Онлайн-интерпретируемая модель машинного обучения для прогнозирования риска кардиометаболической мультиморбидности у пациентов с сахарным диабетом 2 типа

Почему это важно для людей с диабетом

У многих людей с сахарным диабетом 2 типа есть не только одно заболевание — они также сталкиваются с болезнями сердца, инсультом или повышенным артериальным давлением. Это сочетание, называемое кардиометаболической мультиморбидностью, значительно увеличивает вероятность преждевременной смерти и дорогостоящей госпитализации. Исследование, лежащее в основе этой статьи, представляет новый простой в использовании онлайн-инструмент, который помогает врачам оценивать индивидуальный риск раннего развития этих серьёзных осложнений на основе рутинных анализов и доступно объясняет, какие факторы повышают риск.

Диабет и его скрытые спутники

Сахарный диабет 2 типа стал одним из наиболее распространённых хронических заболеваний в мире. Во многих случаев к моменту первичной диагностики у людей уже имеются одно или несколько сопутствующих состояний, особенно заболевания сердца и сосудов или гипертония. В совокупности эти проблемы — кардиометаболическая мультиморбидность — значительно повышают риск инфаркта, инсульта и преждевременной смерти и более чем удваивают затраты на медицинскую помощь. Текущие рекомендации советуют регулярно оценивать сердечный риск у людей с диабетом, но в клиниках часто не хватает простых и точных инструментов, которые охватывали бы всю картину множественных заболеваний сразу.

Преобразование повседневных клинических данных в прогноз риска

Исследователи собрали данные 1 153 взрослых пациентов с сахарным диабетом 2 типа, лечившихся в двух крупных больницах провинции Шаньси, Китай. После применения медицинских критериев включения и исключения и аккуратной работы с пропущенными значениями в итоговую выборку вошли 793 пациента для построения модели и ещё 360 — для независимого тестирования. У каждого пациента фиксировали базовые сведения, такие как возраст и длительность диабета, а также стандартные лабораторные показатели: долгосрочный гликозилированный гемоглобин (HbA1c), постпрандиальные уровни сахара, печёночные ферменты, маркёры функции почек и характерную по данным сканирования меру висцерального (глубокого брюшного) жира. Кардиометаболическая мультиморбидность определялась как наличие диабета плюс хотя бы одно из следующих состояний: ишемическая болезнь сердца, инсульт или гипертония.

Обучение «умной» модели и раскрытие «чёрного ящика»

Для прогнозирования наличия кардиометаболической мультиморбидности команда протестировала несколько подходов машинного обучения — программ, которые выявляют закономерности в данных. Сначала использовали метод рекурсивного устранения признаков, чтобы сократить десятки измерений до девяти наиболее информативных: постпрандиальная глюкоза, HbA1c, возраст, висцеральный жир, количество тромбоцитов, показатель инсулинорезистентности, соотношение печёночных ферментов (AST/ALT), продолжительность диабета в годах и наличие подкожных инъекций инсулина. Затем сравнили шесть алгоритмов и обнаружили, что модель «Stacking» — ансамбль, объединяющий сильные стороны нескольких методов — дала самые надёжные результаты. При внутреннем тестировании она разделяла пациентов на группы высокого и низкого риска с площадью под кривой (AUC) 0,868, а при независимом тестировании в другой больнице показала AUC 0,822.

Какие факторы имеют наибольшее значение для риска

Поскольку сложные модели трудно доверять, если они непрозрачны, команда применила два инструмента объяснения — SHAP и LIME — которые показывают, как каждый входной параметр повышает или понижает риск пациента. В масштабах всей когорты особенно важными оказались три фактора: HbA1c, возраст и использование инсулиновых инъекций. Более высокий HbA1c и старший возраст однозначно увеличивали риск, как и повышенная постпрандиальная глюкоза, большее количество висцерального жира и более высокий показатель инсулинорезистентности. Количество тромбоцитов и соотношение AST/ALT также вносили вклад, отражая склонность к тромбообразованию и возможную нагрузку на сердце и печень. Объяснения на уровне отдельных пациентов показали, например, как у человека средних лет с длительным диабетом, большим количеством брюшного жира и очень высоким HbA1c прогнозируемый риск мог приближаться к 90%, тогда как у пациента с лучше контролируемым сахаром и меньшим висцеральным жиром риск был бы значительно ниже даже при схожем возрасте.

Веб-инструмент для практических решений — и его ограничения

Чтобы сделать исследование прикладным, авторы создали бесплатное веб-приложение, где клиницист может ввести девять выбранных показателей и мгновенно получить персонализированную оценку риска вместе с наглядным объяснением, какие факторы её формируют. Система спроектирована так, чтобы не хранить данные пациентов и в настоящее время предназначена в качестве вспомогательного средства для образования и исследований, а не как автономный диагностический прибор. У исследования есть ограничения: использовались ретроспективные записи из двух больниц одного региона Китая, и показатели сняты в одну точку времени. Авторы подчёркивают, что прежде чем считать инструмент универсальным, требуются более крупные долгосрочные исследования на более разнообразных популяциях.

Что это значит для людей с диабетом 2 типа

Проще говоря, эта работа показывает, что общие тесты, которые уже проводят в диабетических клиниках — в первую очередь долгосрочный гликозированный гемоглобин, постпрандиальная глюкоза, измерения висцерального жира и длительность заболевания — можно объединить в прозрачный «умный» алгоритм, чтобы выделить тех, кто с наибольшей вероятностью разовьёт серьёзные сердечно-сосудистые и гипертонические осложнения. В сочетании с клиническим суждением такие инструменты могут помочь направить интенсивные изменения образа жизни и лечение тем, кто в них наиболее нуждается, потенциально предотвращая инфаркты и инсульты и улучшая качество жизни людей с диабетом 2 типа.

Цитирование: Liu, X., Li, C., Huo, X. et al. An online interpretable machine learning model for predicting cardiometabolic multimorbidity risk in patients with type 2 diabetes mellitus. Sci Rep 16, 5877 (2026). https://doi.org/10.1038/s41598-026-36923-2

Ключевые слова: сахарный диабет 2 типа, риск сердечных заболеваний, машинное обучение в медицине, мультиморбидность, инструменты прогнозирования риска