1.3 器官银行

另外一个是“器官银行“的项目。医院会把一些器官在不同医院当中进行转送，比如治疗肝脏、肾脏方面的疾病可能需要做器官移植，如果有一些濒临死亡的病人，他们可能会把自己的肾捐献出来，去救治另外一个需要换肾的病人。但是在澳大利亚，这样一个器官库的建立和维护是很大的问题，成本非常高，比如说对于肾病病人而言，他可能必须花十几万美元才能获得肾脏移植，而从国家层面要看，要花数亿美元。

根据统计，在1989 年澳大利亚刚开始做器官移植的时候，平均的器官年龄是32 岁，而现在平均器官年龄是46 岁，也就是说捐赠者的年龄越来越高，对于医院来说引发了一种担忧：能不能把比较老的器官匹配在较年轻的人的身体当中？因为缺少年轻的器官，这就涉及到如何更好地分配器官，就像我们分配慈善机构的食物一样，更多的是线上的问题。

年底的时候我们可以看到有多少器官捐赠，有多少人排队接受器官的移植，你就知道供需之间的关系是怎样的了。我们保证供需最大化的对接，这个问题看上去非常简单，但是其实要考虑的东西有很多，比如说血型上、年龄上的匹配，由于不知道在24 小时之内匹配出什么样的血型、什么样的器官，因此要收集器官的血型、年龄（尤其是捐赠者的年龄），而且还要考虑到地理位置，比如说可能在新南威尔士城市等待移植的人很多，而偏远地区的人没那么多。

给大家一些例子，看看我们碰到的挑战。这些柱状图可以看到血型的分布。可以看到，在不同的人群当中，不同血型的分布是不一样的，其中O 型血是比较多的，但是B 型是比较少的，捐赠者10% 是B 型血的人，能够收到的B 型血器官的人是14%，还有10% 的人是在等待，这是一个非常糟糕的消息。

我看到这张图之后，问医生为什么会这样，可能是B 型血不太容易得疾病。那么怎样使B 型血的供需分配会更加平衡一些呢？当然我们可以用万能的O 型血。然而反过来却不行，因为O型血不能用B 型血，所以这对O 型血的患者不是很公平。因此可以看到，不同血型上的分配面临着不同的挑战。

我们用了一个KDPI，就是肾脏捐赠者的指数，对器官捐献者的年龄和其他方面算出来的指数。另外，我们对接受器官移植的患者会用EPTS，也就是预期移植后的生存率，比如说你是50岁左右的，那可能看到的是处于一个能够在移植后，能够存活的比例中的中间值，在年龄上下的生存率不同；比如说你做透析什么的都会对健康产生影响。我们看看KDPI 和EPTS 指数，可以看到这两者之间是没有太多的关联性。

所以我们需要有一个新的东西。后来我们有了Box 机制，它有点像词典编写的方法，然后还有在等待的时间。我们就是通过这样一种标准来推导KDPI 和EPTS 之间的关联性。

看上面这张图更清楚一些，第一块是更倾向于年轻的患者、年轻的器官，然后是第二、第三块，我们通过这样的机制，可以看到它的效果有多好。

看看上面这张图，肯定能看出来这比原来好很多，它不是随机的，而是在这之间出现了一定的关联性，当然我们还可以做得更好。

我们可以有一个简单的机制方便大家继续学习，让你在两个指数间有一个完美的关联性，现在这张好多了，KDPI和EPTS之间尽可能地缩短，这让结果更加公平。所以我们可以做得更好，让人们的生活更好，让人们的寿命更长。

同时，我们也看到器官银行和食品银行，两者最重要的是其机制，我们要用两侧配对的方式，比如说一方面是患者需要器官，另外一方面器官寻找患者，我们要在两者之间寻找关联性。对于患者来说，肯定是想要最年轻的捐献者的器官，因为这样在移植以后寿命更长一些；另外对医生来说，他们也希望将器官放在健康的患者身上，这也是非常经典的两侧匹配的方式。两边都是共同的偏好，两边都是希望更年轻的捐献者的器官。所以我们有一个非常唯一性的稳定匹配。

沃夫几年前获得了诺贝尔奖，他研究的是稳定匹配的问题。这里的话，比如说你要的是男性或女性的器官，他们这种匹配都是唯一的，它需要有一个非常特殊的属性，我们排第一位的年轻的患者可以拿到最年轻的器官，这样他们就非常满意了，因为他们拿到了最好的器官。然后排第二位的器官，我们对患者和器官都进行排列，然后进行配对。但是我说过这是线上的问题，我们不能等一年以后再对所有的患者和器官进行排名，然后再选择最好的配对方式，因为这是一个动态的过程。

平均来说，他们要对人群进行排列，所以我们让EPTS 和KDPI 进行匹配就能解决这一问题，这也是我们想要达到的效果。所以我们既能够找到独特、稳定的配对，同时也解决了线上的问题。另外，我们每次也能有一些简单的模型，比如说在每个时间点有一些患者来、有一些患者走、有一些器官到，那我们这个器官在到达以后进行配对，每个器官都有KDPI，每个患者都有EPTS，我们也能证明这个功能是非常好的。如果有更多的器官到了，这样的话你能够选择的器官可以更多，如果我们增加患者的数量，那患者拿到更好器官的概率就会下降，这样我们可以有一个决策化的功能。

另外，我们可以看到没有任何一个机制能够满足所有的需求。而唯一能够不受操控的机制就需要采用随机方法。为什么这一点非常重要？在2012 年，当时德国有一个丑闻，他们发现医生对患者的排列进行了一些操控。所以说，澳洲也是非常关注这个系统是否会被人为地进行操控。

我们现在采用这个系统是不会有人为的操控情况，这也是*非常关心的，他们防止参与其中的人会有腐败的行为，因为之前在德国出现过类似这样的丑闻。患者等待的时间也是非常重要的因素，如果一直等可能会死掉（因为拿不到器官），所以在时间图里面也需要把等待时间放进去，不管采用什么机制，等待的时间基本上是保持一个稳定的状态，所以它的分配是非常公平的。它两头是略微偏离了直线，但是大部分是非常完美的直线，所以不管怎样，等待时间都是差不多的。否则采用其他机制，会对一些年纪比较大的人不是那么公平，所以我们最关注的是配对的公平问题。

再来总结一下，我们看到了非常多的线上分配问题，现在也用到了很多特殊的特征，比如说共同的偏好等。我们也可以做一些非常好的规范化分析，这也是非常有用的，因为我们可以在公平和效率之间取得平衡，要知道如何去看待问题。我相信现在人工智能技术已经为社会福祉做了很多工作，如社会安全等、健康和医疗领域等。人工智能技术能够解决社会很多方面的问题，我们要让人过得更加幸福。

如果大家想要了解更多，可以关注我即将出版的新书《机器在思考》（而且是中文版），在亚马逊上预定，这本书不是讲人工智能的历史，而是讲我们所面临的挑战，以及未来该怎样去做。

（本报告根据速记整理）