Predizione del rischio di progressione della malattia renale cronica nel diabete mellito di tipo 2 in popolazioni diverse

Perché questo è importante per le persone con diabete

Molte persone con diabete di tipo 2 sviluppano col tempo problemi renali, che a volte portano alla dialisi o al trapianto. Tuttavia, per un singolo paziente è difficile per i medici prevedere chi vedrà un rapido peggioramento della funzione renale e chi resterà stabile per anni. Questo studio mostra come le cartelle cliniche a lungo termine e le moderne tecniche informatiche possano essere combinate per prevedere problemi renali anni prima che si manifestino, dando a pazienti e operatori sanitari più tempo per intervenire.

Seguire migliaia di pazienti per molti anni

I ricercatori hanno utilizzato le cartelle cliniche elettroniche del sistema sanitario pubblico di Hong Kong, che serve la maggior parte della popolazione locale. Si sono concentrati su oltre 220.000 adulti con diabete di tipo 2 che avevano eseguito test renali ripetuti tra il 2003 e il 2019, quindi hanno focalizzato l’attenzione su coloro i cui reni erano in stadi iniziali e a rischio più basso all’inizio. Nel corso di 17 anni hanno monitorato chi è progredito verso stadi più gravi di malattia renale cronica e chi è rimasto stabile. Per riflettere l’erogazione delle cure nella pratica reale, hanno costruito modelli di previsione separati che guardano a due, cinque o dieci anni nel futuro.

Insegnare ai computer a leggere le storie cliniche

Invece di usare solo pochi fattori di rischio semplici, il gruppo ha addestrato modelli di deep learning—sistemi informatici flessibili in grado di scoprire schemi attraverso molte informazioni contemporaneamente. I modelli hanno utilizzato un mix di 21 misure raccolte routinariamente, tra cui età, sesso, corporatura, lipidi nel sangue, controllo della glicemia, esami del sangue correlati ai reni, pressione arteriosa, storia di fumo e registrazioni dei farmaci chiave come antipertensivi e insulina. Per situazioni con meno esami disponibili, hanno anche creato una versione ridotta che impiegava 15 delle voci più comunemente misurate. I modelli sono stati addestrati sull’80% dei dati e testati sul restante 20%, con metodi specifici per gestire i valori mancanti e prevenire l’overfitting.

Quanto bene hanno funzionato le previsioni

Su tutte le scale temporali, i modelli di deep learning sono risultati più accurati degli strumenti statistici tradizionali e di altri metodi di machine learning. Per i pazienti di Hong Kong, il modello completo ha ordinato correttamente il rischio renale futuro con un’area sotto la curva ROC di circa l’87% a due anni, l’85% a cinque anni e l’85% a dieci anni, il che significa che riusciva di solito a distinguere chi sarebbe peggiorato prima. Il modello semplificato ha mostrato prestazioni solo leggermente inferiori. Quando gli stessi modelli sono stati applicati a due coorti di ricerca indipendenti—UK Biobank e China Health and Retirement Longitudinal Study—hanno comunque funzionato ragionevolmente bene, nonostante in quei dataset mancassero molti dettagli di laboratorio o prescrizioni. Ciò suggerisce che l’approccio può trasferirsi ad altri Paesi e sistemi sanitari.

Cosa guida il rischio e come i risultati possono orientare le cure

Per rendere le previsioni comprensibili ai clinici, il gruppo ha usato una tecnica di analisi che mostra quanto ciascun fattore contribuisce alle decisioni del modello. I segnali più forti sono risultati la creatinina nel sangue (un indicatore della capacità di filtrazione renale), il sesso, l’età, la pressione arteriosa, il controllo glicemico a lungo termine e l’uso recente di farmaci che influenzano i reni e la pressione. I punteggi di rischio prodotti dal computer sono stati poi inseriti in strumenti standard di analisi di sopravvivenza per tracciare curve che mostrano quanto rapidamente le persone classificate a rischio basso, medio o alto tendono a progredire. In ciascun gruppo, chi aveva un rischio predetto più alto è passato a stadi renali peggiori più rapidamente e ha avuto tempi di “sopravvivenza” renale più brevi, confermando che i punteggi hanno un significato clinico reale. È importante sottolineare che le prestazioni sono risultate generalmente simili per uomini e donne, sebbene siano emerse alcune differenze nelle previsioni a più lungo termine in una coorte esterna.

Cosa potrebbe significare per il trattamento quotidiano

In sostanza, lo studio fornisce un modo pratico per trasformare i dati di routine clinica in previsioni personalizzate sulla salute renale per le persone con diabete di tipo 2. Un medico potrebbe inserire età, esami di laboratorio e prescrizioni recenti di un paziente e ottenere una stima della probabilità di declino renale nei prossimi anni, insieme a una curva visiva del probabile decorso della malattia. Chi viene segnalato ad alto rischio potrebbe ricevere un follow-up più ravvicinato, un controllo più rigoroso di pressione e glicemia e un rinvio più precoce a specialisti renali, mentre i pazienti a basso rischio potrebbero evitare visite non necessarie. Sebbene gli autori osservino che il modello non può dimostrare quali trattamenti prevengano la malattia e che sia necessario ulteriore lavoro per includere altri tipi di dati e popolazioni, il loro quadro indica un futuro in cui lievi variazioni nei valori di laboratorio e nei modelli di prescrizione possano essere tradotte in avvisi chiari e attuabili molto prima che i reni comincino a fallire.

Citazione: 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

Parole chiave: diabete di tipo 2, malattia renale cronica, predizione del rischio, cartelle cliniche elettroniche, deep learning