综述：AI 与 ML 助力肝脏移植：打破困境，开启精准分配新征程？

为解决肝脏移植（LT）分配模型的不足及应用机器学习（ML）和人工智能（AI）技术的难题，研究人员开展相关主题研究。结果显示虽有进展但存在局限。推荐阅读，可助您了解该领域现状与未来方向，把握科研新动态。

　　

在医疗领域，肝脏移植（Liver Transplantation，LT）是治疗终末期肝病的救命稻草。想象一下，那些被肝病折磨得痛苦不堪的患者，把希望寄托在肝脏移植上，期待着能重获新生。然而，目前的肝脏移植面临着诸多难题。

从器官分配的角度来看，虽然紧迫性、效用性和受益性原则是指导器官分配伦理和实际决策的基石，但现在的 LT 分配主要还是依据紧迫性模型。打个比方，就像一场比赛，只看谁更着急参赛，却没考虑谁参赛后更有可能取得好成绩。当前使用的 MELD 3.0 模型，主要根据患者病情的紧急程度来分配肝脏，病重的患者优先获得移植机会。但这个模型有个明显的缺点，它没有把移植后的生存情况（效用性）考虑进去。理想的模型应该从移植意向出发，综合考虑各种因素，最大化所有患者的整体生存率，也就是遵循生存受益原则。可到现在，还没有一个完美的模型能实现这一点，之前尝试构建的生存受益模型，因为存在各种缺陷，比如生存受益结果不准确、忽略其他 LT 结果和风险因素等，都没能被广泛采用。

另外，随着医疗技术的发展，机器学习（Machine Learning，ML）和人工智能（Artificial Intelligence，AI）技术在医疗领域逐渐崭露头角，也被应用到了肝脏移植中。这些技术就像神奇的魔法棒，似乎能为解决肝脏移植的难题带来新的希望。它们可以处理大量的数据，挖掘出有价值的信息，帮助医生做出更精准的决策。但实际应用中，这些技术也面临着挑战。一方面，肝脏移植是个极其复杂的过程，受到很多因素的影响，像受体和供体的特征、器官的可用性、物流运输以及手术中的各种情况等，要把这些复杂的因素转化为计算机能理解的算法，可不是一件容易的事。另一方面，虽然有很多 AI 和 ML 技术被应用到器官分配中，但没有一种方法能脱颖而出，成为临床实践中的标准方法。

在这样的背景下，为了探索如何利用 ML 和 AI 技术更好地解决肝脏移植中的问题，研究人员开展了一项重要的研究。他们在《BMC Medical Informatics and Decision Making》期刊上发表了题为 “Machine learning and artificial intelligence in liver transplantation: a systematic review of data elements, sources, and their focus on urgency, utility, or benefit” 的论文。这项研究就像是一场 “寻宝之旅”，研究人员想要找出并分析 ML 和 AI 方法在肝脏移植中使用的数据元素、数据来源，以及它们对紧迫性、效用性和受益性原则的关注情况。经过深入研究，他们发现虽然 ML 和 AI 技术在预测各种 LT 相关结果方面取得了一些进展，比如在供体 - 受体匹配和预测移植后生存方面有一定成果，但仍存在不少问题。同时，他们也为未来的研究指明了方向，这对于推动肝脏移植领域的发展有着重要意义。

在这项研究中，研究人员采用了多种关键技术方法。首先是全面的文献检索，他们在 Ovid Medline 和 Scopus 数据库中进行搜索，就像在知识的海洋里撒下一张大网，把 2002 年到 2023 年 6 月发表的相关研究都纳入搜索范围。然后制定了详细的筛选标准，只选择使用 ML/AI 技术、基于 MELD 时代数据的定量研究，并且排除了一些不符合要求的文献，比如病例报告、综述等。在数据收集阶段，由两名独立的审稿人对符合条件的文献进行评估和数据提取，确保数据的准确性和可靠性。最后，按照 PRISMA 指南对数据进行综合分析，把结果分为五个主要类别进行研究。

下面我们来看看具体的研究结果：

1. 总体目标和论文描述：大部分论文的目标是提出更好的模型，解决供体和受体匹配的难题，提高对移植后生存情况的预测能力，以及优化资源利用，缓解器官供需不平衡的问题。其中，有八篇研究是由西班牙团队主导或参与的。他们一开始致力于研究供体 - 受体匹配模型，后来与英国合作，试图通过引入基于 ML 的分配系统来解决移植等待时间过长的问题。同时，他们还指出当前 LT 分配系统过度依赖 MELD 的问题，呼吁采用更高效的决策支持模型。除了西班牙团队，世界各地的研究团队也都在积极探索。比如加拿大和瑞士的团队开发了专门用于预测原发性硬化性胆管炎（Primary Sclerosing Cholangitis，PSC）患者移植后生存情况的校准模型；澳大利亚的研究则关注预测移植时移植物失败的指标；美国的研究致力于预测移植后患者的生存率，以优化器官分配。
2. 数据来源和管理：西班牙团队的数据来自多个中心，包括西班牙 11 个中心的两年纵向数据和英国国王学院医院八年的数据，不过这些数据的具体来源（电子健康记录还是登记处）并不明确。而在其他研究中，美国和其他地方的很多研究都使用了科学移植受者登记处（Scientific Registry for Transplant Recipients，SRTR）的数据。样本量在不同研究中差异较大，从几千到几十万不等。很多研究的数据来源和处理方式不够清晰，数据管理和质量控制的细节也很少被报道，只有少数研究对数据缺失和插补方法进行了详细说明。此外，大部分研究使用的是横断面数据，只有一项研究使用了纵向数据，但也没有考虑时间依赖性风险因素。
3. 数据元素 / 特征包括：大多数论文纳入了大量受体、供体和手术相关的特征。受体特征常见的有 demographics（人口统计学信息）、LT 的适应症、是否存在合并症、透析情况、用药情况、MELD 评分等；供体特征包括 demographics、死亡原因、是否使用胰岛素和血管加压药等；手术相关特征涵盖了保存溶液、冷热缺血时间等。不过，功能状态、社会经济和保险因素等很少被纳入。而且，除了 MELD 评分在一项研究中被用作 listing 和 LT 时的差值外，其他输入变量都没有考虑时间依赖性变化或 acuity level（ acuity level 可理解为病情严重程度的动态变化指标 ），风险因素也只是简单地被视为存在或不存在。
4. 原则和最大化目标：很多论文通过预测不同的移植后生存结果来解决供体 - 受体匹配问题，这主要涉及到效用性原则，比如预测移植物和受体在不同时间点的生存情况。只有两篇论文关注紧迫性原则，试图开发比 MELD 更好的模型来预测候选者的死亡率或等待名单退出情况。但遗憾的是，没有一篇论文提供移植相关的生存受益模型。
5. 机器学习和人工智能方法：研究中使用了多种 ML 技术和优化方法。数据插补技术、特征选择方法和验证策略各不相同，比如有的研究采用均值插补，有的使用随机森林进行特征选择，大部分论文采用内部验证。ML 方法主要以监督学习为主，还有少量半监督学习。常用的技术包括随机森林（Random Forest，RF）和人工神经网络（Artificial Neural Network，ANN）等。西班牙团队还引入了独特的模型，这些模型在多个指标上表现出了竞争力。同时，研究也指出了存在的局限性，比如数据收集的回顾性、需要更大更具多样性的数据集等。

研究结论和讨论部分指出，虽然 ML/AI 技术在肝脏移植研究中取得了一些成果，但仍面临诸多挑战。目前缺乏真正的移植相关受益模型，很少有研究能提出比 MELD 更优的紧迫性模型。大多数研究关注效用性原则，未来移植研究应纳入更多评估移植受益的指标，如生活质量、节省的生命年数和移植后无住院天数等。此外，模型的可解释性和泛化性也是未来研究需要重点考虑的问题。研究还强调了多中心协作、标准化数据收集和外部验证的重要性。这项研究为未来肝脏移植的研究奠定了基础，指明了方向，让我们朝着开发更精准、更个性化的肝脏移植模型迈进，有望为更多患者带来生的希望。它就像一座灯塔，在肝脏移植研究的海洋中，为后续的探索照亮了前行的道路，激励着科研人员不断努力，去攻克那些尚未解决的难题，推动肝脏移植领域的发展，让更多患者能受益于更先进的医疗技术。