Het voorspellen van toekomstige nierfunctie bij type 2 diabetes mellitus met behulp van machine learning en basisgezondheidsgegevens

Waarom dit belangrijk is voor mensen met diabetes

Voor veel mensen met type 2 diabetes is een belangrijke langetermijnzorgen of hun nieren geleidelijk zullen falen en uiteindelijk dialyse nodig zal zijn. Artsen kunnen de huidige niergezondheid meten, maar het is veel moeilijker om jaren van tevoren te weten bij wie de nieren het meest risico lopen. Deze studie onderzoekt of computergebaseerde patroonherkenning, bekend als machine learning, met één routinematige controle kan voorspellen hoe goed iemands nieren vele jaren in de toekomst zullen functioneren.

Een veelvoorkomend maar stil gevaar

Diabetische nierziekte treft ongeveer vier op de tien mensen met type 2 diabetes en is een belangrijke oorzaak van chronisch nierfalen wereldwijd. Nierfunctie wordt vaak gevolgd met een index die de geschatte glomerulaire filtratiesnelheid of eGFR wordt genoemd, die aangeeft hoe efficiënt de nieren het bloed filteren. Sommige patiënten verliezen deze functie zeer snel, terwijl anderen langzaam achteruitgaan of jarenlang stabiel blijven. Omdat de vroege stadia meestal geen symptomen geven, hebben artsen betere methoden nodig om die ‘snelle achteruitgangers’ vroegtijdig op te sporen, wanneer extra controle en behandeling nog ernstige schade kunnen vertragen of voorkomen.

Van controlegegevens naar een glazen bol

De onderzoekers volgden 974 volwassenen met type 2 diabetes die werden behandeld in drie ziekenhuizen in Japan gedurende een mediaan van iets meer dan vijf jaar. Aan het begin verzamelden ze 54 gegevenspunten die routinematig worden gemeten tijdens diabetescontroles, waaronder leeftijd, bloeddruk, gewicht, bloedonderzoeken, urineonderzoeken en de huidige nierfunctie. Belangrijk is dat zij niet vertrouwden op toekomstige testresultaten of gespecialiseerde genetische of eiwitmarkers—alleen wat normaal gesproken beschikbaar zou zijn bij een eerste polikliniekbezoek. Vervolgens lieten ze een reeks computermodellen de relatie leren tussen deze beginsituatiemetingen en de eGFR-waarden die werden waargenomen tijdens jaarlijkse follow-upbezoeken, tot negen jaar later.

Hoe de slimme modellen presteerden

Het team vergeleek drie moderne machine learning-methoden—Light Gradient Boosting Machine, Random Forest en Support Vector Machine—met een traditionele statistische benadering bekend als meervoudige lineaire regressie. Alle benaderingen presteerden redelijk goed in het algemeen, maar de support vector machine stak eruit. Deze leverde de meest nauwkeurige voorspellingen over het volledige bereik van nierfunctie, vooral voor mensen wier nieren aan het begin nog zeer goed functioneerden. Met alleen de eerste controlegegevens plus het aantal jaren in de toekomst kon dit model een matige nauwkeurigheid behouden tot ongeveer zes jaar, terwijl de voorspellingen van de traditionele methode onbetrouwbaar werden na meer dan vier jaar.

Wat de voorspellingen aandrijft

Om binnen deze “black box”-modellen te kijken, gebruikten de onderzoekers een uitlegartool die rangschikt welke basiskenmerken het belangrijkst waren. Zoals verwacht waren huidige niermetingen—de eGFR zelf en serumcreatinine—invloedrijk, samen met leeftijd en een urine-marker voor nierschade. Bloedvetten, markers van bloedarmoede en bepaalde levergerelateerde enzymen speelden ook belangrijke rollen. In verschillende subgroepen, zoals ouderen of vrouwen, ontstonden iets andere patronen, wat aangeeft dat sommige risicofactoren voor bepaalde patiënten zwaarder kunnen wegen. Zelfs wanneer het model werd vereenvoudigd tot alleen de meest informatieve factoren, veranderde de prestatie weinig, wat bemoedigend is voor toekomstig gebruik in echte klinieken.

Van voorspelling naar praktische actie

Het werk kent beperkingen: de studie betrof een relatief klein aantal Japanse poliklinische patiënten, het is nog niet getest in andere landen of zorgsystemen, en het gaat uit van de veronderstelling dat veel aspecten van iemands leven en behandeling in de loop van de tijd vergelijkbaar blijven. Toch suggereren de bevindingen dat het haalbaar is om een enkel, gewoon diabetesbezoek om te zetten in een gepersonaliseerde voorspelling van niergezondheid jaren vooruit. In de toekomst zou zo’n hulpmiddel kunnen worden ingebouwd in elektronische patiëntendossiers om patiënten te markeren bij wie de voorspelde nierfunctie scherp daalt, wat aanleiding geeft tot nauwere follow-up, eerdere verwijzingen naar nierspecialisten en tijdiger gebruik van beschermende therapieën. Kortom, slimmer gebruik van bestaande gegevens zou patiënten en zorgverleners een waardevolle voorsprong kunnen geven bij het beschermen van de niergezondheid.

Bronvermelding: 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

Trefwoorden: diabetische nierziekte, type 2 diabetes, achteruitgang van nierfunctie, machine learning voorspelling, eGFR