Een online uitlegbaar machine learning-model voor het voorspellen van het risico op cardiometabole multimorbiditeit bij patiënten met type 2 diabetes mellitus

Waarom dit belangrijk is voor mensen met diabetes

Veel mensen met type 2 diabetes hebben niet slechts één gezondheidsprobleem — zij hebben ook vaak hartziekten, een beroerte of hoge bloeddruk. Deze combinatie, aangeduid als cardiometabole multimorbiditeit, verhoogt de kans op vroegtijdig overlijden en kostbare ziekenhuiszorg aanzienlijk. De studie achter dit artikel presenteert een nieuw, gebruiksvriendelijk online hulpmiddel dat artsen helpt het individuele risico op het ontwikkelen van deze ernstige complicaties vroegtijdig in te schatten met routinematige testresultaten, en in duidelijke taal uitlegt welke factoren dat risico aandrijven.

Diabetes en zijn verborgen metgezellen

Type 2 diabetes is uitgegroeid tot een van de meest voorkomende chronische ziekten wereldwijd. Op het moment dat veel mensen gediagnosticeerd worden, hebben zij al één of meer andere aandoeningen, met name hart- en vaatziekten of hoge bloeddruk. Samen verhogen deze problemen — gezamenlijk aangeduid als cardiometabole multimorbiditeit — het risico op hartaanvallen, beroertes en vroegtijdig overlijden sterk, en ze verdubbelen de zorgkosten meer dan eens. Huidige richtlijnen adviseren regelmatige hartrisicocontroles voor mensen met diabetes, maar in de klinische praktijk ontbreken vaak eenvoudige, nauwkeurige hulpmiddelen die het volledige beeld van meerdere aandoeningen tegelijk vastleggen.

Dagelijkse klinische gegevens omzetten in een risicovoorspelling

De onderzoekers verzamelden gegevens van 1.153 volwassenen met type 2 diabetes die werden behandeld in twee grote ziekenhuizen in de provincie Shanxi, China. Na toepassing van medische in- en exclusieregels en zorgvuldig omgaan met missende waarden, bleven 793 patiënten over om het model te bouwen en nog eens 360 voor een onafhankelijke test. Van elke patiënt verzamelden ze basisgegevens zoals leeftijd en duur van de diabetes, evenals gangbare bloedtesten waaronder langetermijnbloedglucose (HbA1c), nuchtere en postprandiale glucoses, leverenzymen, niermarkers en een scangebaseerde maat voor viscerale (diepe buik) vetmassa. Cardiometabole multimorbiditeit werd gedefinieerd als het hebben van diabetes plus minimaal één van de volgende: ischemische hartziekte, beroerte of hoge bloeddruk.

Een slim model trainen en daarna de “zwarte doos” openen

Om te voorspellen wie cardiometabole multimorbiditeit zou hebben, testte het team verschillende machine learning-benaderingen — computerprogramma’s die patronen in gegevens leren. Ze gebruikten eerst een methode genaamd recursive feature elimination om tientallen metingen terug te brengen tot negen bijzonder informatieve variabelen: postprandiale bloedglucose, HbA1c, leeftijd, viscerale vetmassa, trombocytenaantal, een insulineresistentiescore, de verhouding van twee leverenzymen (AST/ALT), jaren met diabetes, en of de persoon onderhuidse insuline-injecties gebruikte. Vervolgens vergeleken ze zes verschillende algoritmen en vonden dat een "Stacking"-model — een ensemble dat de sterke punten van meerdere methoden combineert — de meest betrouwbare resultaten gaf. In interne tests onderscheidde het model hoge- en laagrisicopatiënten met een area under the curve (AUC) van 0,868, en in een onafhankelijk ziekenhuis presteerde het nog steeds goed met een AUC van 0,822.

Welke factoren het meest van belang zijn voor risico

Aangezien complexe modellen moeilijk te vertrouwen zijn als ze ondoorzichtig zijn, paste het team twee uitlegmethoden toe, SHAP en LIME, die laten zien hoe elke invoer het risico van een persoon omhoog of omlaag duwt. Over de hele groep gezien vielen drie factoren op als bijzonder belangrijk: HbA1c, leeftijd en het gebruik van insuline-injecties. Hoger HbA1c en ouderdom verhoogden duidelijk het risico, net als hogere postprandiale bloedglucose, meer viscerale vetmassa en een hogere insulineresistentiescore. Trombocytenaantallen en de AST/ALT-verhouding speelden ook ondersteunende rollen, wat wijst op stollingstendensen en mogelijke hart–leverbelasting. De verklaringen voor individuele patiënten toonden bijvoorbeeld hoe een middelbare persoon met lang bestaande diabetes, veel buikvet en zeer hoge HbA1c een geschat risico dicht bij 90% kon hebben, terwijl iemand met beter gereguleerde glucose en minder viscerale vetmassa een veel lager risico kon hebben, zelfs bij een vergelijkbare leeftijd.

Een webtool voor beslissingen in de praktijk — en de beperkingen

Om het onderzoek praktisch bruikbaar te maken, bouwden de auteurs een gratis webapplicatie waarin een zorgverlener de negen geselecteerde metingen kan invoeren en meteen een gepersonaliseerde risicoschatting ontvangt, samen met een visuele uitleg welke factoren die aandrijven. Het systeem is zo ontworpen dat het geen patiëntgegevens opslaat en is momenteel bedoeld als ondersteuning voor onderwijs en onderzoek in plaats van als zelfstandig diagnostisch apparaat. De studie heeft beperkingen: ze gebruikt retrospectieve gegevens uit twee ziekenhuizen in één regio van China en is afhankelijk van metingen die op één tijdpunt zijn genomen. De auteurs benadrukken dat grotere, langdurige studies in meer diverse populaties nodig zijn voordat het hulpmiddel als universeel kan worden beschouwd.

Wat dit betekent voor mensen met type 2 diabetes

In praktische termen laat dit werk zien dat veel voorkomende tests die al in diabetesklinieken worden gedaan — met name langetermijnbloedglucose, postprandiale glucose, metingen van buikvet en de duur van de diabetes — gecombineerd kunnen worden door een transparant slim algoritme om te identificeren wie het meest waarschijnlijk ernstige hart- en bloeddrukgerelateerde complicaties zal ontwikkelen. Gebruikt als aanvulling op het oordeel van artsen, zouden dergelijke hulpmiddelen kunnen helpen intensieve levensstijlaanpassingen en behandelingen te richten op degenen die ze het meest nodig hebben, mogelijk het voorkomen van hartaanvallen en beroertes en het verbeteren van de kwaliteit van leven voor mensen met type 2 diabetes.

Bronvermelding: Liu, X., Li, C., Huo, X. et al. An online interpretable machine learning model for predicting cardiometabolic multimorbidity risk in patients with type 2 diabetes mellitus. Sci Rep 16, 5877 (2026). https://doi.org/10.1038/s41598-026-36923-2

Trefwoorden: type 2 diabetes, risico op hartziekten, machine learning in de geneeskunde, multimorbiditeit, instrumenten voor risicovoorspelling