Machine learning-algoritmen gebruiken om MACE te voorspellen bij peritoneale dialysepatiënten

Waarom dit belangrijk is voor mensen die thuis dialyseren

Voor veel mensen met nierfalen biedt peritoneale dialyse de vrijheid om thuis zelf de behandeling uit te voeren in plaats van in een kliniek. Toch lopen deze patiënten een hoog risico op ernstige hart- en vaatproblemen, zoals hartaanvallen en beroertes. Deze studie stelt een praktische vraag met concrete gevolgen: kunnen we moderne computertechnieken gebruiken om vroegtijdig te herkennen welke peritoneale dialysepatiënten het meeste risico lopen op grote hartproblemen, zodat artsen kunnen ingrijpen voordat er iets ernstigs gebeurt?

Wie onderzocht werden en wat werd gemeten

De onderzoekers bekeken retrospectief de medische dossiers van 1.006 volwassenen die tussen 2010 en 2016 peritoneale dialyse startten in twee ziekenhuizen in China. Alle patiënten waren ten minste drie maanden behandeld. Op het moment dat de dialyse begon, verzamelde het team 86 gegevenspunten voor elke persoon, waaronder leeftijd, andere ziekten zoals diabetes of hartfalen, bloeddruk, laboratoriumtesten, resultaten van hartultrasound en medicatie. Iedereen werd vervolgens gevolgd voor ongeveer tien jaar om te zien wie een grote cardiale of cerebrovasculaire gebeurtenis meemaakte — een verzameling problemen die de auteurs “MACE” noemen, waaronder hartaanval, ernstige angina pectoris, beroerte, hartstilstand, ziekenhuisopnames vanwege hartfalen of gevaarlijke hartritmes en overlijden om welke oorzaak dan ook.

Slimmere voorspelling met machine learning

In plaats van alleen te vertrouwen op traditionele statistiek, gebruikte het team drie machine learning-benaderingen die complexe patronen in grote datasets kunnen ontdekken: Random Forest, XGBoost en AdaBoost. Ze splitsten hun data in sets om de modellen te trainen, te testen en vervolgens de prestaties te controleren bij patiënten van een apart ziekenhuis. Het doel was om te bepalen hoe goed elke methode kon voorspellen wie op enig moment, binnen het eerste jaar en binnen de eerste vijf jaar na start van peritoneale dialyse een grote gebeurtenis zou doormaken. De sterkte van een model werd beoordeeld met een standaardscore genaamd de area under the curve (AUC), waarbij een waarde dichter bij 1,0 betere discriminatie tussen hoge- en laagrisicopatiënten betekent.

Wat de modellen leerden over risico

Over de gehele follow-upperiode kregen 409 van de 606 patiënten in de belangrijkste ontwikkelingsgroep een grote gebeurtenis. Voor het voorspellen van deze algemene gebeurtenissen presteerde de Random Forest-methode het beste, met een AUC van ongeveer 0,80, wat betekent dat het meestal goed hogere- van lagere-risicopatiënten kon onderscheiden. Op de lange termijn waren de meest invloedrijke signalen het parathyroïdhormoongehalte, een marker die verband houdt met bot- en vaatgezondheid, een voorgeschiedenis van congestief hartfalen en leeftijd. Toen de focus verschoof naar gebeurtenissen in het eerste jaar, waren slechts 114 patiënten getroffen en kwam XGBoost als beste uit de bus met een AUC van 0,86. Hier sprongen het ‘beschermende’ cholesterol (HDL), leeftijd en bloedcalciumwaarden eruit. Voor de vijfjaarsperiode presteerde Random Forest opnieuw het beste, waarbij leeftijd, bloedcreatinine en de geschatte glomerulaire filtratiesnelheid — indicatoren van resterende nierfunctie en dialyseadequaatheid — het belangrijkst waren.

Betrouwbaarheid en prestaties in de praktijk controleren

Om zeker te zijn dat deze resultaten geen toeval waren, vergeleken de auteurs hun machine learning-instrumenten met een meer bekende tijd-tot-gebeurtenis-methode genaamd Cox-regressie en testten alles in een aparte groep van 400 patiënten uit een ander ziekenhuis. De belangrijkste risicofactoren die door de nieuwere methoden werden geïdentificeerd, leken sterk overeen te komen met die uit de traditionele analyse, maar de machine learning-modellen deden het over het algemeen beter in het rangschikken van patiënten naar risico. In de externe ziekenhuisgroep presteerde het hoofdmodel nog steeds goed en classificeerde uitkomsten juist bij ongeveer zeven op de tien patiënten. De studie benadrukte ook het belang van andere onderling verbonden factoren — zoals totale ziektelast, lichaamsgewicht, bloedlipiden, albumine (een marker voor voedingstoestand), urineproductie en bloeddruk — die samen het hartaandoeningsrisico in deze kwetsbare populatie bepalen.

Wat dit betekent voor patiënten en zorgteams

De auteurs concluderen dat zorgvuldig ontworpen machine learning-instrumenten artsen kunnen helpen inschatten, bij de start van peritoneale dialyse, welke patiënten een bijzonder grote kans hebben op ernstige hart- en vaatproblemen in de komende jaren. Leeftijd was consequent belangrijk, maar meerdere factoren gerelateerd aan mineraalbalans, bloedlipiden, dialyseadequaatheid en algemene gezondheid speelden ook een grote rol — en veel daarvan kunnen worden gevolgd en behandeld. Hoewel de studie retrospectief is en bevestiging behoeft in toekomstig prospectief onderzoek, wijst ze op een toekomst waarin thuisdialyse wordt ondersteund door stille achtergrondalgoritmen die vroegtijdig personen in gevaar signaleren, zodat gerichte behandeling levens kan verlengen en ziekenhuisopnames kan verminderen.

Bronvermelding: 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

Trefwoorden: peritoneale dialyse, cardiovasculair risico, machine learning, nierfalen, risicovoorspelling