Prevedere la funzione renale futura nel diabete di tipo 2 usando il machine learning e le informazioni cliniche di base

Perché è importante per le persone con diabete

Per molte persone con diabete di tipo 2 una preoccupazione a lungo termine è se i loro reni peggioreranno progressivamente, fino a richiedere la dialisi. I medici possono misurare lo stato attuale dei reni, ma è molto più difficile sapere con anni di anticipo chi ha il maggior rischio di deterioramento. Questo studio valuta se il riconoscimento di pattern basato su computer, noto come machine learning, può usare una singola visita di routine per prevedere come funzioneranno i reni di una persona molti anni nel futuro.

Un pericolo comune ma silenzioso

La malattia renale diabetica colpisce circa quattro persone su dieci con diabete di tipo 2 ed è una delle principali cause di insufficienza renale cronica a livello mondiale. La funzione renale viene spesso monitorata con un indice chiamato tasso di filtrazione glomerulare stimato, o eGFR, che riflette l’efficienza con cui i reni filtrano il sangue. Alcuni pazienti perdono questa funzione molto rapidamente, altri lentamente o rimangono stabili per molti anni. Poiché le fasi iniziali di solito non danno sintomi, i medici hanno bisogno di metodi migliori per identificare precocemente i “declinatori rapidi”, quando un monitoraggio e un trattamento aggiuntivi possono ancora rallentare o prevenire danni gravi.

Trasformare i dati della visita in una sfera di cristallo

I ricercatori hanno seguito 974 adulti con diabete di tipo 2 trattati in tre ospedali in Giappone per una mediana di poco più di cinque anni. All’inizio hanno raccolto 54 informazioni che sono misurate di routine nelle visite diabetologiche, tra cui età, pressione arteriosa, peso, esami del sangue, esami delle urine e funzione renale corrente. Importante: non hanno fatto affidamento su esami futuri o su marcatori genetici o proteici specialistici, ma solo su quanto sarebbe normalmente disponibile a una prima visita clinica. Hanno poi chiesto a una serie di modelli informatici di apprendere la relazione tra queste misure iniziali e i valori di eGFR osservati durante controlli annuali, fino a nove anni dopo.

Come si sono comportati i modelli intelligenti

Il team ha confrontato tre moderne tecniche di machine learning—Light Gradient Boosting Machine, Random Forest e Support Vector Machine—con un approccio statistico tradizionale noto come regressione lineare multipla. Tutti gli approcci hanno fatto ragionevolmente bene nel complesso, ma il support vector machine si è distinto. Ha fornito le previsioni più accurate lungo l’intero spettro della funzione renale, soprattutto per le persone il cui rene funzionava ancora molto bene all’inizio. Utilizzando solo i dati della visita iniziale più il numero di anni nel futuro, questo modello è riuscito a mantenere un’accuratezza moderata per circa sei anni, mentre le previsioni del metodo tradizionale diventavano inaffidabili oltre quattro anni.

Cosa guida le predizioni

Per dare uno sguardo all’interno di questi modelli “scatola nera”, i ricercatori hanno usato uno strumento di spiegazione che classifica quali caratteristiche basali avevano più importanza. Come prevedibile, misure renali correnti—lo stesso eGFR e la creatinina sierica—sono risultate influenti, insieme all’età e a un marcatore urinario di danno renale. I lipidi nel sangue, i marcatori di anemia e alcuni enzimi epatici hanno svolto anch’essi ruoli importanti. In sottogruppi differenti, come gli anziani o le donne, sono emersi schemi leggermente diversi, suggerendo che alcuni fattori di rischio possono avere maggiore peso in determinati pazienti. Anche quando il modello è stato semplificato includendo solo i fattori più informativi, le prestazioni sono cambiate poco, il che è incoraggiante per un uso clinico futuro.

Dalla previsione all’azione pratica

Il lavoro ha dei limiti: lo studio ha coinvolto un numero relativamente piccolo di pazienti ambulatoriali giapponesi, non è stato ancora testato in altri paesi o sistemi sanitari e presuppone che molti aspetti della vita e delle terapie del paziente rimangano simili nel tempo. Tuttavia, i risultati suggeriscono che è fattibile trasformare una singola, ordinaria visita diabetologica in una previsione personalizzata della salute renale a anni di distanza. In futuro, uno strumento del genere potrebbe essere integrato nei registri elettronici sanitari per evidenziare i pazienti la cui funzione renale prevista diminuisce rapidamente, stimolando un follow‑up più stretto, riferimenti tempestivi agli specialisti renali e un impiego più precoce di terapie protettive. In breve, un uso più intelligente dei dati esistenti potrebbe dare a pazienti e clinici un prezioso vantaggio nella protezione della salute renale.

Citazione: 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

Parole chiave: malattia renale diabetica, diabete di tipo 2, declino della funzione renale, predizione con machine learning, eGFR