AI-modellen voor meer en betere transplantatie van nieren van overleden donoren

Computationele pathologie leidt tot een significant betere voorspelling van het functioneren van donornieren en ondersteunt beter gebruik van donornieren van overleden donoren. Dat concludeerde Luis Rodrigues (Universidade de Coimbra, Portugal) in de sessie ‘Artificial intelligence and data science transforming kidney care: from algorithms to action’.¹

Het tekort aan donornieren is nog altijd een belangrijke barrière voor niertransplantatie. Biopsieën van donornieren zijn nuttig voor het beoordelen van de orgaankwaliteit, maar zorgen er ook voor dat veel donororganen worden afgekeurd, waardoor levensvatbare nieren mogelijk verloren gaan. Rodrigues en collega’s ontwikkelden ComPRePS2, een computationeel pathologieplatform op basis van kunstmatige intelligentie (AI)/machine learning voor de analyse van nierbiopten en wilden een model bouwen dat pathologische en klinische data combineert om potentieel geschikte donornieren beter te beoordelen en minder nieren verloren te laten gaan. Ze analyseerden 211 gedigitaliseerde biopten van nieren van 152 overleden donoren. Hiervan werden 139 nieren van 110 donoren getransplanteerd, terwijl 72 nieren van 42 donoren op basis van de biopsiebevindingen afgewezen werden. 

De onderzoekers segmenteerden met ComPRePS2 glomeruli, tubuli, arteriën, arteriolen en laesies in de biopten en extraheerden hieruit 306 pathologische kenmerken. Vervolgens berekenden ze een hybride patholoog-AI-laesiescore (RZAI) en testten ze regressiemodellen, waarvoor ze 2 willekeurige modellen selecteerden: 1 om de eGFR na 12 maanden te voorspellen en 1 voor vertraagde transplantaatfunctie (‘delayed graft function’, DGF). Hierin schatten ze de potentiële vermindering in nieren die verloren gaan door afgewezen nieren te identificeren met behulp van drempelwaarden: eGFR ≥ 30 ml/min/1,73 m2, RZAI ≤ 5 en een laag DGF-risico (Youden-index < 0,49). Bovendien werd de verwachte winst in orgaangebruik berekend.

Uit de analyses bleek dat door toepassing van deze criteria minder nieren verloren gingen, met een afname variërend van 56,9 tot 100% en een verwachte winst in orgaangebruik van 5 tot 44,6%.

Bron:

1. Rodrigues L, et al. Integrating pathomic and clinical data using artificial intelligence (AI) models from kidney deceased donors to reduce organ discard and improve transplant outcomes. ASN Kidney Week 2025, abstract FR-OR013.