Wczesna stratyfikacja ryzyka nasilenia ostrego uszkodzenia nerek u pacjentów z ostrym zawałem mięśnia sercowego i cukrzycą przy użyciu uczenia maszynowego

Dlaczego to ma znaczenie dla pacjentów i rodzin

Zawały serca i cukrzyca same w sobie są przerażające, ale razem znacznie zwiększają ryzyko nagłej niewydolności nerek w trakcie pobytu w szpitalu. W badaniu zadano bardzo praktyczne pytanie: czy można wykorzystać informacje, które lekarze zbierają już w pierwszej dobie hospitalizacji, aby rozpoznać pacjentów najbardziej narażonych na rozwój łagodnego, umiarkowanego lub ciężkiego uszkodzenia nerek, zanim się ono w pełni ujawni? Dzięki temu zespół ma nadzieję dać lekarzom więcej czasu na ochronę nerek i potencjalnie poprawić przeżywalność.

Sercem, cukrem i nerkami w delikatnej równowadze

Gdy osoba z cukrzycą doświadcza zawału serca, nerki znajdują się pod szczególnym obciążeniem. Długotrwale podwyższony poziom cukru może uszkadzać najmniejsze naczynia krwionośne i zmniejszać rezerwę nerkową. Zawał serca z kolei może obniżyć przepływ krwi i dopływ tlenu do tych już wrażliwych narządów. Efektem jest ostre uszkodzenie nerek — nagły spadek ich funkcji, który wiąże się z dłuższym pobytem w szpitalu, wyższymi kosztami i większą śmiertelnością. Niestety uszkodzenie nerek często rozpoznawane jest dopiero po wzroście stężenia kreatyniny we krwi, gdy część uszkodzeń może być trudna do odwrócenia.

Przekształcanie rutynowych danych w wczesne ostrzeżenia

Badacze wykorzystali trzy duże bazy danych szpitali ze Stanów Zjednoczonych i Chin, obejmujące 4 908 pacjentów z jednoczesnym zawałem serca i cukrzycą. Używając wyłącznie informacji z pierwszych 24 godzin po przyjęciu — takich jak wiek, ciśnienie krwi, markery krwi, badania związane z nerkami, diureza oraz wskaźniki ciężkości choroby — wytrenowali serię modeli komputerowych do oszacowania prawdopodobieństwa, że dany pacjent rozwinie różne stopnie uszkodzenia nerek w dalszym przebiegu pobytu. Porównali dziesięć powszechnie stosowanych metod uczenia maszynowego, od prostej regresji logistycznej po bardziej zaawansowane metody oparte na drzewach, takie jak LightGBM i XGBoost, i rygorystycznie przetestowali te modele na oddzielnych grupach szpitalnych, aby sprawdzić, jak dobrze się uogólniają.

Jak dobrze działały modele

Wśród prawie pięciu tysięcy pacjentów niemal czterech na dziesięciu rozwinęło jakiś stopień uszkodzenia nerek. Kilka modeli wykazało dobre wyniki, ale dwa wyróżniały się najbardziej. LightGBM okazał się najlepszy w przewidywaniu, czy pacjenci rozwiną co najmniej łagodne lub co najmniej umiarkowane uszkodzenie nerek, podczas gdy XGBoost przodował w przypadku najcięższego stadium. W zewnętrznym szpitalu w Chinach modele te poprawnie odróżniały pacjentów o wyższym i niższym ryzyku z wysoką dokładnością, mierzoną wartościami pola pod krzywą (AUC) około 0,85–0,88. Analizy krzywych decyzyjnych sugerowały, że korzystanie z tych prognoz dawałoby większą korzyść kliniczną niż traktowanie wszystkich jako wysokiego ryzyka lub całkowite ignorowanie ryzyka, w szerokim zakresie progów decyzyjnych wybieranych przez klinicystów.

Co napędza prognozy ryzyka

Aby wyjść poza „czarną skrzynkę”, zespół zastosował metodę wyjaśniającą zwaną SHAP, aby pokazać, które dane wejściowe miały największe znaczenie dla prognoz. Wczesne wskaźniki związane z nerkami — takie jak najwyższe stężenie kreatyniny, oszacowany wskaźnik przesączania (eGFR) i diureza — były głównymi składnikami, odzwierciedlając zarówno bazową podatność, jak i wczesne obciążenie nerek. Ważną rolę odgrywały też wskaźniki ogólnej ciężkości choroby, chemia krwi (w tym mleczan i równowaga kwasowo‑zasadowa), ciśnienie krwi oraz stan odżywienia (np. poziom albuminy). Istotne jest, że wszystkie te zmienne są rutynowo zbierane i mogą być automatycznie pobierane z dokumentacji elektronicznej, co oznacza, że model mógłby działać w tle bez dodatkowej pracy personelu przy łóżku pacjenta.

Od wyników komputerowych do decyzji przy łóżku pacjenta

Autorzy podkreślają, że ich narzędzie ma wspierać, a nie zastępować, osąd kliniczny. Stworzyli interfejs internetowy, w którym klinicyści mogą wprowadzać lub automatycznie importować wczesne dane szpitalne i otrzymywać spersonalizowane oszacowania ryzyka dla łagodnego, umiarkowanego i ciężkiego uszkodzenia nerek. Wysokie przewidywane ryzyko może skłonić do dokładniejszego monitorowania, ostrożniejszego stosowania środków kontrastowych i innych terapii obciążających nerki, wcześniejszej konsultacji ze specjalistami nefrologii lub rozważenia zaawansowanych terapii. Ponieważ praktyki szpitalne i populacje pacjentów różnią się między ośrodkami, zespół zaleca, by każda placówka lokalnie testowała i dostosowała model przed poleganiem na nim. Mimo to badanie pokazuje, że korzystając z danych, które już są dostępne, można wcześnie zidentyfikować wrażliwe nerki — otwierając okno na bardziej dostosowaną i terminową opiekę.

Cytowanie: Ruan, L., Qiao, Y., Li, X. et al. Early risk stratification of acute kidney injury severity in patients with acute myocardial infarction and diabetes using machine learning. Sci Rep 16, 12285 (2026). https://doi.org/10.1038/s41598-026-41356-y

Słowa kluczowe: ostre uszkodzenie nerek, zawał serca, cukrzyca, uczenie maszynowe, prognozowanie ryzyka