Risikovorhersage des Fortschreitens chronischer Nierenerkrankungen bei Typ-2-Diabetes über verschiedene Bevölkerungsgruppen hinweg

Warum das für Menschen mit Diabetes wichtig ist

Viele Menschen mit Typ-2-Diabetes entwickeln im Laufe der Zeit Nierenprobleme, die schließlich eine Dialyse oder eine Transplantation erforderlich machen können. Für die einzelne Person ist es jedoch schwer vorherzusagen, wer seine Nierenfunktion rasch verschlechtern wird und wer über Jahre stabil bleibt. Diese Studie zeigt, wie langfristige Krankenakten und moderne Computerverfahren kombiniert werden können, um Nierenprobleme Jahre im Voraus vorherzusagen und Patienten sowie Behandelnden mehr Zeit zum Handeln zu geben.

Verfolgung von Tausenden Patienten über viele Jahre

Die Forschenden nutzten elektronische Gesundheitsakten aus dem öffentlichen Gesundheitssystem Hongkongs, das einen Großteil der lokalen Bevölkerung versorgt. Sie konzentrierten sich auf mehr als 220.000 Erwachsene mit Typ-2-Diabetes, die zwischen 2003 und 2019 wiederholt Nierentests hatten, und schränkten die Gruppe auf diejenigen ein, deren Nieren zu Beginn in früheren, niedrigeren Risikostadien waren. Über 17 Jahre verfolgten sie, wer in schwerere Stadien chronischer Nierenerkrankung überging und wer stabil blieb. Um die Versorgung in der Praxis widerzuspiegeln, entwickelten sie getrennte Vorhersagemodelle, die zwei, fünf oder zehn Jahre in die Zukunft blicken.

Computern das Lesen von Krankengeschichten beibringen

Statt nur wenige einfache Risikofaktoren zu verwenden, trainierte das Team Deep-Learning-Modelle — flexible Computersysteme, die Muster über viele Informationsstücke hinweg erkennen können. Die Modelle nutzten eine Mischung aus 21 routinemäßig erhobenen Messwerten, darunter Alter, Geschlecht, Körpergröße, Blutfette, Langzeitblutzucker, nierenspezifische Blutwerte, Blutdruck, Raucheranamnese und Aufzeichnungen über wichtige Medikamente wie Blutdruckmittel und Insulin. Für Situationen mit weniger verfügbaren Tests erstellten sie außerdem eine reduzierte Version, die 15 der am häufigsten gemessenen Werte verwendete. Die Modelle wurden mit 80 % der Daten trainiert und an den verbleibenden 20 % geprüft; spezielle Methoden wurden eingesetzt, um fehlende Werte zu ergänzen und Überanpassung (Overfitting) zu vermeiden.

Wie gut die Vorhersagen funktionierten

Über alle Zeiträume hinweg waren die Deep-Learning-Modelle genauer als traditionelle statistische Verfahren und andere Machine-Learning-Methoden. Für Patientinnen und Patienten in Hongkong sortierte das Vollmodell die zukünftigen Nierenrisiken mit einer Fläche unter der ROC-Kurve von etwa 87 % bei zwei Jahren, 85 % bei fünf Jahren und 85 % bei zehn Jahren korrekt, was bedeutet, dass es in der Regel vorhersagen konnte, wer schneller verschlechtern würde. Das vereinfachte Modell schnitt nur geringfügig schlechter ab. Als dieselben Modelle auf zwei unabhängige Kohorten angewendet wurden — den UK Biobank und die China Health and Retirement Longitudinal Study — funktionierten sie weiterhin angemessen, obwohl in diesen Datensätzen viele detaillierte Labor- oder Verschreibungsdaten fehlten. Das deutet darauf hin, dass der Ansatz auf verschiedene Länder und Gesundheitssysteme übertragbar ist.

Was Risiko antreibt und wie Ergebnisse die Versorgung leiten können

Um die Vorhersagen für Kliniker verständlich zu machen, wandte das Team eine Analysetechnik an, die zeigt, wie stark jeder Faktor zu den Entscheidungen des Modells beiträgt. Die stärksten Signale waren Serumkreatinin (ein Marker für die Filterleistung der Niere), Geschlecht, Alter, Blutdruck, Langzeitblutzucker und jüngere Anwendung von Medikamenten, die Nieren und Blutdruck beeinflussen. Die Risiko-Scores des Computers wurden dann in gängige Überlebensanalyse-Werkzeuge eingegeben, um Kurven zu zeichnen, die zeigen, wie schnell Personen mit niedrigem, mittlerem oder hohem vorhergesagtem Risiko typischerweise fortschreiten. In jeder Gruppe bewegten sich diejenigen mit höherem vorhergesagtem Risiko schneller in schlechtere Nierenstadien und hatten kürzere „Überlebens“-Zeiten bezüglich der Nierengesundheit, was bestätigt, dass die Scores klinisch relevant sind. Wichtig: Die Leistung war allgemein ähnlich für Männer und Frauen, obwohl es in einer externen Kohorte einige Unterschiede in längerfristigen Vorhersagen gab.

Was das für die tägliche Behandlung bedeuten könnte

Im Kern liefert die Studie einen praktischen Weg, Routinedaten aus der Klinik in personalisierte Prognosen zur Nierengesundheit von Menschen mit Typ-2-Diabetes zu verwandeln. Ein Arzt könnte Alter, Laborwerte und jüngste Verschreibungen eines Patienten eingeben und eine geschätzte Wahrscheinlichkeit für Nierenverschlechterung in den nächsten Jahren sowie eine grafische Kurve des erwarteten Krankheitsverlaufs erhalten. Personen mit hohem Risiko könnten engmaschiger überwacht, Blutdruck und Blutzucker strenger kontrolliert und früher an Nierenspezialisten überwiesen werden, während Patienten mit niedrigem Risiko unnötige Termine vermeiden könnten. Die Autorinnen und Autoren weisen zwar darauf hin, dass das Modell nicht beweisen kann, welche Behandlungen die Krankheit verhindern, und dass weitere Arbeit nötig ist, um zusätzliche Datentypen und Populationen einzubeziehen, doch weist ihr Rahmenwerk in Richtung einer Zukunft, in der subtile Veränderungen in Laborwerten und Medikationsmustern in klare, handlungsfähige Warnungen übersetzt werden können, lange bevor die Nieren zu versagen beginnen.

Zitation: Zhao, Y., Lu, S., Lu, J. et al. Risk Prediction of Chronic Kidney Disease Progression in Type 2 Diabetes Mellitus Across Diverse Populations. npj Digit. Med. 9, 250 (2026). https://doi.org/10.1038/s41746-026-02439-2

Schlüsselwörter: typ-2-diabetes, chronische nierenerkrankung, risikovorhersage, elektronische gesundheitsakten, deep learning