# 这些年，器官移植也靠大数据

- 作者：陈一斌
- 发布时间：2014-07-24 19:05
- 分类：公司
- 原文：https://www.ifanr.com/436172

[![org](https://s3.ifanr.com/wp-content/uploads/2014/07/org.jpg)](https://s3.ifanr.com/wp-content/uploads/2014/07/org.jpg)

根据计生委统计，我国每年需要器官移植的病人达 30 万名，而完成器官移植的仅有 1 万名。

器官移植，除了需要有人自愿捐赠器官外，还涉及分配效率与公平的问题，再多的库存没有好的分配体系，也难让最需要器官移植的病人等来急需的器官。即便是拥有成熟医疗体系的美国，器官移植的效率也是老大难问题。根据统计，每天有 18 名需要移植器官，但禁不起长时间等待的病人亡故。

根据 [Mashable 报道](http://mashable.com/2014/07/23/big-data-organ-transplants/)，负责运营美国器官移植网络的非营利性组织 United Network for Organ Sharing 联合一批捐赠者、数学家、经济学家联合起来， 希望通过“大数据”提升器官移植分配的效率。

这方面的探索，相信对于今年 3 月才正式初步建立器官移植体系的我国，也有相当的借鉴意义。

### 器官移植的两大来源

目前，移植的器官有两个来源，一个是在世的捐献者，一个是已去世的捐献者。在世的捐献者，只能提供两颗肾脏中的一颗，以及部分肝脏。至于已去世的捐献者，能提供更多器官，包括肾脏、肝脏、心脏、肺、胰脏、肠、胸腺。目前而言，大部分可供移植的器官来自已去世的捐献者，在 UNOS 这一比例高达 80%。

[![Organ_Transplants_Intel-3](https://s3.ifanr.com/wp-content/uploads/2014/07/Organ_Transplants_Intel-3.png)](https://s3.ifanr.com/wp-content/uploads/2014/07/Organ_Transplants_Intel-3.png)

不过，让情形变得复杂的是，移植的器官与接受器官移植的病人，因为血型不符或白血球抗原过敏，导致器官移植之后，病人的身体与器官相互排斥（具体来说，如果被移植的器官上存在抗体，会被病人身体中的保卫细胞判断为入侵身体的异物，于是展开攻击）——换言之，不见得等到有移植的器官，病人就能得救，他同样冒着极大的风险。现在，在肾脏移植手术当中，有三分之一的可能出现病人与器官排斥的情形。

所以，即便移植的器官有充足的来源，接受器官移植的人仍然需要冒极大的风险。

### MELD 以及“等待列表”

如何让移植器官，送到最需要的病人身上？

根据南京钟鼓楼医院副主任医师孙喜太博士的《[MELD 评分的背景、计算公式、临床应用及优缺点](http://sunxitai.blog.sohu.com/161941278.html)》一文介绍——

“美国的早期肝移植标准首先是根据患者住院情况来确定肝移植先后顺序的。在重症监护病房中的患者优先得到肝移植，其次是住在普通病房中的患者，再次是那些不需住院的患者。这种宽泛的分类方式造成每一组中都有很多患者争夺有限肝源的情况，只好以等待时间的长短来确定肝移植的顺序。这种情况使一部分肝功能代偿良好的患者优先得到了肝移植而一些晚期肝病患者却失去了肝移植的机会，肝移植中的不合理现象很常见。”

为了解决器官移植当中的不公平现象，UNOS 推出一套新系统，以统计模型为基础，判断那个患者更加迫切需要肝脏移植。其中一套是 MELD（终末期肝病模型），用于年龄大于或等于 12 岁的患者，另一套是 PELD（小儿终末期肝病模型），用于年龄小于或等于 11 岁的患者。MELD 的计算公式为

> R=9.6×ln（肌酐mg/dl）+3.8×ln（胆红素mg/dl）+11.2×ln（INR）+6.4×病因 （病因：胆汁淤积性和酒精性肝硬化为 0，病毒等其他原因肝硬化为 1）

实际上，UNOS 还为其它不同类型的器官组织创建了类似 MELD 的统计模型，以精准判断病人需要器官的迫切程度。换言之，为了实现器官移植的高效而公平的分配，UNOS 已经为不同的器官组织，以及需要移植器官的病人建立了数据库。最终，UNOS 还要比较需要移植器官的病人和捐献者的身体情况，包括血型、身型，还有病人的地理位置，再决定为病人提供合适的肝脏。

总之，UNOS 会根据紧急程度和地理上的就近原则来为病人选择合适的器官。

### “器官移植”与经济学“匹配理论”

[![Organ_Transplants_Intel-5 (1)](https://s3.ifanr.com/wp-content/uploads/2014/07/Organ_Transplants_Intel-5-1.png)](https://s3.ifanr.com/wp-content/uploads/2014/07/Organ_Transplants_Intel-5-1.png)

根据 UNOS 统计，急需器官移植的病人当中，数量第一是肾脏移植，第二是肝脏移植，第三是心脏移植。然而，供不应求的问题一直困扰着肾脏移植。如果能够让更多的病人得到合适的肾脏，就能够挽救更多的生命。

如何让更多的病人得到自己需要的肾脏？这就设计一个合理的分配机制的设计。在我们实际生活当中，这种“匹配”的问题无处不在，比如说如何让学生分配到不同的学校，如何让捐献的器官分配到需要的病人，如何让男女双方找到满意的结婚对象等等。

2012 年诺贝尔经济学奖颁给两名研究市场匹配问题的经济学博士，Alvin Roth 和 Lloyd Stowell Shapley，奖励他们在该领域的奠基性工作。其中，Roth 将匹配理论解决众多问题，包括设计纽约、波士顿公众学校系统；以及创建新英格兰配对肾捐赠程序，开发一套算法提高器官移植分配的低效。[UNOS 后来也引入了类似的程序](http://dailynews.sina.com/bg/news/usa/usnews/singtao/20090810/0518557383.html)，工作原理大概如下：

> 配对肾捐赠是尝试搭配两组原本不相容的受赠者与欲捐赠者组合，例如一个血型分别是A型和B型的欲捐赠者和受赠者原本不能进行器官移植，但透过配对肾捐赠程序，可以和另一组 B 型和 A 型的捐赠和受赠者搭配，让两名病者分别能获得相符血型的肾脏。

Roth 为器官移植设计了新的分配制度，背后也需要技术的支持。UNOS 的配对肾捐赠程序的管理者 Ruthanne Leishman 说，“血型容易分辨，但很多等待着肾脏移植的人，体内已经生成抗体。你非常需要计算机的力量，寻找受捐赠者的血型以及抗体的信息，以及捐赠者的抗原信息。”

Leishman 还证明匹配算法的有效，“2000 到 2004 年，大量的匹配工作通过手工完成——没有算法的帮助（2002 年仅完成 2 例肾脏匹配）。2003、2004 年到 2007 年肾脏匹配的数量迎来第一次大飞跃，从 19 例到 34 例再到 111 例——很大部分的原因在于算法找到越来越多（匹配的器官捐赠者和受赠者）。”

如今，UNOS 已经完成 2897 例肾脏匹配，其中 500 例匹配是在最近两年内完成的。

### 寻找更多的器官捐赠者

2005 年，受 Roth 在法国一次演讲的启发，卡内基梅隆大学的计算机科学博士 Tuomas Sandholm 开始设计一套先进的算法，目标是创造一个以捐赠者链条为主的肾交换网络。

肾捐赠链是什么？2012 年美国加州 Rick Ruzzamenti 创建的的“Chain 124”，结果引发 29 人跟着捐肾，为另外 30 人带来新生。新闻称，这是世界上最长的肾捐赠链。[Chain 124 是这样工作的](http://informationtimes.dayoo.com/html/2012-02/21/content_1617651.htm)：“假如肾病病人的家属因血型或排斥等原因不能捐肾给患病亲友，就可参加计划，把肾脏捐给其他等待换肾的病人，同时接受其他换肾病人的亲属所捐出的合适肾脏，互相捐赠。”

Sandholm 的计划是，为 10000 名捐赠者创建数据库，让捐赠出去的肾脏可经历 两次、三次或四次交换。这是一个非常庞大的计划，Sandholm 首先要做的是设计一套算法以在万亿次交换的可能性当中，找到条件匹配的捐赠者和受赠者——但进行这样大量的运算，计算机处理能力不够，就会死机。

最终 Sandholm 和另一名卡内基梅隆大学博士 Avrim Blum 以及学生 David Abraham 合作，终于开发出一个算法，让计算机迅速匹配 10000 名捐赠者的器官，十亿次级别的交换可能性。2010 年，UNOS 启动配对肾捐赠程序，采用了 Sandholm 和团队开发的算法。直到现在，这个程序已经成功配对 97 例。