Wykorzystanie algorytmów uczenia maszynowego do przewidywania MACE u pacjentów dializowanych otrzewnowo

Dlaczego to ważne dla osób wykonujących dializę w domu

Dla wielu osób z niewydolnością nerek dializa otrzewnowa daje swobodę leczenia w domu zamiast w klinice. Jednak ci pacjenci są obciążeni wysokim ryzykiem poważnych problemów sercowo-naczyniowych, takich jak zawały serca i udary. Badanie stawia praktyczne pytanie o realnych konsekwencjach: czy można za pomocą współczesnych technik komputerowych wcześnie rozpoznać, którzy pacjenci na dializie otrzewnowej są najbardziej narażeni na poważne zdarzenia sercowe, aby lekarze mogli interweniować zanim dojdzie do tragedii?

Kogo badano i co mierzono

Naukowcy przeanalizowali retrospektywnie dokumentację medyczną 1006 dorosłych, którzy rozpoczęli dializę otrzewnową w dwóch szpitalach w Chinach w latach 2010–2016. Wszyscy pacjenci byli na tym leczeniu co najmniej trzy miesiące. W momencie rozpoczęcia dializy zespół zebrał 86 informacji dla każdej osoby, obejmujących wiek, choroby współistniejące takie jak cukrzyca czy niewydolność serca, ciśnienie krwi, badania laboratoryjne, wyniki echokardiografii i przyjmowane leki. Następnie wszystkich obserwowano przez okres do około dziesięciu lat, aby sprawdzić, kto doświadczył dużego zdarzenia sercowo-naczyniowego lub mózgowo-naczyniowego — zbioru problemów, które autorzy określają jako „MACE”, obejmujących zawał serca, silny ból w klatce piersiowej, udar, zatrzymanie krążenia, hospitalizacje z powodu niewydolności serca lub niebezpiecznych zaburzeń rytmu oraz zgon z dowolnej przyczyny.

Inteligentniejsza predykcja dzięki uczeniu maszynowemu

Zamiast polegać wyłącznie na tradycyjnych metodach statystycznych, zespół sięgnął po trzy podejścia uczenia maszynowego zdolne odkrywać złożone wzorce w dużych zbiorach danych: Random Forest, XGBoost i AdaBoost. Dane podzielono na zbiory do treningu modeli, testowania ich oraz na zewnętrzną walidację w pacjentach z innego szpitala. Celem było sprawdzenie, jak dobrze każde podejście przewiduje, kto dozna poważnego zdarzenia w dowolnym czasie, w ciągu pierwszego roku oraz w ciągu pierwszych pięciu lat od rozpoczęcia dializy otrzewnowej. Siłę modelu oceniano za pomocą standardowego wskaźnika, jakim jest pole pod krzywą (AUC) — wartość bliższa 1,0 oznacza lepszą zdolność rozróżniania pacjentów wysokiego i niskiego ryzyka.

Czego modele nauczyły się o ryzyku

W całym okresie obserwacji 409 z 606 pacjentów w głównej grupie rozwojowej doświadczyło poważnego zdarzenia. Do przewidywania tych zdarzeń najlepiej sprawdziła się metoda Random Forest, z AUC około 0,80, co oznacza, że najczęściej poprawnie rozróżniała pacjentów wyższego i niższego ryzyka. W tej długoterminowej perspektywie najbardziej wpływowe okazały się poziomy parathormonu, marker powiązany z zdrowiem kości i naczyń, wywiad niewydolności serca oraz wiek. Gdy uwaga skupiła się na zdarzeniach w pierwszym roku — których było tylko 114 — najlepszy okazał się XGBoost z AUC 0,86. Tutaj wyróżniały się „ochronny” cholesterol HDL, wiek i poziomy wapnia we krwi. Dla horyzontu pięcioletniego ponownie najlepiej wypadł Random Forest, a kluczowymi zmiennymi stały się wiek, stężenie kreatyniny we krwi i szacunkowa szybkość filtracji nerek — wskaźniki zachowanej funkcji nerek i efektywności dializy.

Sprawdzanie wiarygodności i wydajności w praktyce

Aby upewnić się, że wyniki nie są przypadkowe, autorzy porównali narzędzia uczenia maszynowego z bardziej znaną metodą czasu do zdarzenia — regresją Coxa — oraz przetestowali wszystko w oddzielnej grupie 400 pacjentów z innego szpitala. Kluczowe czynniki ryzyka wskazane przez nowsze metody były zgodne z tymi z analizy tradycyjnej, ale modele uczenia maszynowego generalnie lepiej porządkowały pacjentów według ryzyka. W zewnętrznej grupie szpitalnej główny model nadal sprawował się dobrze, poprawnie klasyfikując wyniki u około siedmiu na dziesięciu pacjentów. Badanie podkreśliło również znaczenie innych powiązanych czynników — takich jak ogólny ciężar choroby, masa ciała, lipidy we krwi, albumina (marker stanu odżywienia), diureza i ciśnienie krwi — które wspólnie kształtują ryzyko sercowe w tej wrażliwej populacji.

Co to oznacza dla pacjentów i zespołów opieki

Autorzy wnioskują, że starannie zaprojektowane narzędzia uczenia maszynowego mogą pomóc lekarzom oszacować już na samym początku dializy otrzewnowej, którzy pacjenci mają szczególnie wysokie prawdopodobieństwo poważnych problemów sercowo-naczyniowych w nadchodzących latach. Wiek był czynnikiem stałym, ale ważną rolę odgrywały także czynniki związane z gospodarką mineralną, lipidami, adekwatnością dializy i ogólnym stanem zdrowia — wiele z nich można monitorować i leczyć. Choć badanie ma charakter retrospektywny i wymaga potwierdzenia w przyszłych prospektywnych pracach, wskazuje na przyszłość, w której opieka w dializie domowej będzie wspierana przez dyskretne algorytmy w tle, które wcześnie sygnalizują osoby zagrożone, umożliwiając ukierunkowane działania mające przedłużyć życie i zmniejszyć liczbę hospitalizacji.

Cytowanie: 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

Słowa kluczowe: dializa otrzewnowa, ryzyko sercowo-naczyniowe, uczenie maszynowe, niewydolność nerek, predykcja ryzyka