Çevrimdışı pekiştirmeli öğrenme ile karaciğer nakli verici-alıcı eşleştirmesi

Bu karaciğer nakli kararları neden önemli

İleri karaciğer hastalığı olan kişiler için nakil, yaşam ile ölüm arasındaki fark olabilir — ancak bağışlanan karaciğer sayısı, bunlara ihtiyaç duyan hastalardan çok daha azdır. Doktorlar belirli bir hasta için belirli bir karaciğeri kabul edip etmeme, daha iyi bir eşleşme için beklemeye devam etme ya da birinin durumu iyileşirse ya da çok kötüleşirse bekleme listesinden çıkarma kararlarını sürekli olarak vermek zorundadır. Bu çalışma, çevrimdışı pekiştirmeli öğrenme olarak bilinen bir yapay zekâ biçiminin, yıllara yayılan nakil verilerinden öğrenerek daha güvenli, daha akıllı eşleştirme kararları önerebileceğini; daha fazla hayat kurtarabileceğini ve her bağışlanan organın kullanımını iyileştirebileceğini araştırıyor.

Tek seferlik tahminlerden sürekli kararlara

Mevcut karaciğer nakli araçlarının çoğu tek bir zamana bakar — örneğin operasyon günü — ve bir hastanın belirli bir vericiden sağ kalma olasılığını tahmin eder. Genellikle en hasta hastaları önceliklendirmeye yardımcı olan laboratuvar sonuçlarını bir sayıya indirgeden Son Dönem Karaciğer Hastalığı Modeli (MELD) gibi skorlar kullanırlar. Ancak bu araçlar gerçeğin önemli bir yönünü dışarıda bırakır: Hastanın durumu haftalar ve aylar boyunca değişir ve sunulan bir organı kabul etme veya reddetme kararı, bekleme listesindeyken ölme rismini de içeren ilerideki gelişmeleri etkiler. Yazarlar bunun yerine nakli zaman içinde bir dizi karar olarak çerçevelediler; burada her transplant, bekleme veya listeden çıkarma kararı farklı olası gelecekleri doğurur.

Bilgisayara geçmiş nakil tercihlerini öğretmek

Araştırmacılar, 2017 ile 2022 yılları arasında ilk kez karaciğer nakli için listelenen 43.000’den fazla yetişkine odaklanarak ABD Bilimsel Transplant Alıcıları Kaydı kayıtlarını kullandılar. Her kişi için MELD skorları ve nihayetinde atılan organlar da dahil olmak üzere olası verici tekliflerinin bir zaman çizelgesini yeniden oluşturdular. Her adımda bilgisayar, hastanın özelliklerini, potansiyel vericinin özelliklerini ve üç olası eylemi gördü: bekle, naklet veya listeden çıkar. Daha sonra bilgisayar, ileride gerçekte ne olduğuna bağlı olarak bir ödül sinyali aldı — hastanın durumunun iyileşip kötüleşmediği, bir naklin gerçekleşip gerçekleşmediği, başarılı mı başarısız mı olduğu ya da hiç yapılmadığı. Conservative Q-learning (Muhafazakar Q-öğrenme) adlı bir teknik kullanılarak sistem; birçok bu tür zaman çizelgesinde daha az ölüm ve daha az başarısız nakil ile sonuçlanan kararları tercih edecek şekilde eğitildi.

Öğrenilmiş politika neleri değiştirmiş olurdu

Eğitilmiş sistem ayrı bir hasta grubunda test edildiğinde, gerçek hayatta bir yıl içinde greft yetmezliğine veya ölüme yol açan verici–alıcı eşleşmelerin %73’ünden kaçınırken başarılı nakillerin %93’ünü korudu. Ayrıca bekleme listesindeyken ölen hastaların neredeyse yarısı için daha erken nakil fırsatlarını belirledi; farklı zamanlama veya vericilerin şanslarını artırmış olabileceğini gösterdi. Önemli olarak, hastalar yeterince kötü olduğunda neredeyse herkesi nakletmeye dayalı çok agresif stratejilerden farklı olarak bu yaklaşım genel nakil sayısını sınırlarken sonuçları iyileştirdi. Her verici karaciğerin yalnızca bir kez kullanılabildiği ve hastaların nakil veya çıkarılma sonrası havuzdan ayrıldığı daha gerçekçi bir simülasyonda model, kaçınılabilir başarısızlıkları azaltırken hâlâ hastaların çoğunu vericilerle eşleştirmeyi başardı.

Verilerde gizlenmiş daha iyi eşleşmelere dair ipuçları

Ham performans rakamlarının ötesinde ekip, sistemin eğilimli olduğu verici–alıcı türlerini inceledi. Basit MELD tabanlı kurallarla karşılaştırıldığında, öğrenilmiş strateji bir miktar daha az kritik durumda olan hastaları ve tarihsel olarak başarılı nakillerde görünenlere daha çok benzeyen vericileri (daha az marjinal organ ve daha az yoğun bakım desteğine ihtiyaç duyan alıcı) seçti. Dikkat çekici biçimde, uygulamada atılan ancak nispeten iyi kalitede gibi görünen bir karaciğer alt kümesini de kurtardı. Standart skorlarla zaten “yüksek riskli” etiketli gruplar içinde modelin nakil seçimleri, o skorların kendileri farklı olmasa bile daha iyi gerçek sağkalım ile ilişkilendi; bu da algoritmanın mevcut araçların kaçırdığı karmaşık desenleri yakalamış olabileceğine işaret ediyor.

Bu hastalar ve doktorlar için ne anlama gelebilir

Bu çalışma henüz başucunda kullanılmaya hazır bir sistem sunmuyor, ancak tamamen geçmiş veriler üzerinde eğitilmiş bir yapay zekâ yönteminin karaciğer naklindeki gerçek ödünleşmeleri — çok uzun beklemenin tehlikesi ile zayıf bir eşleşmeyi kullanma riski arasındaki dengeyi — daha yakından yansıtabileceğini gösteriyor. Her organ teklifine evet, hayır veya henüz demenin zamanını öğrenerek yaklaşım, simüle edilmiş greft başarısızlıklarını azaltırken çoğu başarılı nakli korudu ve bekleme listesinde aksi takdirde ölebilecek birçok kişiye olası can simidi sundu. Daha fazla iyileştirme, daha iyi veriler ve dikkatli testlerle, benzer karar destek araçları transplant ekiplerinin her bağışlanan karaciğeri daha akıllıca kullanmasına ve daha fazla hastaya kalıcı bir ikinci şans vermesine yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: karaciğer nakli, organ tahsisi, pekiştirmeli öğrenme, tıbbi yapay zeka, verici alıcı eşleştirmesi