شاخص زیستی BioWaitIndex با بهره‌گیری از یادگیری ماشین، پیامدهای انتظار برای پیوند کبد را پیش‌بینی می‌کند

بر اساس مطالعه‌ای جدید، برخی از افرادی که در انتظار پیوند کبد هستند، ممکن است به دلیل فرسودگی زیستی بدنشان، بیش از آنچه سن تقویمی آن‌ها نشان می‌دهد، در معرض مرگ قرار داشته باشند؛ خطری که امتیاز MELD به‌تنهایی قادر به شناسایی کامل آن نیست. این پژوهش که در مجله Frontiers in Transplantation منتشر شده، شاخصی مبتنی بر یادگیری ماشین به نام BioWaitIndex یا BWI را معرفی می‌کند. این شاخص با ترکیب ۱۲ نشانگر زیستی که به‌طور معمول در مراقبت‌های بالینی اندازه‌گیری می‌شوند، توانست مرگ در فهرست انتظار و وخامت وضعیت بالینی را در میان ۱۵۰۲ داوطلب پیوند کبد پیش‌بینی کند؛ حتی در مواردی که امتیاز MELD چنین خطری را نشان نمی‌داد. این یافته‌ها در شرایطی مطرح شده‌اند که فاصله میان عرضه و تقاضای اعضای پیوندی در ایالات متحده همچنان چشمگیر است: تنها در سال ۲۰۲۳، نزدیک به ۱۴۷۰۰ نفر به فهرست انتظار پیوند کبد اضافه شدند، در حالی که حدود ۱۰۶۶۰ پیوند انجام گرفت.

امتیاز MELD، مخفف مدل بیماری کبدی مرحله نهایی، از سال ۲۰۰۲ مبنای اصلی تخصیص کبد برای پیوند بوده و همچنان یکی از ارکان این نظام به شمار می‌رود. این امتیاز با استفاده از شاخص‌های آزمایشگاهی عینی اختلال عملکرد کبد و کلیه، از جمله بیلی‌روبین، نسبت نرمال‌شده بین‌المللی انعقاد خون (INR)، کراتینین و سدیم، خطر مرگ‌ومیر در کوتاه‌مدت را به‌خوبی پیش‌بینی می‌کند؛ به‌ویژه هنگامی که در طول دوره انتظار به‌صورت مکرر ارزیابی شود. با این حال، MELD برای سنجش شدت حاد بیماری بر اساس مقادیر نزدیک به زمان تخصیص عضو طراحی شده است، نه برای ارزیابی روند بلندمدت وضعیت بیمار یا ذخیره فیزیولوژیک بدن او. یافته‌های مطالعه جدید نشان می‌دهد که یک امتیاز MELD منفرد در زمان ارزیابی اولیه برای پیوند ممکن است آسیب‌پذیری گسترده بیمار در چندین دستگاه بدن را آشکار نکند؛ به‌خصوص اگر شاخص‌های اختصاصی کبد در ظاهر اطمینان‌بخش باشند.

ساختار فنی BWI بر اساس یک انتخاب روش‌شناختی مشخص شکل گرفته است. پژوهشگران به‌جای آموزش مدل روی بیماران مبتلا به بیماری کبدی مرحله نهایی، از داده‌های جمعیت عمومی در پیمایش ملی سلامت و تغذیه ایالات متحده (NHANES) استفاده کردند؛ پیمایشی که نمونه‌ای نماینده از جمعیت آمریکا را شامل می‌شود و اطلاعات افراد ساکن جامعه را گردآوری می‌کند. مدل رگرسیون جنگل تصادفی با ۵۰۰ درخت، حداقل اندازه گره پنج و بررسی چهار متغیر در هر انشعاب، روی یک مجموعه توسعه شامل ۱۳۸۳۰ شرکت‌کننده آموزش داده شد. سن تقویمی افراد متغیر هدف در فرایند آموزش بود. این روش به مدل امکان داد الگوهای مورد انتظار تغییرات مرتبط با سن را در چندین سامانه زیستی بیاموزد، بی‌آنکه به ناهنجاری‌های اختصاصی بیماری کبدی وابسته شود. سپس BWI از تفاضل سن تقویمی فرد و سن پیش‌بینی‌شده توسط مدل محاسبه شد؛ مقادیر مثبت نشان می‌دهند که الگوی نشانگرهای زیستی فرد با سنی بالاتر از سن واقعی او مطابقت دارد، در حالی که مقادیر منفی بیانگر الگویی سازگار با سنی پایین‌تر از سن تقویمی هستند.

این شاخص ۱۲ نشانگر زیستی را در بر می‌گیرد که حوزه‌های ریوی، قلبی‌عروقی، کلیوی، متابولیک، التهابی، تغذیه‌ای و خونی را پوشش می‌دهند: آلبومین، پروتئین واکنشی سی (CRP)، شمار گلبول‌های سفید، گلوکز، هموگلوبین گلیکوزیله، آلکالین فسفاتاز، نیتروژن اوره خون (BUN)، کراتینین، فشار خون سیستولیک، حجم بازدمی اجباری در ثانیه اول (FEV1)، شمار لنفوسیت‌ها و حجم متوسط گلبول‌های قرمز (MCV). اندازه‌گیری همه این شاخص‌ها در مراقبت‌های بالینی معمول است و داده‌های آن‌ها در پرونده الکترونیک سلامت موجود است. مدل آموزش‌دیده ابتدا در یک نمونه زمانی مستقل و بدون هم‌پوشانی شامل ۸۱۵۱ شرکت‌کننده از دوره‌های بعدی پیمایش NHANES اعتبارسنجی شد. در این مرحله، BWI ارتباط معناداری با مرگ‌ومیر به هر علت نشان داد. سپس مدل، بدون آموزش مجدد، روی یک گروه مستقل و تأییدشده از نظر هیئت بازبینی سازمانی (IRB) شامل ۱۵۰۲ فرد بزرگسال در فهرست انتظار پیوند کبد بیمارستان هیوستون متودی اجرا شد. این بیماران بین ژوئن ۲۰۱۶ و نوامبر ۲۰۲۲ در فهرست انتظار قرار گرفته بودند و پیامدهای آن‌ها تا دسامبر ۲۰۲۴ پیگیری شد.

نتایج اعتبارسنجی بالینی قابل‌توجه بود. در تحلیل‌های چندمتغیره با در نظر گرفتن خطرهای رقیب، هنگامی که BWI و MELD هر دو در زمان ارزیابی اولیه اندازه‌گیری شدند، افزایش هر واحد در BWI با احتمال بیشتر دریافت پیوند و خطر کمتر مرگ در فهرست انتظار یا وخامت وضعیت بالینی همراه بود. نکته مهم‌تر آن بود که امتیاز MELD در زمان ارزیابی اولیه، ارتباط معناداری با مرگ یا وخامت بالینی در ادامه دوره انتظار نداشت، در حالی که BWI در همان زمان همچنان پیش‌بینی‌کننده‌ای مستقل و نیرومند بود. همبستگی این دو امتیاز محدود بود و تنها بخش کوچکی از تغییرات آن‌ها با یکدیگر هم‌پوشانی داشت؛ موضوعی که نشان می‌دهد هر شاخص، ابعادی مرتبط اما عمدتاً متمایز از وضعیت بیمار را اندازه‌گیری می‌کند. افزودن BWI به MELD در زمان ارزیابی اولیه، طبقه‌بندی مجدد خطر را برای مرگ‌ومیر در فهرست انتظار ۳۱٫۲ درصد و برای احتمال دریافت پیوند ۱۱٫۱ درصد بهبود داد. این ارتباط‌ها در زنان و مردان نیز به‌طور یکسان مشاهده شدند.

تحلیل اهمیت ویژگی‌ها بر اساس روش جایگشت نشان داد که عوامل اصلی تعیین‌کننده BWI بیشتر به وضعیت عمومی بدن مربوط‌اند تا شاخص‌های اختصاصی کبد. حجم بازدمی اجباری در ثانیه اول، فشار خون سیستولیک و نیتروژن اوره خون مهم‌ترین عوامل مؤثر بودند و به‌ترتیب حوزه‌های ریوی، قلبی‌عروقی و کلیوی را پوشش می‌دادند. در زمینه پیوند کبد، FEV1 احتمالاً اطلاعاتی درباره تحلیل عضلات تنفسی، سندرم کبدی‌ریوی و پرفشاری خون ریوی مرتبط با پرفشاری ورید پورت فراهم می‌کند؛ عواملی که همگی از علل شناخته‌شده مرگ‌ومیر در فهرست انتظار هستند و اثر آن‌ها مستقل از MELD است. فشار خون سیستولیک می‌تواند ذخیره همودینامیک بدن را در شرایط کاردیومیوپاتی ناشی از سیروز و گشادشدگی عروق احشایی منعکس کند. نیتروژن اوره خون نیز اطلاعاتی درباره عملکرد کلیه، وضعیت تغذیه‌ای و میزان تجزیه بافت‌های بدن ارائه می‌دهد؛ موضوعی که با توجه به شیوع سندرم کبدی‌کلیوی در سیروز پیشرفته اهمیت ویژه‌ای دارد.

شاید مهم‌ترین یافته از نظر کاربرد بالینی، به بررسی بیمارانی مربوط باشد که در فهرست انتظار جان باختند یا به دلیل وخامت وضعیت بالینی از فهرست خارج شدند. بیمارانی که BWI آن‌ها پایین‌تر از میانه بود، با وجود آنکه نیمی از کل گروه را تشکیل می‌دادند، سهم نامتناسبی از مرگ‌ومیرهای فهرست انتظار را به خود اختصاص دادند: ۵۹٫۴ درصد از ۴۳۱ بیماری که این پیامد را تجربه کردند. نرخ مرگ‌ومیر در این گروه ۳۴٫۶ درصد بود، در حالی که این میزان در بیماران دارای BWI بالا به ۲۳٫۶ درصد می‌رسید. نکته مهم آن بود که بیمارانی با BWI پایین که جان باختند، هنگام مرگ امتیاز MELD به‌طور معناداری کمتری داشتند: میانه این امتیاز ۲۲ بود، در مقایسه با ۳۰ در گروه دارای BWI بالا. همچنین، میانه مدت حضور آن‌ها در فهرست انتظار بیش از دو برابر بود؛ ۲۶۹ روز در برابر ۱۲۱ روز. در بررسی چارک‌های BWI نیز رابطه‌ای تدریجی مشاهده شد: در میان افرادی که جان باختند، میانه امتیاز MELD هنگام وقوع پیامد از پایین‌ترین چارک به بالاترین چارک به‌تدریج افزایش یافت، در حالی که میانه مدت انتظار از ۲۸۶ روز به ۸۸ روز کاهش پیدا کرد.

پژوهشگران تأکید می‌کنند که BWI، با وجود آنکه مدل اولیه برای پیش‌بینی سن بر اساس الگوهای نشانگرهای زیستی آموزش دیده است، معادل سن تقویمی نیست. این شاخص میزان انحراف عملکرد چندین دستگاه بدن از الگوی مورد انتظار را نشان می‌دهد. بنابراین، دو بیمار با سن تقویمی یکسان ممکن است مقادیر بسیار متفاوتی در BWI داشته باشند که بیانگر تفاوت در ذخیره فیزیولوژیک عمومی آن‌هاست. ارتباط BWI با پیامدهای فهرست انتظار حتی پس از تعدیل آماری بر اساس سن تقویمی نیز حفظ شد؛ اقدامی که وابستگی ناشی از بازگشت به میانگین را، که در برخی برآوردگرهای سن مبتنی بر یادگیری ماشین دیده می‌شود، مورد توجه قرار می‌دهد. گروه پژوهشی همچنین احتمال سوگیری الگوریتمی را با استفاده از مدل‌های جداگانه برای زنان و مردان بررسی کرد. نسبت‌های خطر برای دریافت پیوند و مرگ‌ومیر در دو جنس یکسان بود؛ نتیجه‌ای که با توجه به بحث‌های جاری درباره نابرابری‌های جنسیتی در تخصیص کبد اهمیت دارد.

تلاش‌های پیشین برای سنجش ذخیره فیزیولوژیک عمومی فراتر از امتیازهای اختصاصی هر اندام، عمدتاً بر شاخص‌های شکنندگی جسمانی، مانند شاخص شکنندگی کبد (Liver Frailty Index) و فنوتیپ شکنندگی فرید (Fried Frailty Phenotype)، متکی بوده‌اند. این روش‌ها به ارزیابی حضوری عملکرد جسمانی نیاز دارند؛ ارزیابی‌هایی که ممکن است برای بیماران دچار ضعف شدید و کاهش توان جسمانی امکان‌پذیر نباشند و تحت تأثیر تفاوت میان ارزیابان نیز قرار گیرند. آزمایش‌های مولکولی، مانند سنجش‌های مبتنی بر متیلاسیون DNA، امکان اندازه‌گیری عینی وضعیت فیزیولوژیک چندین دستگاه بدن را فراهم می‌کنند، اما استفاده از آن‌ها به دلیل حجم نمونه‌های کوچک، نیاز به پردازش تخصصی، هزینه بالا و دشواری گسترش در مقیاس وسیع محدود است. در یک مرور دامنه‌ای درباره نشانگرهای زیستی پیری در دریافت‌کنندگان پیوند اعضای جامد نیز مشخص شد که پژوهش‌های موجود عمدتاً بر پیوند کلیه متمرکز بوده‌اند؛ به‌طوری‌که ۲۳ مورد از ۳۲ مطالعه بررسی‌شده به پیوند کلیه و تنها سه مطالعه به دریافت‌کنندگان پیوند کبد اختصاص داشت. در مقابل، BWI بر داده‌های بالینی معمول متکی است و بدون نیاز به آزمایش‌های مولکولی تخصصی، روی ۱۵۰۲ بیمار در فهرست انتظار پیوند ارزیابی شده است.

پیامدهای عملی این روش می‌تواند قابل‌توجه باشد. BWI ممکن است به‌عنوان ابزاری برای غربالگری زودهنگام در زمان ارزیابی اولیه پیوند به کار رود تا بیمارانی را شناسایی کند که با وجود امتیاز MELD متوسط، به پایش دقیق‌تر یا ارزیابی مجدد سریع‌تر نیاز دارند. از آنجا که این شاخص با داده‌های معمول بالینی محاسبه می‌شود، پس از اعتبارسنجی در چند مرکز درمانی می‌توان آن را در آینده در پرونده‌های الکترونیک سلامت ادغام کرد، بدون آنکه کاربران نهایی به تخصص در یادگیری ماشین نیاز داشته باشند. با این حال، نویسندگان هشدار می‌دهند که گروه مورد بررسی برای اعتبارسنجی بالینی، گذشته‌نگر و محدود به یک مرکز پیوند بود؛ بنابراین، پیش از استفاده بالینی، اعتبارسنجی آینده‌نگر و ارزیابی خارجی در چندین مرکز ضروری است. داده‌های مفقود با روش برآورد چندگانه از طریق معادلات زنجیره‌ای مدیریت شدند و تحلیل‌های حساسیت نیز ثبات نتایج را تأیید کردند. با وجود این محدودیت‌ها، مطالعه گامی در جهت ارزیابی جامع‌تر خطر در داوطلبان پیوند کبد به شمار می‌رود؛ رویکردی که با بهره‌گیری از یادگیری ماشین و داده‌های معمول پزشکی، اطلاعات پیش‌آگهی تکمیلی در کنار امتیاز تثبیت‌شده MELD فراهم می‌کند، به‌ویژه در زمان ارزیابی اولیه که فرصت مداخله بالینی بیش از هر زمان دیگری اهمیت دارد.

حوزه پژوهش: پزشکی

عنوان مقاله: BioWaitIndex: نشانگر زیستی جدید مبتنی بر یادگیری ماشین برای بهبود پیش‌بینی پیامدهای فهرست انتظار پیوند کبد

منبع علمی: Patel, K., Connor, A. A., Sanghvi, M., Elaileh, A., Rizk, E., Semaan, S., Dib, Y. E., Todd, J., Moore, L. W., Succar, L., Simon, C. J., Cheah, Y. L., Mobley, C. M., Saharia, A., Patidar, K. R., Kodali, S., Victor, D. W., III, Lindberg, S., Casarin, S., … Ghobrial, R. M. (2026). BioWaitIndex: a novel machine learning-derived biomarker for improved prediction of liver transplant waitlist outcomes. Frontiers in Transplantation, 5، مقاله 1964045. https://doi.org/10.3389/frtra.2026.1964045

اعتبار تصویر: تولیدشده با هوش مصنوعی

شناسه دیجیتال مقاله (DOI): 10.3389/frtra.2026.1964045

کلیدواژه‌ها: پیوند کبد، یادگیری ماشین، BioWaitIndex، MELD، مرگ‌ومیر در فهرست انتظار، نشانگر زیستی، جنگل تصادفی، NHANES، طبقه‌بندی خطر، رگرسیون خطرهای رقیب، پیری زیستی، تخصیص پیوند

منبع خبر: ترزا اودوم، ۱۶ اکتبر ۲۰۲۶، «شاخص زیستی BioWaitIndex مبتنی بر یادگیری ماشین، پیامدهای فهرست انتظار پیوند کبد را فراتر از MELD پیش‌بینی می‌کند»، Scienmag.