שימוש באלגוריתמים של למידת מכונה לחיזוי MACE בחולים בדיאליזה פריטונאלית

מדוע זה חשוב לאנשים בדיאליזה ביתית

עבור רבים הסובלים מכשל כלייתי, דיאליזה פריטונאלית מספקת את החופש לטפל בעצמם בבית במקום במרפאה. עם זאת, מטופלים אלה ניצבים בפני סיכון גבוה לבעיות חמורות בלב וכלי הדם, כגון התקפי לב ושבץ. המחקר הזה שואל שאלה מעשית בעלת השלכות אמתיות: האם ניתן להשתמש בטכניקות מחשב מודרניות כדי לזהות מוקדם אילו מטופלי דיאליזה פריטונאלית עלולים להיתקל בבעיות לב גדולות, כדי שרופאים יוכלו להתערב לפני שתתרחש אסונה?

מי נבדק ומה נמדד

החוקרים בחנו בחזרה רשומות רפואיות של 1,006 מבוגרים שהתחילו דיאליזה פריטונאלית בשני בתי חולים בסין בין השנים 2010 ל-2016. כל המטופלים היו בטיפול זה לפחות שלושה חודשים. בזמן תחילת הדיאליזה אספה הצוות 86 פריטי מידע על כל מטופל, כולל גיל, מחלות נוספות כגון סוכרת או אי‑ספיקת לב, לחץ דם, בדיקות מעבדה, תוצאות אולטרה‑סאונד של הלב, ותרופות. לאחר מכן כולם הועברו למעקב עד כעשר שנים כדי לראות מי חווה אירוע קרדיאלי או מוחי חמור—קבוצה של בעיות שהמחברים מכנים “MACE”, הכוללת התקף לב, כאב חזה חמור, שבץ, שוק לבבי, אשפוזים בשל אי‑ספיקת לב או קצב לב מסוכן, ומוות מכל סיבה.

חיזוי חכם יותר עם למידת מכונה

במקום להסתמך רק על סטטיסטיקה מסורתית, הצוות פנה לשלוש גישות של למידת מכונה שיכולות לחשוף דפוסים מורכבים במערכי נתונים גדולים: Random Forest, XGBoost ו-AdaBoost. הם חלקו את הנתונים לקבוצות לאימון המודלים, לבחינתם, ולאחר מכן לבדיקה על מטופלים מבית חולים נפרד. המטרה הייתה לבדוק עד כמה כל גישה יכולה לחזות מי יסבול מאירוע חמור בכל עת, בשנה הראשונה, ובחמש השנים הראשונות לאחר תחילת הדיאליזה. חוזק המודל נמדד באמצעות ציון סטנדרטי שנקרא שטח תחת העקומה (AUC), כאשר ערך הקרוב ל-1.0 מעיד על הבחנה טובה יותר בין מטופלים בסיכון גבוה לנמוך.

מה המודלים למדו על הסיכון

במהלך כל תקופת המעקב, 409 מתוך 606 המטופלים בקבוצת הפיתוח הראשית חוו אירוע חמור. לחיזוי אירועים כלליים אלה שיטת Random Forest עבדה הכי טוב, עם AUC של כ-0.80, כלומר היא הצליחה להבדיל נכון בין מטופלים בסיכון גבוה לנמוך ברוב המקרים. במבט ארוך טווח, האותות המשפיעים ביותר היו רמות הורמון הפאראתירואיד (PTH), מדד הקשור לבריאות העצם וכלי הדם, היסטוריה של אי‑ספיקת לב תסמינית, וגיל. כאשר המוקד הוגבל לאירועים בשנה הראשונה, רק 114 מטופלים הושפעו, ו-XGBoost התברר כמוביל עם AUC של 0.86. כאן בלטו רמות HDL (הכולסטרול ה"מגן"), גיל ורמות סידן בדם. לאופק של חמש שנים Random Forest שוב נתנה את הביצועים הטובים ביותר, וגיל, קריאטינין בדם וקצב סינון כלייתי משוער—מדדים של שארית תפקוד כלייה והתאמת הדיאליזה—עלו לראש הרשימה.

בדיקת אמינות וביצועים בעולם האמיתי

כדי לוודא שהתוצאות לא היו מקריות, המחברים השוו את כלי למידת המכונה שלהם לשיטת זמן‑לאירוע מוכרת יותר שנקראת רגרסיית קוקס ובחנו הכול בקבוצת חיצונית של 400 מטופלים מבית חולים אחר. גורמי הסיכון המרכזיים שזוהו על־ידי השיטות החדשות היו תואמים במידה רבה לאלו שנמצאו בניתוח המסורתי, אך מודלי למידת המכונה בוצעו בדרך כלל טוב יותר בדירוג המטופלים לפי סיכון. בקבוצת בית החולים החיצונית המודל הראשי עדיין עמד בעומס וביצע היטב, וסיווג נכונה תוצאים בכ تقريبו של שבעה מתוך עשרה מטופלים. המחקר גם הדגיש את חשיבותם של גורמים משולבים נוספים—כגון העומס הכללי של מחלות, משקל גוף, שומני דם, אלבומין (סמן תזונה), תפוקת שתן ולחץ דם—שיחד מעצבים את הסיכון הלבבי באוכלוסייה הפגיעה הזו.

מה משמעות הדבר עבור מטופלים וצוותי טיפול

המחברים מסכמים כי כלים מבוססי למידת מכונה שתוכננו בקפידה יכולים לעזור לרופאים להעריך, כבר בתחילת הדיאליזה הפריטונאלית, אילו מטופלים עומדים בפני סיכוי גבוה במיוחד לבעיות לב וכלי דם רציניות בשנים הקרובות. גיל היה גורם עקבי, אך מספר גורמים הקשורים לאיזון המינרלים, שומני הדם, התאמת הדיאליזה ומצב בריאות כללי גם הם מילאו תפקיד מרכזי—ועוד רבים מהם ניתנים למעקב ולטיפול. בעוד שהמחקר רטרוספקטיבי ודורש אישור במחקרים פרוספקטיביים עתידיים, הוא מצביע לעבר עתיד שבו טיפול בדיאליזה ביתית מונחה על ידי אלגוריתמים שעוקבים ברקע ומסמנים מוקדם מטופלים בסכנה, מה שמאפשר טיפול ממוקד להארכת חיים ולהפחתת אשפוזים.

ציטוט: Xu, L., Zhang, Y., Abbas Al-Janabi, A.A. et al. Using machine learning algorithms to predict MACE in peritoneal dialysis patients. Sci Rep 16, 10553 (2026). https://doi.org/10.1038/s41598-026-45362-y

מילות מפתח: דיאליזה פריטונאלית, סיכון קרדיווסקולרי, למידת מכונה, כשל כלייתי, חיזוי סיכון