Il y a un moment dans le processus de transplantation où chaque seconde compte : le cœur d'un donneur s'est arrêté, l'équipe d'organes se prépare, les chirurgiens se désinfectent les mains, la boîte froide est prête. Un mauvais timing dans cette fenêtre délicate peut signifier qu'un organe viable ne sera pas utilisé. Maintenant, un nouveau modèle d'apprentissage automatique développé à l'Université de Stanford pourrait aider à réduire cette marge d'erreur de manière substantielle.
L'accent est mis sur une classe particulière de dons : les donneurs après mort circulatoire (DCD). Dans ces cas, le soutien vital est retiré, et le donneur doit décéder dans un intervalle défini (par exemple, 45 minutes) pour que les organes—en particulier le foie—restent viables pour la transplantation. Trop souvent, le donneur n'atteint pas ce point final à temps, et les préparations chirurgicales deviennent «futiles»—des organes bien-aimés ne sont pas utilisés, les équipes perdent du temps et des ressources, et les receveurs potentiels passent à côté. The Guardian rapporte qu'environ la moitié des tentatives de don de foie DCD se terminent par une annulation selon les pratiques actuelles.
Le nouvel outil utilise des données neurologiques, respiratoires et circulatoires de plus de 2 000 donneurs pour entraîner un modèle qui prédit avec une plus grande précision que l'intuition des chirurgiens si le donneur va décéder dans la fenêtre requise. Il est important de noter qu'il fonctionne également raisonnablement bien même lorsque certaines informations sur le donneur sont manquantes—un facteur clé dans les situations cliniques réelles. Les chercheurs affirment qu'en appliquant cet outil, les centres de transplantation pourraient réduire les efforts de préparation inutiles de 60 %.
Pourquoi cela est-il important ? Tout d'abord, cela signifie une meilleure utilisation des organes rares. Les préparations gaspillées mobilisent des équipes chirurgicales, des salles d'opération, des logistiques de prélèvement d'organes, et retardent ou nient finalement les transplantations pour les patients en attente. Deuxièmement, le coût et le fardeau émotionnel de se préparer—pour finalement annuler—ne sont pas négligeables. Enfin, ce type d'outil prédictif signale un changement : les données et les algorithmes passent des marges de la médecine de transplantation à la prise de décision centrale.
Cela dit, comme pour tous les nouveaux outils, il y a des mises en garde. Le modèle est prometteur mais pas encore entièrement intégré dans la pratique standard. Les prédictions impliquent encore de l'incertitude ; les décisions concernant les organes et la pertinence du donneur restent complexes, impliquant le jugement humain, l'éthique et l'urgence. Et il y a des questions plus larges : cet outil sera-t-il généralisable à différents hôpitaux, populations et organes (cœurs, poumons) au-delà du foie ? Les chercheurs ont indiqué des plans pour l'adapter à d'autres systèmes d'organes.
En métaphore : imaginez une équipe de canot de sauvetage attendant un signal avant de se lancer dans des mers agitées. Si le signal est erroné, le bateau sort pour rien. Cet outil d'IA offre un signal plus clair. Il ne remplace pas l'équipage ou le bateau—il les aide à se lancer plus confiant, lorsque les vagues ont une meilleure chance de les livrer en toute sécurité.
Avertissement sur les images AI : «Les visuels sont créés avec des outils d'IA et ne sont pas de vraies photographies.»
Sources : The Guardian, équipe de recherche de l'Université de Stanford
Publié par Banx Network. Cet article fait partie du programme de médias décentralisés Banx, propulsé par le jeton BXE sur le XRP Ledger.
