Opracowanie i walidacja modeli uczenia maszynowego do diagnozowania ryzyka raka wątrobowokomórkowego i przeżycia u pacjentów z marskością wątroby i cukrzycą

Dlaczego to badanie ma znaczenie dla osób z cukrzycą i chorobami wątroby

Osoby żyjące zarówno z cukrzycą, jak i zaawansowanym stłuszczeniem i bliznowaceniem wątroby (marskością) stoją wobec podwójnego zagrożenia: mają znacznie większe ryzyko rozwoju raka wątroby i większe ryzyko zgonu z powodu szeregu poważnych powikłań. Obecnie lekarzom brakuje jednak narzędzi dostosowanych do tej grupy wysokiego ryzyka, które wiarygodnie wskazywałyby, kto jest najbardziej zagrożony wystąpieniem raka wątroby i kto ma największe ryzyko zgonu. To badanie pokazuje, jak rutynowe badania krwi i nowoczesne techniki komputerowe można połączyć w praktyczne wykresy, które pomagają lekarzom oszacować ryzyko raka i prognozę przeżycia u tych wrażliwych pacjentów.

Powiązane choroby, które się wzmacniają

Cukrzyca i marskość wątroby wchodzą w błędne koło. Cukrzyca sprzyja stłuszczeniu i zapaleniu wątroby, co może postępować do marskości; z kolei marskość ułatwia pojawienie się lub pogorszenie cukrzycy. Gdy obie choroby współistnieją, ryzyko rozwoju raka wątrobowokomórkowego, najczęstszej pierwotnej postaci raka wątroby, rośnie gwałtownie. Jednocześnie pacjenci ci są narażeni na wysokie ryzyko zgonu z powodu chorób serca, zakażeń, niewydolności wątroby i innych powikłań. Ponieważ zasoby na intensywne badania przesiewowe są ograniczone, klinicyści potrzebują prostych sposobów identyfikacji, którzy pacjenci z marskością i cukrzycą wymagają pilnego, ścisłego nadzoru onkologicznego i intensywnego leczenia innych problemów zdrowotnych.

Wykorzystanie danych i algorytmów do wykrywania ukrytych wzorców

Zespół badawczy zebrał szczegółowe dane kliniczne od 307 pacjentów z cukrzycą typu 2 i marskością wątroby leczonych w szpitalu w prowincji Jiangsu w Chinach i obserwował ich przez medianę niemal czterech lat. Przeanalizowano 59 różnych miar, głównie z rutynowych badań krwi, i zastosowano osiem różnych podejść uczenia maszynowego, aby sprawdzić, które kombinacje czynników najlepiej rozróżniają pacjentów, u których rozwinął się rak wątroby. Wyróżnił się model typu gradient boosting decision tree, który z bardzo dużą dokładnością oddzielał pacjentów o wysokim i niskim ryzyku. Najbardziej informatywne sygnały pochodziły z niewielkiego zestawu parametrów krwi odzwierciedlających uszkodzenie wątroby, jej funkcję syntetyczną oraz równowagę elektrolitową, a także z płci pacjenta.

Od złożonych modeli do praktycznych wykresów przy łóżku pacjenta

Ponieważ wysoce techniczne modele komputerowe są trudne w użyciu w codziennej praktyce klinicznej, autorzy przekształcili swoje wyniki w prosty „nomogram” — graficzny wykres, na którym lekarz może zaznaczyć wartości pacjenta dla sześciu rutynowych pozycji (płeć, dwa enzymy wątrobowe, dwa barwniki związane z żółcią i sód we krwi) i odczytać szacowane prawdopodobieństwo, że pacjent już ma lub wkrótce rozwinie raka wątroby. Ten wykres przewyższał dokładnością każde pojedyncze badanie krwi, a jego trafność pozostała stabilna przy testach wewnętrznych oraz w oddzielnej grupie pacjentów z marskością leczonych w innym szpitalu. Co istotne, działał przyzwoicie niezależnie od tego, czy podstawowa choroba wątroby wynikała z wirusowego zapalenia wątroby B, C czy z przyczyn niewirusowych, co sugeruje szeroką użyteczność.

Wykraczając poza raka — ocena przeżycia

Badanie nie ograniczyło się do diagnozowania ryzyka raka. Badacze sprawdzili także, które czynniki najlepiej przewidują długość życia pacjentów z marskością i cukrzycą. Z użyciem metod analizy przeżycia stwierdzili, że cztery cechy — obecność raka wątroby, starszy wiek, niskie stężenia enzymu wątrobowego cholinesterazy oraz wysokie stężenia dehydrogenazy mlekowej (LDH), markera stresu tkankowego — były niezależnie związane z gorszym przeżyciem. Łącząc je z płcią, stworzyli drugi nomogram, który szacuje prawdopodobieństwo przeżycia pacjenta po 1, 3 i 5 latach. To narzędzie również dobrze sprawdziło się w testach wewnętrznych i zewnętrznych, co sugeruje, że może pomóc lekarzom i rodzinom w rozważaniu opcji leczenia i planowaniu obserwacji.

Odkrywanie rzeczywistych przyczyn zgonów pacjentów

Ponieważ osoby z marskością i cukrzycą mogą umierać z wielu różnych przyczyn, badacze skonstruowali dodatkowe modele rozdzielające zgony z powodu raka wątroby, zgony z powodu niewydolności wątroby i powiązanych powikłań oraz zgony głównie spowodowane przez cukrzycę i jej ogólnoustrojowe skutki. Stwierdzili, że w długim okresie znacznie więcej pacjentów umierało z przyczyn nieonkologicznych niż z powodu samego raka wątroby. Konkretnie, wzorce w badaniach krwi, takie jak zmiany czynności nerek, poziomu cukru we krwi oraz wskaźnik związany z zapaleniem łączący liczbę białych krwinek z „dobrym” cholesterolem, pomagały wskazać, kto najpewniej umrze z danego typu przyczyny. Wyniki te podkreślają, że choć nadzór onkologiczny jest istotny, kontrola problemów metabolicznych i układu krążenia jest przynajmniej tak samo ważna dla poprawy przeżycia.

Co to oznacza dla pacjentów i klinicystów

W praktycznym ujęciu praca ta pokazuje, że informacje już obecne w powszechnych badaniach krwi można przekształcić w łatwe do użycia wykresy, które pomagają lekarzom oszacować ryzyko raka wątroby i ogólną prognozę u osób z jednoczesną cukrzycą i marskością. Modele sugerują, że tylko podzbiór pacjentów wymaga najbardziej intensywnego monitorowania onkologicznego, a wiele zgonów można zapobiec przez agresywne leczenie cukrzycy, hiperglikemii i innych powikłań obok opieki nad chorobą wątroby. Chociaż narzędzia te wymagają dalszych badań w większych i bardziej zróżnicowanych populacjach przed rutynowym wdrożeniem, wskazują na przyszłość, w której mądrzejsze wykorzystanie rutynowych danych pomaga spersonalizować opiekę dla jednej z najbardziej chorych i złożonych grup pacjentów.

Cytowanie: Jiang, G., Cai, W., Lv, X. et al. Development and validation of machine learning models for diagnosing hepatocellular carcinoma risk and survival in patients with diabetic cirrhosis. Sci Rep 16, 11102 (2026). https://doi.org/10.1038/s41598-026-40804-z

Słowa kluczowe: rak wątrobowokomórkowy, marskość wątroby z cukrzycą, uczenie maszynowe, ryzyko raka wątroby, modele prognostyczne