חיזוי סיכון להתקדמות מחלת כליות כרונית בסוכרת מסוג 2 באוכלוסיות מגוונות

מדוע זה חשוב לאנשים עם סוכרת

רבים מהאנשים עם סוכרת מסוג 2 מפתחים בסופו של דבר בעיות בכליות, לעתים עד דיאליזה או השתלה. עם זאת, עבור כל אדם בנפרד קשה לרופאים לומר מי מהמטופלים יחווה הידרדרות מהירה של תפקוד הכליות ומי יישאר יציב למשך שנים. מחקר זה מראה כיצד ניתן לשלב רשומות רפואיות ארוכות-טווח וטכניקות חישוב מודרניות כדי לחזות בעיות כליה שנים מראש, ולתת למטופלים ולצוותים הקליניים יותר זמן להגיב.

מעקב אחר אלפי מטופלים לאורך שנים רבות

החוקרים השתמשו ברשומות הבריאות האלקטרוניות של מערכת הבריאות הציבורית בהונג קונג, שמשרתת את רוב האוכלוסייה המקומית. הם התמקדו ביותר מ־220,000 מבוגרים עם סוכרת מסוג 2 שעברו בדיקות כליה חוזרות בין השנים 2003 ל־2019, ולאחר מכן צמצמו את הדגש לאלה שהיו בשלבי סיכון נמוכים יותר בתחילת התקופה. במשך 17 שנים עקבו אחר מי התקדם לשלבים חמורים יותר של מחלת כליות כרונית ומי נשאר יציב. כדי לשקף את האופן שבו מטפלים ניתנים בחיים האמיתיים, הם פיתחו מודלים נפרדים לחיזוי בטווח של שנתיים, חמש או עשר שנים קדימה.

לימוד מחשבים לקרוא היסטוריות רפואיות

במקום להשתמש רק בכמה גורמי סיכון פשוטים, הצוות אימן מודלי למידה עמוקה — מערכות מחשוב גמישות שיכולות לחשוף דפוסים על פני ריבוי פריטים בו זמנית. המודלים קיבלו מערך של 21 מדידות שנלקחות בצורה שגרתית, כולל גיל, מין, מדדי גוף, שומני דם, בקרת סוכר בטווח הארוך, בדיקות דם קשורות לכליות, לחץ דם, היסטוריית עישון ורשומות של תרופות מרכזיות כמו תרופות ללחץ דם ואינסולין. למצבים שבהם קיימות פחות בדיקות, הם גם פיתחו גרסה מקוצרת שהשתמשה ב־15 הפריטים הנמדדים בשכיח ביותר. המודלים אומנו על 80% מהנתונים ונבחנו על 20% הנותרים, עם שיטות מיוחדות למילוי ערכים חסרים ולהגנה מפני התאמה־יתר.

כמה טוב פעלו התחזיות

בכל טווחי הזמן, מודלי הלמידה העמוקה היו מדויקים יותר מכלים סטטיסטיים מסורתיים ושיטות אחרות של למידת מכונה. אצל מטופלים בהונג קונג, המודל המלא דירג נכון בדרך כלל את הסיכון העתידי לכליות עם שטח תחת עקומת ROC של כ־87% לשנתיים, 85% לחמש שנים ו־85% לעשר שנים — כלומר, בדרך כלל הצליח להבחין מי יחווה הידרדרות מוקדמת יותר. המודל המפושט הופיע בביצועים מעט פחותים בלבד. כאשר המודלים הוחלו על שתי קבוצות מחקר עצמאיות — ה־UK Biobank ושל מחקר CHALRS בסין — הם עוד היו יעילים במידה סבירה, אף על פי שבאותן מאגרי נתונים חסרו לעתים בדיקות מעבדה מפורטות או רשומות מרשם. זה מרמז שהגישות יכולות להיות ישימות במדינות ובמערכות בריאות שונות.

מה מדחיק את הסיכון וכיצד התוצאות יכולות להנחות טיפול

כדי להפוך את התחזיות להבנה עבור קלינאים, הצוות השתמש בטכניקת ניתוח שמציגה כמה כל גורם תורם להחלטות המודל. האיתותים החזקים ביותר היו קריאטינין בדם (מדד יכולת הסינון של הכליות), מין, גיל, לחץ דם, רמות סוכר לטווח הארוך ושימוש עדכני בתרופות המשפיעות על הכליות ולחץ הדם. ציוני הסיכון של המחשב שולבו לאחר מכן בכלי ניתוח הישרדות סטנדרטיים כדי לצייר עקומות שמראות כמה מהר אנשים עם סיכון נמוך, בינוני או גבוה חזוי נוטים להתקדם. בכל קבוצה, אלה עם סיכון חזוי גבוה התקדמו לשלבי כליה גרועים יותר מהר והיו להם "זמני הישרדות" קצרים יותר של בריאות הכליות, אשר אישרו כי הציונים נושאים משמעות קלינית אמיתית. באופן חשוב, הביצועים היו דומים בדרך כלל אצל גברים ונשים, אם כי היו הבדלים מסוימים בתחזיות לטווח ארוך בקבוצת חוץ אחת.

מה זה עשוי לשנות בטיפול היומיומי

בעיקרו של דבר, המחקר מציע דרך פרקטית להפוך נתוני מרפאה שגרתיים לתחזיות מותאמות אישית של בריאות הכליות לאנשים עם סוכרת מסוג 2. רופא יכול להזין גיל המטופל, תוצאות מעבדה ומרשמים אחרונים ולקבל הערכה של הסיכוי לירידת תפקוד כליות בשנים הקרובות, יחד עם עקומת ויזואלית של מהלך המחלה הצפוי. מטופלים שיימצאו בסיכון גבוה יוכלו לקבל מעקב צמוד יותר, שליטה הדוקה יותר בלחץ דם ובסוכר, והפניה מוקדמת למומחי כליות, בעוד שמטופלים בסיכון נמוך עשויים להימנע מביקורים מיותרים. אמנם המחברים מציינים שהמודל אינו יכול להוכיח אילו טיפולים מונעים מחלה, ונדרש עוד מחקר כדי לכלול סוגי נתונים נוספים ואוכלוסיות נוספות, אך המסגרת שלהם מצביעה לעתיד שבו שינויים שקטים בערכי מעבדה ותבניות תרופות יוכלו להתורגמם לאזהרות ברורות וניתנות לפעולה הרבה לפני שהכליות מתחילות להכשל.

ציטוט: 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

מילות מפתח: סכרת סוג 2, מחלת כליות כרונית, חיזוי סיכון, רשומות בריאות אלקטרוניות, למידה עמוקה