在活体供体肝移植（LDLT）中，为受体植入足够大小的移植物对于优化早期结果至关重要，因为小型移植物（SFSGs）的移植与移植物和患者生存率的降低有关。

目前通过将移植物重量（GW）与受体的体重进行比较来评估移植物大小，从而计算GW与受体体重比（GWBWR）。GWBWR ≥ 0.8% 传统上被认为是安全 LDLT 的极限。然而，多年来知识和手术管理的改进改善了整体结果，即使在GWBWR存在的情况下<0.8%。然而，精确的GW估计对手术规划仍然至关重要，因为当预计GWWWR较低时，最佳的供体和受体匹配至关重要。

GW是根据从计算机断层扫描（CT）计算的术前移植物体积（GV）来估计的。然而，立即转换体积的重量，即假设1毫升肝脏重1克，是不准确的，并高估了GW。为了减少这些错误，已经开发了几个公式来提高GV的重量转换。然而，这些公式假设GV和GW之间的线性关系，而不考虑其他因素，如供体年龄、性别和脂肪变性可能会影响肝脏密度。

机器学习（ML）是人工智能的一个子集，它依靠观测数据的模式来研究和构建预测模型。 ML允许处理大量数据，从数据中学习，并做出超出传统统计方法限制的预测。

2022年9月27日发表在LIVER TRANSPLANTATION的研究旨在调查与目前可用的方法相比，将捐赠者特征面板与估计的GV相结合的监督ML模型是否可以改善术前GW估计。

2011年1月至2019年12月，收集了872名连续左侧部门、左叶或右叶的活体捐赠者给成人或儿童进行与活体相关的肝移植的数据。训练了监督机器学习模型（80%的观察），以使用以下信息预测GW：捐赠者的年龄、性别、身高、体重和体重指数；移植物类型（左、右或左侧叶）；计算机断层扫描估计移植物体积和总肝体积。使用平均绝对误差（MAE）和平均绝对百分比误差，在随机独立集（占观测值的20%）和外部验证队列中测量模型性能，并与目前可用于GW估计的方法进行比较。

性能最佳的机器学习模型显示，预测GW的MAE值为50±62克，平均误差为10.3%。这些误差明显低于替代方法观察到的误差。此外，62%的预测有误差<10%，而只有18.4%的病例观察到错误>15%，而使用最佳替代方法获得的预测的误差为34.6%（p < 0.001）。与目前可用的方法相比，机器学习可以通过减少重大错误的频率来提高GW估计的精度。人体测量变量与术前估计的移植物体积的耦合似乎有必要提高GW估计的准确性。

图1：显示GW估计误差的频率和幅度的密度图

综上所述，这项研究表明，使用ML可以改善LDLT中的GW估计，并可能通过降低临床显著估计错误的频率来显著降低与SFSG意外移植相关的风险。为了更精确地估计GW，还需要估计GV以外的其他信息，包括捐赠者的人体测量数据。由于ML模型的精度取决于用于模型训练的观测数量，因此应将这些已经重要的结果视为使用更大的数据集进一步优化模型和提高其准确性的起点。

 

原文出处

Giglio, MC, Zanfardino, M, Franzese, M, Zakaria, H, Alobthani, S, Zidan, A, et al. Machine learning improves the accuracy of graft weight prediction in living donor liver transplantation. Liver Transpl. 2022; 00: 1–12. https://doi.org/10.1002/lt.26578