Prognose der künftigen Nierenfunktion bei Typ‑2‑Diabetes mittels Machine Learning und Basisgesundheitsdaten

Warum das für Menschen mit Diabetes wichtig ist

Für viele Menschen mit Typ‑2‑Diabetes ist eine langfristige Sorge, ob ihre Nieren allmählich versagen und irgendwann eine Dialyse nötig wird. Ärztinnen und Ärzte können den aktuellen Zustand der Nieren messen, doch viel schwerer ist es, schon Jahre im Voraus zu wissen, wessen Nieren am stärksten gefährdet sind. Diese Studie untersucht, ob computerbasierte Mustererkennung, bekannt als Machine Learning, mit Hilfe einer einzigen Routine‑Untersuchung vorhersagen kann, wie gut die Nieren einer Person über viele Jahre hinweg funktionieren werden.

Eine häufige, aber stille Gefahr

Die diabetische Nierenerkrankung betrifft etwa vier von zehn Menschen mit Typ‑2‑Diabetes und ist eine der Hauptursachen für chronisches Nierenversagen weltweit. Die Nierenfunktion wird oft mit einem Index verfolgt, der als geschätzte glomeruläre Filtrationsrate oder eGFR bezeichnet wird und wiedergibt, wie effizient die Nieren das Blut filtern. Manche Patientinnen und Patienten verlieren diese Funktion sehr schnell, andere verschlechtern sich langsam oder bleiben über viele Jahre stabil. Da die frühen Stadien meist ohne Symptome verlaufen, brauchen Ärztinnen und Ärzte bessere Methoden, um diese „schnellen Absteiger“ früh zu erkennen, wenn zusätzliche Überwachung und Behandlung noch schwere Schäden verlangsamen oder verhindern können.

Aus Checkup‑Daten eine Kristallkugel machen

Die Forschenden verfolgten 974 Erwachsene mit Typ‑2‑Diabetes, die an drei Krankenhäusern in Japan behandelt wurden, über eine mittlere Nachbeobachtungszeit von etwas mehr als fünf Jahren. Zu Beginn sammelten sie 54 Informationen, die routinemäßig bei Diabetes‑Terminen erhoben werden, darunter Alter, Blutdruck, Gewicht, Bluttests, Urintests und die aktuelle Nierenfunktion. Wichtig war, dass sie nicht auf künftige Testergebnisse oder spezialisierte genetische oder Proteinmarker zurückgriffen — nur das, was typischerweise bei einem Erstbesuch verfügbar ist. Anschließend ließen sie eine Reihe von Computermodellen die Beziehung zwischen diesen Anfangsmessungen und den eGFR‑Werten lernen, die bei jährlichen Nachsorgeterminen bis zu neun Jahre später beobachtet wurden.

Wie die intelligenten Modelle abschnitten

Das Team verglich drei moderne Machine‑Learning‑Methoden — Light Gradient Boosting Machine, Random Forest und Support Vector Machine — mit einem traditionellen statistischen Ansatz, der als multiple lineare Regression bekannt ist. Alle Ansätze lieferten insgesamt akzeptable Ergebnisse, doch die Support Vector Machine stach hervor. Sie lieferte die genauesten Vorhersagen über das gesamte Spektrum der Nierenfunktion, insbesondere für Personen, deren Nieren zu Beginn noch sehr gut funktionierten. Mit nur den Ausgangs‑Checkup‑Daten plus der Anzahl der Jahre in die Zukunft konnte dieses Modell eine moderate Genauigkeit für bis zu etwa sechs Jahre aufrechterhalten, während die Vorhersagen der traditionellen Methode jenseits von vier Jahren unzuverlässig wurden.

Was die Vorhersagen antreibt

Um in diese „Black‑Box“‑Modelle hineinzublicken, verwendeten die Forschenden ein Erklärungswerkzeug, das die wichtigsten Basismerkmale einstuft. Erwartungsgemäß waren aktuelle Nierenparameter — insbesondere die eGFR selbst und das Serumkreatinin — einflussreich, ebenso wie Alter und ein Urinmarker für Nierenschäden. Blutlipide, Marker für Anämie und bestimmte leberbezogene Enzyme spielten ebenfalls wichtige Rollen. In verschiedenen Subgruppen, etwa älteren Erwachsenen oder Frauen, zeigten sich leicht unterschiedliche Muster, was darauf hindeutet, dass einige Risikofaktoren für bestimmte Patientengruppen stärker ins Gewicht fallen könnten. Selbst wenn das Modell auf die informativsten Faktoren vereinfacht wurde, änderte sich die Leistung kaum, was für eine spätere Anwendung in realen Kliniken ermutigend ist.

Von der Vorhersage zur praktischen Anwendung

Die Arbeit hat Grenzen: Die Studie umfasste eine relativ kleine Gruppe japanischer ambulant betreuter Patientinnen und Patienten, sie wurde noch nicht in anderen Ländern oder Gesundheitssystemen getestet und setzt voraus, dass viele Aspekte des Lebens und der Behandlung eines Patienten über die Zeit ähnlich bleiben. Dennoch deuten die Ergebnisse darauf hin, dass es machbar ist, aus einem einzigen gewöhnlichen Diabetes‑Termin eine personalisierte Prognose der Nierengesundheit für die kommenden Jahre zu erstellen. Künftig könnte ein solches Werkzeug in elektronische Gesundheitsakten integriert werden, um Patientinnen und Patienten hervorzuheben, bei denen die prognostizierte Nierenfunktion stark abfällt, und so engere Nachsorge, frühere Überweisungen an Nierenspezialisten und rechtzeitigeres Einsetzen schützender Therapien zu veranlassen. Kurz gesagt: Eine intelligentere Nutzung vorhandener Daten könnte Patientinnen, Patienten und Behandelnden einen wertvollen Vorsprung beim Schutz der Nierengesundheit verschaffen.

Zitation: Unoki-Kubota, H., Nakajima, K., Shimizu, Y. et al. Predicting future kidney function in type 2 diabetes mellitus using machine learning and baseline health information. Sci Rep 16, 10890 (2026). https://doi.org/10.1038/s41598-026-45500-6

Schlüsselwörter: diabetische Nierenerkrankung, Typ‑2‑Diabetes, Abnahme der Nierenfunktion, Vorhersage durch maschinelles Lernen, eGFR