Ранняя стратификация риска тяжести острой почечной недостаточности у пациентов с острым инфарктом миокарда и сахарным диабетом с помощью методов машинного обучения

Почему это важно для пациентов и их семей

Инфаркты и диабет сами по себе пугающи, а в сочетании значительно повышают риск того, что почки внезапно перестанут нормально работать во время госпитализации. В этом исследовании поставлен практический вопрос: можно ли, используя данные, которые врачи обычно собирают в первые сутки после поступления, заранее выявить пациентов с наибольшей вероятностью развития легкой, умеренной или тяжелой почечной травмы, до того как она полностью проявится? Если да, то это даст врачам дополнительное время, чтобы защитить почки и, возможно, улучшить выживаемость.

Сердце, сахар и почки в тонком равновесии

У человека с диабетом, переживающего инфаркт, почки испытывают особую нагрузку. Длительно повышенный уровень глюкозы может повреждать мельчайшие сосуды и снижать резерв почек. В свою очередь инфаркт уменьшает кровоток и доставку кислорода к этим и без того уязвимым органам. В результате развивается острая почечная травма — внезапное снижение функции почек, связанное с более длительной госпитализацией, ростом затрат и повышенной смертностью. К сожалению, почечную травму часто обнаруживают только после роста уровня креатинина в крови, к тому моменту часть повреждений может быть трудно обратить назад.

Преобразование рутинных данных в ранние предупреждения

Исследователи использовали три большие больничные базы данных из США и Китая, охватившие 4 908 пациентов с инфарктом и диабетом. Опираясь только на информацию из первых 24 часов после поступления — такие данные, как возраст, артериальное давление, показатели крови, почечные лабораторные тесты, диурез и баллы тяжести болезни — они обучили ряд компьютерных моделей прогнозировать вероятность того, что у каждого пациента в дальнейшем разовьются различные степени почечной травмы. Были сравнены десять распространённых методов машинного обучения — от простой логистической регрессии до более сложных древовидных алгоритмов, таких как LightGBM и XGBoost — и модели строго тестировали на отдельных группах больниц, чтобы проверить их общую пригодность.

Насколько хорошо работали модели

Из почти пяти тысяч пациентов около четырёх из десяти в дальнейшем развили ту или иную степень почечной травмы. Несколько моделей показали хорошие результаты, но выделились две. LightGBM лучше предсказывала риск развития как минимум лёгкой или как минимум умеренной почечной травмы, тогда как XGBoost оказался эффективнее для самой тяжёлой стадии. В внешней китайской больнице эти модели с высокой точностью отличали пациентов с более высоким риском от пациентов с низким риском — это отражено значениями площади под кривой (AUC) примерно в диапазоне 0,85–0,88. Анализ кривых решений показал, что использование таких предсказаний может приносить большую клиническую пользу, чем либо считать всех пациентов высокорисковыми, либо игнорировать риск, в широком диапазоне порогов принятия решений, которые могут выбирать клиницисты.

Что влияет на прогнозы риска

Чтобы уйти от «чёрного ящика», команда применила метод объяснения SHAP, чтобы показать, какие входные данные вносят наибольший вклад в предсказания. Ранние показатели, связанные с почками — такие как максимальный уровень креатинина, расчётная скорость фильтрации и объём мочи — оказались одними из главных факторов, отражая как исходную уязвимость, так и ранний стресс для почек. Важную роль играли также показатели общей тяжести болезни, показатели крови (включая лактат и кислотно-щелочной баланс), артериальное давление и нутритивный статус (например, уровни альбумина). Важно, что все эти переменные обычно собираются и могут автоматически извлекаться из электронных записей, что позволяет модели работать в фоне без дополнительной нагрузки на персонал у постели пациента.

От компьютерных оценок к клиническим решениям у постели больного

Авторы подчёркивают, что их инструмент предназначен для поддержки, а не замены клинического суждения. Они создали веб-интерфейс, где врачи могут ввести или автоматически импортировать ранние данные госпитализации и получить индивидуальные оценки риска лёгкой, умеренной и тяжёлой почечной травмы. Высокий прогнозируемый риск может побудить к более тщательному наблюдению, более осторожному применению контрастных веществ и других процедур, нагрузочных для почек, либо к более ранним консультациям нефрологов и рассмотрению более продвинутых терапий. Так как практики в больницах и состав пациентов различаются, команда предупреждает, что каждое учреждение должно местно протестировать и при необходимости настроить модель перед её внедрением. Тем не менее исследование показывает: имея под рукой уже собранные данные, можно выявить уязвимость почек на раннем этапе — открывая возможность для более точной и своевременной помощи.

Цитирование: 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

Ключевые слова: острая почечная недостаточность, инфаркт, диабет, машинное обучение, прогнозирование риска