is getraind de echte afwegingen bij levertransplantatie nauwer kan benaderen — het balanceren van het gevaar van te lang wachten tegen het risico van een slechte match. Door te leren wanneer het bij elk orgaanaanbod ja, nee of nog niet moet zeggen, verminderde de aanpak gesimuleerde graftfalen terwijl de meeste successen behouden bleven en bood ze mogelijke reddingskansen aan velen die anders op de wachtlijst zouden zijn overleden. Met verdere verfijning, betere data en zorgvuldige tests zouden vergelijkbare beslissingsondersteunende tools transplantatieteams kunnen helpen elke gedoneerde lever verstandiger te gebruiken en meer patiënten een duurzame tweede kans te geven.

Bronvermelding: 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

Trefwoorden: levertransplantatie, organtoewijzing, reinforcement learning, medische AI, matching donor ontvanger