Разработка и валидация моделей машинного обучения для диагностики риска гепатоцеллюлярной карциномы и прогноза выживаемости у пациентов с диабетическим циррозом

Почему это исследование важно для людей с диабетом и заболеваниями печени

Люди, страдающие одновременно диабетом и выраженным рубцеванием печени (циррозом), сталкиваются с двойной угрозой: у них значительно выше вероятность развития рака печени и смерти от ряда серьёзных осложнений. В то же время у врачей пока нет инструментов, адаптированных под эту группу высокого риска, которые надёжно показывали бы, кто именно наиболее склонен к развитию рака печени и кто находится в наибольшей опасности смерти. В этом исследовании показано, как рутинные анализы крови и современные вычислительные методы можно объединить в практичные таблицы, позволяющие врачам оценивать риск рака и прогноз выживаемости у этих уязвимых пациентов.

Взаимосвязанные болезни, усиливающие друг друга

Диабет и цирроз взаимно усугубляют друг друга. Диабет способствует накоплению жира и воспалению в печени, что может прогрессировать в цирроз; цирроз, в свою очередь, облегчает появление или ухудшение диабета. Когда эти два состояния сочетаются, вероятность развития гепатоцеллюлярной карциномы — наиболее распространённой формы первичного рака печени — значительно возрастает. Одновременно такие пациенты подвержены высокому риску смерти от сердечно‑сосудистых заболеваний, инфекций, печёночной недостаточности и других осложнений. Поскольку ресурсы для интенсивного скрининга ограничены, клиницистам нужны простые способы выделить пациентов с диабетическим циррозом, которым срочно требуется пристальное наблюдение на предмет рака и активное лечение сопутствующих заболеваний.

Использование данных и алгоритмов для выявления скрытых закономерностей

Команда исследователей собрала подробную клиническую информацию о 307 пациентах с сахарным диабетом 2 типа и циррозом, лечившихся в больнице в провинции Цзянсу, Китай, и наблюдала их в среднем почти четыре года. Они проанализировали 59 различных показателей, в основном из стандартных анализов крови, и применили восемь подходов машинного обучения, чтобы выяснить, какие сочетания факторов лучше всего отличают пациентов, у которых впоследствии развился рак печени. Выделилась модель на основе градиентного бустинга на решающих деревьях, которая с очень высокой точностью разделяла пациентов на группы высокого и низкого риска. Наиболее информативные признаки дали небольшой набор показателей крови, отражающих повреждение печени, её синтетическую функцию и баланс соли, а также пол пациента.

От сложных моделей к удобным для врача шкалам риска

Поскольку технически сложные компьютерные модели трудно применять в повседневной клинике, авторы свели свои результаты в простой номограмме — графической шкале, по которой врач может отметить значения пациента по шести рутинным показателям (пол, два фермента печени, два пигмента, связанные с желчью, и натрий в крови) и получить оценку вероятности, что у пациента уже есть или в ближайшее время разовьётся рак печени. Эта шкала превзошла любой отдельный анализ крови, а её точность оставалась стабильной при внутренних проверках и в отдельной когорте пациентов с циррозом в другой больнице. Важно, что инструмент работал достаточно хорошо независимо от того, была ли основная болезнь печени связана с вирусным гепатитом B, гепатитом C или не‑вирусными причинами, что указывает на широкую применимость.

За пределами рака: общий прогноз выживаемости

Исследование не ограничилось оценкой риска рака. Авторы также выясняли, какие факторы лучше всего прогнозируют продолжительность жизни пациентов с диабетическим циррозом. С помощью методов анализа выживаемости они обнаружили, что четыре признака — наличие гепатоцеллюлярной карциномы, более старший возраст, низкий уровень холинестеразы (фермента печени) и высокий уровень лактатдегидрогеназы, маркера тканевого стресса — независимо ассоциированы с худшей выживаемостью. Совместив эти признаки с полом, они создали вторую номограмму, оценивающую вероятность того, что пациент будет жив через один, три и пять лет. Этот инструмент также хорошо проявил себя при внутренних и внешних проверках, что говорит о его пользе для врачей и семей при взвешивании лечебных вариантов и планировании наблюдения.

Выявление причин смертей у пациентов

Поскольку пациенты с диабетическим циррозом могут умирать по разным причинам, исследователи построили дополнительные модели, которые разделяли смерти, вызванные раком печени, смерти от печёночной недостаточности и связанных с ней осложнений, и смерти, обусловленные в основном диабетом и его системными эффектами. Они выяснили, что в течение многих лет гораздо больше пациентов умирало от причин, не связанных с раком, чем от самой карциномы печени. Определённые паттерны в анализах крови, такие как изменения функции почек, уровень сахара в крови и соотношение, связанное с воспалением, связывающее лейкоциты и «хороший» холестерин, помогали выявить, кто с наибольшей вероятностью умрёт от каждой из этих групп причин. Эти результаты подчёркивают, что хотя наблюдение за раком крайне важно, контроль метаболических и сердечно‑сосудистых проблем не менее важен для улучшения выживаемости.

Что это значит для пациентов и клиницистов

Проще говоря, эта работа показывает, что информация, уже скрытая в обычных анализах крови, может быть преобразована в удобные графические шкалы, помогающие врачам оценивать риск рака печени и общий прогноз у людей с одновременным диабетом и циррозом. Модели показывают, что лишь часть пациентов нуждается в самом интенсивном контроле на предмет рака, и что многие смерти можно было бы предотвратить за счёт активного лечения диабета, высокого уровня сахара и других осложнений наряду с лечением болезни печени. Хотя эти инструменты требуют дальнейшего тестирования на более крупных и разнообразных популяциях прежде, чем их использовать повсеместно, они указывают на будущее, в котором более умное применение рутинных данных помогает персонализировать уход за одной из наиболее тяжёлых и сложных групп пациентов.

Цитирование: 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

Ключевые слова: гепатоцеллюлярная карцинома, диабетический цирроз, машинное обучение, риск рака печени, прогностические модели