Pareamento de doador e receptor em transplante de fígado com aprendizado por reforço offline

Por que essas decisões de transplante de fígado importam

Para pessoas com doença hepática grave, receber um transplante pode ser a diferença entre a vida e a morte — mas há muito menos fígados doadores do que pacientes que precisam deles. Médicos precisam decidir constantemente se aceitam um determinado fígado para um paciente específico, se continuam aguardando um encaixe melhor ou se removem alguém da lista de espera caso melhore ou piore demais. Este estudo investiga se uma forma de inteligência artificial, conhecida como aprendizado por reforço offline, pode aprender com anos de dados de transplante para sugerir decisões de pareamento mais seguras e inteligentes que salvem mais vidas e façam melhor uso de cada órgão doado.

De previsões pontuais para decisões contínuas

A maioria das ferramentas atuais usadas em transplante de fígado analisa um único momento no tempo — por exemplo, o dia da cirurgia — e estima a probabilidade de sobrevivência de um paciente com um determinado órgão doador. Elas costumam depender de pontuações como o Model for End-Stage Liver Disease (MELD), que resume resultados de exames laboratoriais em um número que ajuda a priorizar os pacientes mais graves. Mas essas ferramentas deixam de fora uma parte crucial da realidade: a condição de um paciente muda ao longo de semanas e meses, e toda decisão de aceitar ou recusar um órgão ofertado afeta o que acontece a seguir, inclusive o risco de morrer ainda na lista de espera. Os autores, em vez disso, enquadraram o transplante como uma sequência de decisões ao longo do tempo, em que cada escolha de transplantar, aguardar ou remover um paciente da lista leva a futuros possíveis diferentes.

Ensinar um computador a aprender com escolhas de transplantes passadas

Os pesquisadores usaram registros do U.S. Scientific Registry of Transplant Recipients, concentrando-se em mais de 43.000 adultos listados para um primeiro transplante de fígado entre 2017 e 2022. Para cada pessoa, reconstruíram uma linha do tempo de pontuações MELD e possíveis ofertas de doadores, incluindo órgãos que foram, no fim, descartados. Em cada etapa, o computador via as características do paciente, as características do possível doador e três ações possíveis: aguardar, transplantar ou retirar da lista. Em seguida, recebia um sinal de recompensa com base no que realmente aconteceu depois — se o estado do paciente melhorou ou piorou, se um transplante teve sucesso, falhou ou nunca ocorreu. Usando uma técnica chamada Conservative Q-learning, o sistema foi treinado para favorecer decisões que, em muitas dessas linhas do tempo, levaram a menos mortes e a menos transplantes com falha.

O que a política aprendida teria mudado

Quando o sistema treinado foi testado em um grupo separado de pacientes, ele evitou 73% dos pareamentos doador–receptor que na prática real resultaram em falha do enxerto ou morte dentro de um ano após o transplante, ao mesmo tempo em que preservou 93% dos transplantes bem-sucedidos. Também identificou oportunidades de transplante mais precoces para quase metade dos pacientes que tinham morrido na lista de espera, sugerindo que diferente tempo ou doadores poderiam ter melhorado suas chances. Importante: ao contrário de estratégias muito agressivas que simplesmente transplantam quase todos assim que estão desesperadamente doentes, essa abordagem limitou o número total de transplantes enquanto ainda melhorava os resultados. Em uma simulação mais realista, na qual cada fígado doador só podia ser usado uma vez e pacientes saíam da pool após transplante ou remoção, o modelo ainda conseguiu parear a maioria dos pacientes com doadores enquanto reduzia falhas evitáveis.

Pistas para melhores pareamentos escondidas nos dados

Além dos números brutos de desempenho, a equipe examinou que tipos de pares doador–receptor o sistema tendia a favorecer. Em comparação com regras simples baseadas no MELD, a estratégia aprendida escolheu pacientes que eram um pouco menos criticamente doentes e doadores que se pareciam mais com aqueles em transplantes historicamente bem-sucedidos — menos órgãos marginais e menos receptores necessitando de suporte intensivo de vida. Surpreendentemente, também resgatou um subconjunto de fígados que haviam sido descartados na prática mas que pareciam ser de qualidade relativamente boa. As escolhas de transplante do modelo dentro de grupos já rotulados como “alto risco” pelas pontuações padrão se associaram a melhor sobrevida real, embora essas pontuações por si mesmas não diferenciassem, sugerindo que o algoritmo captou padrões complexos que as ferramentas existentes não detectam.

O que isso pode significar para pacientes e médicos

Esse trabalho ainda não entrega um sistema pronto para uso à beira do leito, mas mostra que um método de IA treinado inteiramente em dados passados pode espelhar mais de perto os trade-offs reais enfrentados no transplante de fígado — equilibrando o perigo de esperar tempo demais contra o risco de usar um encaixe ruim. Ao aprender quando dizer sim, não ou ainda não a cada oferta de órgão, a abordagem reduziu falhas de enxerto simuladas enquanto manteve a maioria dos sucessos e ofereceu potenciais salvatagens para muitos que, de outra forma, poderiam ter morrido na lista de espera. Com refinamento adicional, dados melhores e testes cuidadosos, ferramentas de apoio à decisão semelhantes poderiam ajudar equipes de transplante a usar cada fígado doado com mais sabedoria e dar a mais pacientes uma segunda chance duradoura.

Citação: 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

Palavras-chave: transplante de fígado, alocação de órgãos, aprendizado por reforço, IA médica, pareamento doador receptor