Одним из ключевых аспектов при планировании пересадки фрагмента печени от живого донора является прогнозирование веса трансплантата. Недостаточная масса пересаживаемого фрагмента (менее 1% от веса реципиента) является серьезным фактором риска неблагоприятного исхода трансплантации. Такое осложнение получило специальное название – «small-for-size syndrome». Не менее важно, чтобы часть печени, остающаяся донору, уже сразу после операции могла обеспечить необходимую организму функцию. Иными словами, необходимо избежать пост-резекционной печеночной недостаточности.

Сегодня в арсенале врачей имеется несколько формул, которые, используя ряд антропометрических показателей, позволяют оценить массу различных фрагментов печени. Компьютерная томография, выполняемая потенциальным прижизненным донорам, также позволяет рассчитать объемы будущего трансплантата и остающейся части печени. Однако в некоторых пограничных случаях точность таких оценок недостаточна, что может приводить к необоснованному отказу от операции или, наоборот, к повышению рисков серьезных осложнений.

Международная группа специалистов из Италии, Египта, Саудовской Аравии, Южной Кореи и Германии применила современные алгоритмы машинного обучения, чтобы разработать более точную модель прогнозирования массы фрагмента печени. Для моделирования использовали данные о 872 живых доноров левого латерального сектора, левой и правой долей печени, оперированных в период с 2011 по 2019 гг. Учитывали пол, рост, вес, тип трансплантата, а также данные предоперационной компьютерной томографии.

Все наблюдения были случайным образом распределены в две неравные группы: 80% случаев использовали для обучения модели, а 20% – для проверки ее точности (валидации). Кроме того, после создания модели дополнительно была проведена ее внешняя валидация. Оказалось, что средняя ошибка составила 50 грамм или 10% от массы трансплантата. При этом для 62% наблюдений отклонение предсказанной массы трансплантата от реальной оказалось менее 10%.

Достигнутая точность модели оказалась значительно лучше, чем для любых существующих способов. Свои результаты авторы представили в виде общедоступного онлайн калькулятора, что позволяет специалистам любого центра трансплантации использовать его в своей исследовательской или клинической работе.

Giglio MC, Zanfardino M, Franzese M, et al. Machine learning improves the accuracy of graft weight prediction in living donor liver transplantation. Liver Transpl. 2023;29(2):172-183. doi:10.1002/lt.26578