En maskininlärningsbaserad modell för biologisk ålder hos levertransplantat ger en bättre bedömning av åldrande än kronologisk ålder vid transplantation

Varför leverns ålder spelar roll för transplantationspatienter

Levertransplantationer räddar liv, men det finns aldrig tillräckligt med donatororgan för att möta behovet. Många lever avvisas enbart för att donatorerna är äldre, även om vissa av dessa organ fortfarande kan fungera väl. Denna studie ställer en enkel fråga med stora konsekvenser: i stället för att bedöma en lever efter hur många födelsedagar dess donator haft, kan läkare uppskatta hur ”gammal” organet faktiskt är?

Se bortom kalendern

Läkare klassificerar vanligen donatorlever efter kronologisk ålder, det vill säga hur många år donatorn levt. Äldre donatorer betraktas ofta som högre risk, och deras lever kan kasseras eller användas med försiktighet. Forskning tyder dock på att levern åldras långsammare än många andra organ och kan förbli frisk även hos mycket gamla människor. Det innebär att en lever från en 70‑åring kan fungera som en från någon mycket yngre, medan en annan lever från en medelålders donator redan kan vara utsliten. Författarna menar att det som spelar roll är organets biologiska ålder, ett mått på dess faktiska fysiska tillstånd, inte bara födelsedatumet.

Göra laboratorietester till en åldersuppskattning

För att skapa ett bättre mått på leverålder studerade teamet 247 avlidna donatorer vid ett enda transplantationscenter. Före donation genomgick varje donator avbildningar och blodprover som täckte leverfunktion, blodkoagulation och inflammation. Dessa 20 rutinmässiga kliniska markörer fångar hur styv levervävnaden är, hur väl den producerar proteiner, hur lätt blod flödar genom den och hur inflammerad den är. Med dessa mätvärden tränade forskarna flera datoriserade modeller, inklusive traditionell statistik och mer flexibla maskininlärningsmetoder, för att uppskatta varje grafts biologiska ålder. Modellerna började med att lära sig hur dessa markörer vanligen förändras när människor blir äldre, för att sedan använda det mönstret för att tilldela en åldersliknande poäng till varje lever.

Maskininlärning hittar dolt slitage

Forskarna testade sedan sina modeller i en separat grupp om 82 donator–mottagarpar som transplanterades senare i tiden. En konventionell linjär modell matchade bäst donatorernas faktiska åldrar, men den reproducerade mestadels kalenderåldern och avslöjade inte extra information om risk. I kontrast fångade en gradient‑boosting‑maskin mer komplexa mönster. Den efterliknade kronologisk ålder sämre, men dess biologiska ålderspoäng var starkt kopplade till verkliga kliniska utfall. Levrar vars biologiska ålder var högre än donatorns kalenderålder orsakade oftare problem i gallgångarna efter operation och var associerade med sämre graftöverlevnad. I denna modell framträdde en äldre‑än‑förväntat biologisk ålder som en oberoende riskfaktor för att förlora graftet, även efter att man tagit hänsyn till mottagarens tillstånd och kirurgiska detaljer.

Sortera leverar i snabbare och långsammare åldrandegrupper

För att göra resultaten lättare att använda i kliniken delade teamet in graften i två grupper baserat på gapet mellan biologisk och kronologisk ålder. Leverar i gruppen med accelererat åldrande, där organet verkade äldre än donatorns år, hade sämre utfall efter transplantationen. De i gruppen med decelererat åldrande, vars biologiska ålder motsvarade eller låg efter kalenderåldern, hade tydligt bättre långsiktig överlevnad. Slående nog överlappade överlevnadskurvorna när donatorer endast grupperades efter kronologisk ålder och visade ingen tydlig skillnad. Detta tyder på att den maskininlärningsbaserade biologiska åldern fångar verkligt biologiskt slitage som enkla åldersgränser missar.

Vad detta betyder för framtida transplantationer

I vardagsterm visar detta arbete att vissa lever från äldre donatorer kan vara säkrare än de ser ut på papper, medan andra från yngre donatorer kan vara oväntat sköra. Genom att kondensera många laboratorie‑ och avbildningssignaler till en enkel, intuitiv ”organförålder” erbjuder modellen ett nytt sätt att bedöma graftkvalitet och matcha donatorer med mottagare. Resultaten är fortfarande preliminära och kommer från ett center, så bredare tester behövs. Men om de bekräftas kan användning av biologisk ålder istället för kalenderålder hjälpa läkare att rädda fler användbara leverar ur donatorpoolen samtidigt som patienter bättre skyddas från högriskgraft.

Citering: 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

Nyckelord: levertransplantation, biologisk ålder, maskininlärning, organdonation, graftöverlevnad