Γιατροί ανέπτυξαν ένα εργαλείο τεχνητής νοημοσύνης που θα μπορούσε να μειώσει κατά 60% τις άσκοπες προσπάθειες μεταμόσχευσης οργάνων.

Χιλιάδες ασθενείς σε όλο τον κόσμο περιμένουν έναν δωρητή που θα μπορούσε να τους σώσει τη ζωή, και οι υποψήφιοι που βρίσκονται σε λίστες αναμονής είναι περισσότεροι από τα διαθέσιμα όργανα.

Πρόσφατα, σε περιπτώσεις όπου οι άνθρωποι χρειάζονται μεταμόσχευση ήπατος, η πρόσβαση έχει διευρυνθεί με τη χρήση δοτών που πεθαίνουν μετά από καρδιακή ανακοπή. Ωστόσο, σε περίπου το ήμισυ αυτών των περιπτώσεων δωρεών μετά από κυκλοφορικό θάνατο , η μεταμόσχευση καταλήγει να ακυρώνεται.

Αυτό συμβαίνει επειδή ο χρόνος μεταξύ της απομάκρυνσης της υποστήριξης της ζωής και του θανάτου δεν πρέπει να υπερβαίνει τα 45 λεπτά. Εάν ο δότης δεν πεθάνει εντός του χρονικού πλαισίου που απαιτείται για τη διατήρηση της ποιότητας του οργάνου, οι χειρουργοί συχνά απορρίπτουν το ήπαρ λόγω του αυξημένου κινδύνου επιπλοκών για τον λήπτη.

Τώρα, γιατροί, επιστήμονες και ερευνητές του Πανεπιστημίου του Στάνφορντ έχουν αναπτύξει ένα μοντέλο μηχανικής μάθησης που προβλέπει εάν ένας δότης είναι πιθανό να πεθάνει εντός του χρονικού πλαισίου κατά το οποίο τα όργανα του είναι βιώσιμα για μεταμόσχευση.

Το εργαλείο τεχνητής νοημοσύνης ξεπέρασε σε απόδοση την κρίση κορυφαίων χειρουργών και μείωσε κατά 60% το ποσοστό των χειρουργίων μεταμόσχευσης που προετοιμάζονται αλλά δεν γίνονται ποτέ.

«Αναγνωρίζοντας πότε ένα όργανο είναι πιθανό να είναι χρήσιμο πριν ξεκινήσουν οι προετοιμασίες για τη χειρουργική επέμβαση, αυτό το μοντέλο θα μπορούσε να κάνει τη διαδικασία μεταμόσχευσης πιο αποτελεσματική», δήλωσε ο Δρ Kazunari Sasaki, καθηγητής μεταμοσχεύσεων και ανώτερος συγγραφέας της μελέτης.

«Έχει επίσης τη δυνατότητα να επιτρέψει σε περισσότερους υποψηφίους που χρειάζονται μεταμόσχευση οργάνου να λάβουν μία».

Λεπτομέρειες σχετικά με την καινοτομία αυτή δημοσιεύθηκαν στο περιοδικό Lancet Digital Health.

Η πρόοδος αυτή θα μπορούσε να μειώσει τον αριθμό των περιπτώσεων στις οποίες οι εργαζόμενοι στον τομέα της υγείας προετοιμάζουν όργανα για λήψη, και τελικά διαπιστώνουν ότι δεν είναι κατάλληλα για μεταμόσχευση, επιβαρύνοντας οικονομικά και λειτουργικά τα κέντρα μεταμόσχευσης.

Τα νοσοκομεία βασίζονται κυρίως στην κρίση των χειρουργών για να εκτιμήσουν αυτό το κρίσιμο χρονικό διάστημα, το οποίο μπορεί να ποικίλλει σημαντικά και να οδηγήσει σε περιττά έξοδα και σπατάλη πόρων.

Το νέο εργαλείο τεχνητής νοημοσύνης εκπαιδεύτηκε με δεδομένα από περισσότερους από 2.000 δότες σε διάφορα κέντρα μεταμόσχευσης των ΗΠΑ. Χρησιμοποιεί νευρολογικά, αναπνευστικά και κυκλοφοριακά δεδομένα για να προβλέψει την εξέλιξη ενός πιθανού δότη προς το θάνατο με μεγαλύτερη ακρίβεια από τα προηγούμενα μοντέλα και τους ειδικούς.

Η προσέγγιση αυτή θα μπορούσε να αποτελέσει ένα σημαντικό βήμα προόδου στον τομέα των μεταμοσχεύσεων, σύμφωνα με την ερευνητική ομάδα, η οποία υπογράμμισε «το δυναμικό των προηγμένων τεχνικών τεχνητής νοημοσύνης για τη βελτιστοποίηση της χρήσης οργάνων από κυκλοφορικά νεκρούς δότες».

Στη συνέχεια, σχεδιάζουν να διαφοροποιήσουν το εργαλείο τεχνητής νοημοσύνης για να το δοκιμάσουν σε μεταμοσχεύσεις καρδιάς και πνευμόνων.