סיווג סיכון מוקדם לחומרת נזק כלייתי חריף בחולים עם אוטם שריר הלב וסוכרת באמצעות למידת מכונה

מדוע זה חשוב למטופלים ולמשפחות

אוטמי לב וסוכרת הם מפחידים בפני עצמם, אך יחד הם מגדילים במידה ניכרת את הסיכוי כי הכליות ייכשלו בפתאומיות במהלך אשפוז. המחקר שואל שאלה מעשית מאוד: האם ניתן להשתמש במידע שרופאים אוספים כבר ביממה הראשונה לאשפוז כדי לזהות אילו מטופלים נמצאים בסיכון לפתח נזק כלייתי קל, בינוני או חמור — לפני שהנזק מתממש במלואו? אם כן, הצוות מקווה לאפשר לרופאים זמן נוסף להגן על הכליות ואולי לשפר הישרדות.

הלב, הסוכר והכליות באיזון עדין

כאשר אדם עם סוכרת עובר אוטם לב, הכליות נמצאות תחת עומס מיוחד. רמות סוכר גבוהות לאורך זמן עלולות לפגוע בכלי הדם הזעירים ולהקטין את עתודת הכלייה. אוטם לב, בתורו, עלול להוריד את אספקת הדם והחמצן לאיברים אלה שכבר פגיעים. התוצאה היא נזק כלייתי חריף — ירידה פתאומית בתפקוד הכליות המקושרת לשהיות אשפוז ארוכות יותר, עלויות גבוהות יותר ותמותה גבוהה יותר. לצערנו, לעתים קרובות הנזק מזוהה רק לאחר שבדיקת דם של הקריאטינין כבר עלתה, ובשלב הזה חלק מהנזק עלול להיות קשה להפיך.

הפיכת נתונים שגרתיים לאיתותים מוקדמים

החוקרים השתמשו בשלוש מאגרי נתונים גדולים מבתי חולים בארצות הברית ובסין, שכללו 4,908 מטופלים שסבלו גם מאוטם לב וגם מסוכרת. מתוך המידע שנאסף רק ב‑24 השעות הראשונות לאחר קבלה — כגון גיל, לחץ דם, תאי דם, בדיקות מעבדה שקשורות לכליות, תפוקת שתן וניקוד חומרת המחלה — הם אימנו סדרת מודלים מחשביים להערכת הסבירות שכל מטופל יפתח בהמשך אשפוזו דרגות שונות של נזק כלייתי. הם השוו עשר שיטות למידת מכונה נפוצות, מתרגישת לוגיסטית פשוטה ועד שיטות עץ מתקדמות כמו LightGBM ו‑XGBoost, ובחנו בקפדנות את המודלים על קבוצות בתי חולים נפרדות כדי לבדוק עד כמה הם מתכללים.

איך המודלים התפקדו

מבין כמעט חמשת אלפים המטופלים, כמעט ארבעה מתוך עשרה פיתחו בכי אחד של נזק כלייתי. מספר מודלים הציגו ביצועים חזקים, אך שניים בלטו במיוחד. LightGBM הוכיח את עצמו בטובו לחזות האם מטופלים יפתחו לפחות נזק קל או לפחות נזק בינוני, בעוד XGBoost הצטיין בשלב החמור ביותר. בבית חולים חיצוני בסין, מודלים אלה הבחינו נכונה בין מטופלים בסיכון גבוה לבין מטופלים בסיכון נמוך בדיוק גבוה, כפי שנמדד על ידי ערכי שטח מתחת לעקומה (AUC) סביב 0.85–0.88. ניתוחי עקומת החלטה הציעו כי שימוש בתחזיות אלה יספק תועלת קלינית רבה יותר מאשר להתייחס לכולם כאל בסיכון גבוה או להתעלם מהסיכון לחלוטין, בטווח רחב של ספי החלטה שנבחרים על ידי קלינאים.

מה מניע את תחזיות הסיכון

כדי לצאת מעבר ל"קופסה שחורה", הצוות השתמש בשיטת פירוש בשם SHAP כדי להראות אילו קלטים היו החשובים ביותר בתחזיות. מדידות כלייתיות מוקדמות — כגון רמת הקריאטינין הגבוהה ביותר, קצב הסינון המוערך ותפוקת שתן — היו תורמות מרכזיות, ומשקפות גם פגיעות רקע וגם מאמץ מוקדם על הכליות. גם מדדים של חומרת המחלה הכוללת, כימיה בדם (כולל לקטט וחומצה‑בסיס), לחץ דם ומצב תזונתי (כגון רמות אלבומין) שיחקו תפקיד חשוב. חשוב לציין שכל המשתנים הללו נאספים באופן שגרתי וניתנים לשליפה אוטומטית מרשומות אלקטרוניות, כלומר המודל יכול לפעול ברקע ללא עבודה נוספת לצוות המטפל.

מציוני מחשב להחלטות לצד המיטה

המחברים מבהירים שהכלי שלהם נועד לתמוך בשיפוט קליני — לא להחליפו. הם בנו ממשק אינטרנטי שבו קלינאים יכולים להזין או לייבא אוטומטית נתוני אשפוז מוקדמים ולקבל הערכות סיכון אישיות לנזק כלייתי קל, בינוני וחמור. סיכון גבוה שצפוי עשוי להוביל לניטור צמוד יותר, לשימוש זהיר יותר בחומרים ניגודיים וטיפולים אחרים המעמיסים על הכליות, או להתייעצות מוקדמת עם מומחי כליה ולשקול טיפולים מתקדמים. מאחר שמנהגי בתי חולים ואוכלוסיות מטופלים שונים, הצוות מזהיר שכל מוסד יצטרך לבדוק ולהתאים את המודל באופן מקומי לפני שיסתמך עליו. עם זאת, המחקר מראה שבעזרת הנתונים שכבר זמינים, ניתן לזהות כליות פגיעות מוקדם — ולפתוח חלון לטיפול מותאם וזמני יותר.

ציטוט: Ruan, L., Qiao, Y., Li, X. et al. Early risk stratification of acute kidney injury severity in patients with acute myocardial infarction and diabetes using machine learning. Sci Rep 16, 12285 (2026). https://doi.org/10.1038/s41598-026-41356-y

מילות מפתח: נזק כלייתי חריף, אוטם שריר הלב, סוכרת, למידת מכונה, חיזוי סיכון