スタンフォード大学の医師、科学者、研究者たちは、臓器移植の無駄な取り組みを60%削減できるAIツールを開発した。このツールは、ドナーが臓器移植可能な時間枠内に死亡する可能性を予測する機械学習モデルである。
循環死後の提供（DCD）ケースでは約半数で移植がキャンセルされており、生命維持装置の取り外しから死亡までの時間が30〜45分を超えてはならないという制約がある。
新しいAIツールは米国の複数の移植センターにわたる2,000人以上のドナーのデータで訓練され、神経学的、呼吸器、循環器のデータを使用して予測を行う。このツールはトップ外科医の判断を上回り、移植準備が開始されたがドナーの死亡が遅すぎた場合に発生する無駄な摘出を60%削減した。
研究の上級著者である腹部移植の臨床教授Dr. Kazunari Sasakiは、このモデルが移植プロセスをより効率的にすると述べた。研究結果はLancet Digital Health誌に掲載された。研究チームは次に心臓と肺の移植での試験を計画している。
From: 
New AI tool could cut wasted efforts to transplant organs by 60%
【編集部解説】
臓器移植の現場で長年課題となってきた「時間との戦い」に、AIが新たな解決策をもたらそうとしています。
循環死後の提供（DCD）は、心停止後のドナーから臓器を提供する方法です。脳死後の提供（DBD）と異なり、生命維持装置を取り外してから実際に死亡するまでの時間が予測しにくいという課題がありました。肝臓の場合、この時間が30〜45分を超えると、臓器の質が低下し移植に適さなくなります。現状では約半数のケースで移植がキャンセルされており、医療資源の無駄だけでなく、移植を待つ患者にとっても機会損失となっていました。
今回スタンフォード大学が開発したAIモデルは、2,000人以上のDCDドナーデータを学習し、ドナーが適切な時間枠内に死亡する可能性を予測します。使用するのは、性別、年齢、BMI、血圧、心拍数、呼吸数、尿量、血液検査結果、人工呼吸器の設定、瞳孔反射や咳反射などの神経学的評価といった臨床情報です。
注目すべきは、このモデルが75%の精度で死亡時刻を予測し、従来の外科医の判断（65%）を10ポイント上回った点です。結果として、移植準備を始めたものの移植できなかった「無駄な摘出（futile procurement）」を60%削減できることが示されました。
この技術が持つ意味は、単なる効率化にとどまりません。研究によれば、DCDの「空振り」にかかるコストは脳死後提供の臓器と比べて平均63%も高額です。常温機械灌流（NMP）などの最新技術を動員するため、失敗した場合の経済的負担は膨大です。さらに、医療スタッフの労力、臓器輸送に伴う環境負荷、そして何より、臓器提供を決断したご遺族の心理的負担も計り知れません。
AIによる予測が正確になれば、こうした無駄を大幅に削減できます。医療チームは、成功の見込みが高いケースに集中的にリソースを投入でき、より多くの患者に移植の機会を提供できるようになります。
技術的な進展も続いています。研究チームは現在、「見逃し機会率」を約10%まで削減する改良版アルゴリズムの開発を進めています。また、このモデルを心臓や肺の移植にも応用する計画が進行中です。
DCD移植そのものも、技術革新により急速に拡大しています。常温機械灌流技術の進歩により、以前は使えなかった臓器も移植可能になりました。研究の上級著者であるDr. Kazunari Sasakiは「将来的には、肝移植を必要とする全ての人が故人ドナーから移植を受けられるようになるかもしれない」と展望を語っています。
ただし、AIの導入には慎重な検討も必要です。予測精度75%という数字は、4回に1回は誤った判断をする可能性を意味します。特に、移植可能な臓器を「不適」と誤判定してしまう「見逃し機会」のリスクをいかに最小化するかが課題です。また、アルゴリズムの透明性、データの偏り、患者の自律性の尊重といった倫理的側面も、今後の実用化において重要な検討事項となるでしょう。
それでも、この技術が臓器移植の世界にもたらす変革は大きいと言えます。世界中で10万人以上が移植を待ち、毎日13人が待機中に亡くなっている米国の現状を考えると、AIによる最適化は単なる効率化ではなく、生死を分ける問題です。人類の医療技術が、またひとつ新たな地平に到達しようとしています。
【用語解説】
循環死後の提供（DCD：Donation after Circulatory Death）
心停止後のドナーから臓器を提供する方法。生命維持装置を取り外してから死亡が確認されるまでの時間が限られており、肝臓の場合は30〜45分以内でなければ移植に適さなくなる。脳死後の提供（DBD）と並ぶ臓器提供の方法だが、時間的制約が厳しい。
脳死後の提供（DBD：Donation after Brain Death）
脳死と判定された後に臓器を提供する方法。従来は臓器移植の主要な供給源だったが、近年はDCDドナーの活用も増加している。DCDと比較して時間的制約が少ない。
常温機械灌流（NMP：Normothermic Machine Perfusion）
臓器を理想的な温度に保ち、酸素を供給しながらドナーからレシピエントまで輸送する技術。臓器の質を維持し、以前は使用できなかった限界的なドナーの臓器も移植可能にする。この技術の進歩により、DCD移植の成功率が向上している。
無駄な摘出（Futile Procurement）
移植準備を開始したものの、ドナーの死亡が遅すぎたために結局移植できなかった事例。医療資源の浪費、医療スタッフの労力損失、経済的負担、環境コストなど多面的な問題を引き起こす。
Light Gradient Boosting Machine（LGBM）
機械学習アルゴリズムの一種。今回の研究では複数のアルゴリズムを競わせた結果、LGBMが最も高い予測精度を示した。勾配ブースティングという手法を用いて、複数の弱い予測モデルを組み合わせることで強力な予測モデルを構築する。
【参考リンク】
Stanford Medicine（外部）
今回の研究を主導したスタンフォード大学医学部の公式サイト。腹部移植部門が機械学習モデルを開発し、臓器移植の効率化に取り組んでいる。
The Lancet Digital Health（外部）
今回の研究が掲載された国際的医学誌。デジタルヘルス分野における最新の研究成果を発表するLancet誌のデジタル版として2019年に創刊された。
UNOS（United Network for Organ Sharing）（外部）
米国における臓器移植ネットワークの中心組織。臓器配分システムの管理、移植データの収集・分析を行い、公平な臓器配分の実現に取り組んでいる。
Dr. Kazunari Sasaki – Stanford Profiles（外部）
今回の研究の上級著者であるスタンフォード大学のKazunari Sasaki臨床教授のプロフィールページ。腹部移植分野での豊富な研究実績が掲載されている。
【参考記事】
AI predicts when donor livers are viable, potentially slashing canceled transplants by 60%（外部）
AIモデルが75%の精度で死亡時刻を予測し、外科医の判断を上回ったことを報じる記事。
Machine-learning model could save costs, improve liver transplants（外部）
スタンフォード大学医学部による公式発表。見逃し機会率を10%まで削減する改良版の開発が進行中であることを報告。
Deep learning unlocks the true potential of organ donation after circulatory death（外部）
DCDの「空振り」コストがDBDより63%高いという重要なデータを提供するイェール大学の研究。
An In-depth overview of AI tool utilization in organ transplantation（外部）
臓器移植の各段階におけるAI活用の現状と可能性を分析した包括的レビュー論文。
Development and Validation of a Machine Learning Model to Reduce Futile DCD Procurements（外部）
2,000人以上のDCDドナーデータとLGBMアルゴリズムの使用など詳細な方法論を提供する研究のプレプリント版。
Ethics and Algorithms to Navigate AI’s Emerging Role in Organ Transplantation（外部）
AI導入に伴う倫理的課題を論じた論文。米国では10万人以上が移植待機中で毎日13人が待機中に亡くなっている現状を報告。
【編集部後記】
AIが予測する「死の瞬間」。この言葉には重みがありますが、その先には救われる命があります。臓器移植の現場では、数分の誤差が生死を分けます。
今回の技術は、待機リストで希望を持ち続ける患者さんと、最期に誰かを救いたいと願うご家族の想いを、より確実につなぐ可能性を秘めています。
効率化という言葉の背後にある、一人ひとりの物語を想像してみてください。医療におけるAIの役割は、人間の判断を置き換えることではなく、より多くの命を救うための支援であることを、この事例は教えてくれているように思います。
テクノロジーが人間の尊厳とどう向き合うか、私たちも一緒に考え続けていきたいと思います。
