სტენფორდის მეცნიერების მიერ შემუშავებულმა მანქანური სწავლის (Machine Learning) მოდელმა, შესაძლოა, მნიშვნელოვნად გააუმჯობესოს ღვიძლის გადანერგვის პროცესი და შეამციროს მასთან დაკავშირებული ხარჯები.
ღვიძლის გადანერგვის მსურველთა რაოდენობა აჭარბებს ხელმისაწვდომი ორგანოების რაოდენობას. ამჟამად, ღვიძლის დონაციის მზარდი ნაწილი ხორციელდება სისხლის მიმოქცევის შეწყვეტის შემდეგ დონაციის გზით (Donation After Circulatory Death, DCD).
ამ ტიპის დონაციისას, სასიცოცხლო ფუნქციების შენარჩუნების შეწყვეტასა და დონორის გარდაცვალებას შორის დრო არ უნდა აღემატებოდეს 30-45 წუთს, რათა ღვიძლი არ დაზიანდეს და მიმღებს გართულებების რისკი არ შეექმნას. ასეთ დროს ღვიძლს შესაძლოა დაუზიანდეს ნაღვლის სადინარები, რაც მიმღებისთვის სერიოზული გართულებების რისკს ქმნის, ამიტომ ქირურგები ხშირად უარს ამბობენ ასეთი ორგანოს გამოყენებაზე.
პრობლემა ისაა, რომ ასეთ შემთხვევებში გადანერგვის პროცედურის ნახევარი მაინც უქმდება, რადგან ორგანოები უკვე აღარ არის სიცოცხლისუნარიანი გადანერგვისთვის. აღნიშნულმა შეიძლება გამოიწვიოს რესურსების (მაგალითად, ძვირადღირებული ნორმოთერმული მანქანური პერფუზიის აპარატურის) ფლანგვა.
სტენფორდის მკვლევრებმა შექმნეს მანქანური სწავლების მოდელი, რომელიც წინასწარმეტყველებს, დადგება თუ არა დონორის სიკვდილი იმ დროის ფარგლებში, როდესაც მისი ორგანოები ჯერ კიდევ სიცოცხლისუნარიანია გადანერგვისთვის.
- მოდელი იყენებს დონორის კლინიკურ ინფორმაციას: სქესს, ასაკს, წონას, სასიცოცხლო ნიშნებს (წნევა, გულისცემა), სისხლის ანალიზებს და სხვა სასიცოცხლო პარამეტრებს.
- მოდელმა 60%-ით შეამცირა ღვიძლის უშედგო შესყიდვების მაჩვენებელი (როდესაც ოპერაციისთვის მზადება დაწყებულია, მაგრამ ღვიძლი გამოსადეგი არ არის).
- მოდელი 75%-ით ზუსტად წინასწარმეტყველებს სიკვდილის დროს, ვიდრე ქირურგები.
საბოლოო ჯამში, ხელოვნური ინტელექტის ეს მოდელი შესაძლებელს ხდის, რომ ქირურგიული მომზადების დაწყებამდე მოხდეს იმის ზუსტი იდენტიფიცირება, თუ რომელი ორგანო იქნება გამოსადეგი.
წყარო: Stanford
