Прогноз скорости изменения показателя СОЧ (eGFR) и прогноза почечной функции у пациентов с хронической болезнью почек

Почему это важно для повседневного здоровья

Хроническая болезнь почек часто годами протекает бессимптомно, но при этом может привести к сердечным проблемам, необходимости диализа и даже смерти. Семейные врачи видят большинство пациентов задолго до того, как те попадут к нефрологу, однако у них мало простых инструментов, позволяющих заглянуть в будущее и определить, чья почечная функция будет быстро ухудшаться. В этом исследовании из Японии представлен инструмент на основе машинного обучения, который использует рутинные данные клиники с одного визита для прогнозирования скорости снижения функции почек в ближайшие годы, помогая врачам действовать раньше и увереннее.

Почки под тихой нагрузкой

Хроническая болезнь почек затрагивает десятки миллионов взрослых только в Японии и тесно связана с сердечными заболеваниями и преждевременной смертностью во всем мире. Поскольку пациентов гораздо больше, чем нефрологов, большинство людей с легким и умеренным поражением наблюдаются у врачей первичной помощи. Эти врачи ориентируются на лабораторный тест — рассчитанную скорость клубочковой фильтрации (eGFR), который отражает, насколько хорошо почки фильтруют отходы. До сих пор большинство инструментов риска оценивали, достигнет ли пациент в конечном итоге почечной недостаточности — отдаленного исхода. Авторы утверждают, что темп изменения eGFR со временем — «наклон» eGFR — более практичная мера для повседневной помощи, поскольку она фиксирует скорость снижения, а не единичное «да/нет» событие.

Преобразование рутинных данных клиники в машину времени

Команда использовала J-CKD-DB-Ex, крупнейшую в Японии базу электронных историй болезни, посвящённую почечным заболеваниям, содержащую данные примерно о 250 000 пациентов из 15 университетских больниц. Из этой выборки они отобрали 10 474 взрослого с хронической болезнью почек, наблюдавшихся в амбулаторных условиях и имевших как минимум четыре измерения eGFR, распределённые за несколько лет. Для каждого человека были собраны базовые данные, которые может получить любая клиника: возраст, пол, показатели крови такие как креатинин, альбумин, натрий и калий, результаты анализа мочи на белок, распространённые диагнозы (например, сахарный диабет и гипертония) и информация о назначении препаратов, защищающих почки. На основе значений eGFR за три года они рассчитали истинный наклон eGFR для каждого пациента — скорость ежегодного повышения или снижения почечной функции.

Испытание машинного обучения

Исследователи сравнили три подхода к прогнозированию наклона eGFR для каждого пациента. Традиционный метод просто экстраполировал прошлые показания eGFR в будущее с помощью линейной статистики. Два современных метода машинного обучения — LightGBM (вид бустинга решающих деревьев) и LSTM (нейросеть, ориентированная на последовательности) — вместо этого выявляли закономерности, связывающие информацию с одного визита с последующим снижением функции почек. Данные были разделены на часть для обучения моделей и часть, не использовавшуюся при обучении, для проверки качества работы. Точность оценивали по тому, насколько предсказанные наклоны совпадали с реальными, в среднем по ошибке. Простой статистический метод дал крупную погрешность, тогда как обе модели машинного обучения показали значительно большую точность, и наилучшие результаты продемонстрировал LightGBM.

Насколько «достаточно точно» для реальных пациентов?

Практически модель LightGBM в среднем ошибалась примерно на 3 единицы в год при оценке скорости изменения почечной функции, по сравнению с более чем 15 единицами у простого метода. За три года это примерно соответствует типичной неопределённости в 9 единиц в прогнозируемой функции почек, и для большинства пациентов ошибка оставалась примерно в пределах 20 единиц. Хотя это не идеально, такой уровень точности достаточно точен, чтобы помочь принять решение об усилении лечения или направить пациента к нефрологу. Важно, что модель работает даже если доступна только одно значение eGFR и стандартная лабораторно-клиническая информация — обычная ситуация в первичной помощи, где регулярное длительное тестирование может быть нерегулярным.

От сложного кода к простому экрану в клинике

Чтобы сделать инструмент пригодным вне исследовательских центров, команда упаковала наилучшую модель в веб-приложение. Врач может ввести возраст пациента, пол, результаты анализов и ключевые диагнозы, и инструмент мгновенно строит прогнозную линию функции почек на ближайшие три года. Такая визуализация превращает абстрактные числа в понятную картину: стабильна ли функция, медленно снижается или стремительно ухудшается. Подсвечивая пациентов с риском быстрого ухудшения, система стимулирует более раннее консультирование по образу жизни, коррекцию медикаментозной терапии и своевременное направление к специалистам, одновременно помогая успокоить пациентов с более благоприятным прогнозом.

Что это означает для людей с болезнью почек

Это исследование показывает, что тщательно обученная модель машинного обучения может выступать как краткосрочный прогноз состояния почек, используя только информацию, которую большинство клиник уже собирает. Хотя инструмент не заменяет медицинскую оценку и нуждается в проверке на более разнообразных группах пациентов, он даёт возможность врачам первичного звена выявлять пациентов с высоким риском за годы до кризиса. Для людей с хронической болезнью почек такое раннее предупреждение может дать больше времени, чтобы замедлить повреждение, избежать или отсрочить диализ и сохранить лучшее качество жизни в целом.

Цитирование: Nagasu, H., Nakashima, T., Ihara, K. et al. Prediction of estimated glomerular filtration rate slope and kidney prognosis of patients with chronic kidney disease. Sci Rep 16, 8883 (2026). https://doi.org/10.1038/s41598-026-38246-8

Ключевые слова: хроническая болезнь почек, прогноз функции почек, машинное обучение в медицине, инструменты первичной медицинской помощи, наклон eGFR