Модель биологического возраста печени, полученная с помощью машинного обучения, обеспечивает более точную оценку старения для трансплантации по сравнению с хронологическим возрастом

Почему возраст печени важен для реципиентов

Трансплантация печени спасает жизни, но донорских органов всегда не хватает. Многие печенки отклоняют лишь потому, что доноры были старше, хотя часть таких органов могла бы хорошо функционировать. В этом исследовании поставлен простой вопрос с большими последствиями: вместо того чтобы судить о печени по числу прожитых лет донора, могут ли врачи оценить, насколько «стар» сам орган?

Смотреть дальше календаря

Врачи обычно классифицируют донорские печенки по хронологическому возрасту — числу лет жизни донора. Старых доноров нередко считают более рискованными, и их органы могут отказываться или использоваться с осторожностью. Тем не менее исследования показывают, что печень стареет медленнее, чем многие другие органы, и может оставаться здоровой даже в очень пожилом возрасте. Это значит, что печень от 70‑летнего донора может работать как печень более молодого человека, тогда как печень от среднего возраста донора уже может быть изношена. Авторы утверждают, что важен именно биологический возраст органа — мера его реального физического состояния, а не только дата в свидетельстве о рождении.

Преобразование лабораторных тестов в оценку возраста

Чтобы создать лучшую меру возраста печени, команда изучила 247 умерших доноров в одном трансплантационном центре. До извлечения органы дополняли визуализацией и анализами крови, охватывающими функцию печени, свертываемость крови и воспаление. Эти 20 рутинных клинических маркеров отражают жесткость ткани печени, способность синтезировать белки, проходимость кровотока и степень воспаления. Используя эти измерения, исследователи обучили несколько компьютерных моделей, включая традиционные статистические и более гибкие методы машинного обучения, чтобы оценить биологический возраст каждого трансплантата. Модели сначала «узнавали», как эти маркеры обычно меняются с возрастом, затем использовали эту закономерность, чтобы присвоить печени оценку, похожую на возраст.

Машинное обучение выявляет скрытый износ

Затем исследователи протестировали свои модели на отдельной группе из 82 пар донор‑реципиент, трансплантированных позже. Обычная линейная модель лучше всего соответствовала фактическому возрасту доноров, но в основном воспроизводила календарный возраст и не раскрывала дополнительной информации о риске. Напротив, градиентный бустинг (метод машинного обучения) уловил более сложные закономерности. Он хуже имитировал хронологический возраст, но его оценки биологического возраста оказались тесно связанными с клиническими исходами. Печени, у которых биологический возраст превышал календарный возраст донора, чаще приводили к проблемам с желчевыводящими путями после операции и ассоциировались с худшей выживаемостью трансплантата. В этой модели повышенный биологический возраст оказался независимым фактором риска потерять трансплантат, даже с учётом состояния реципиента и хирургических деталей.

Разделение печеней на быстро и медленно стареющие группы

Чтобы упростить использование результатов в клинике, команда разделила трансплантаты на две группы по разнице между биологическим и хронологическим возрастом. Печени из группы ускоренного старения, у которых орган выглядел старше, чем лет донора, показали худшее поведение после трансплантации. Те, у которых биологический возраст совпадал или отставал от календарного, демонстрировали заметно лучшую долгосрочную выживаемость. Удивительно, что при группировке доноров только по хронологическому возрасту кривые выживаемости пересекались и не показывали ясной разницы. Это указывает на то, что биологический возраст, полученный с помощью машинного обучения, фиксирует реальный биологический износ, который простые возрастные границы пропускают.

Что это значит для будущих трансплантаций

Проще говоря, эта работа показывает, что некоторые печенки от старых доноров могут быть безопаснее, чем кажутся на бумаге, в то время как другие от более молодых доноров могут оказаться неожиданно хрупкими. Сводя многочисленные лабораторные и визуализирующие сигналы в один интуитивный «возраст органа», модель предлагает новый способ оценивать качество трансплантата и подбирать доноров для реципиентов. Результаты пока предварительные и получены в одном центре, поэтому требуется более широкая проверка. Но если их подтвердят, использование биологического возраста вместо календарного может помочь врачам спасти больше годных печеней из донорского пула и лучше защищать пациентов от высокорискованных органов.

Цитирование: 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

Ключевые слова: трансплантация печени, биологический возраст, машинное обучение, донорство органов, выживаемость трансплантата