Использование алгоритмов машинного обучения для прогнозирования MACE у пациентов на перитонеальном диализе

Почему это важно для людей на домашнем диализе

Для многих пациентов с почечной недостаточностью перитонеальный диализ предоставляет свободу лечиться дома, а не в клинике. Тем не менее эти пациенты подвержены высокому риску серьёзных сердечно-сосудистых событий, таких как инфаркт или инсульт. В этом исследовании ставится практический вопрос с реальными последствиями: можно ли с помощью современных компьютерных методов на ранней стадии выявить пациентов на перитонеальном диализе, у которых наиболее высока вероятность развития тяжёлых сердечных осложнений, чтобы врачи могли вмешаться до появления катастрофы?

Кого изучали и какие данные собирали

Исследователи провели ретроспективный анализ медицинских карт 1006 взрослых пациентов, начавших перитонеальный диализ в двух больницах Китая в период с 2010 по 2016 год. Все пациенты получали диализ не менее трёх месяцев. При начале диализа команда собрала 86 показателей для каждого человека, включая возраст, сопутствующие заболевания (например, диабет или сердечную недостаточность), артериальное давление, лабораторные тесты, результаты эхокардиографии и назначенные препараты. Затем всех наблюдали в течение примерно десяти лет, чтобы зафиксировать наличие крупных сердечно-сосудистых или цереброваскулярных событий — группу проблем, которую авторы называют «MACE», включая инфаркт миокарда, выраженную стенокардию, инсульт, остановку сердца, госпитализации из‑за сердечной недостаточности или опасных аритмий и смерть по любой причине.

Более точный прогноз с помощью машинного обучения

Вместо опоры только на традиционные статистические методы команда использовала три подхода машинного обучения, способные выявлять сложные закономерности в больших наборах данных: Random Forest, XGBoost и AdaBoost. Данные разделили на наборы для обучения моделей, тестирования и последующей проверки на пациентах из другой больницы. Целью было оценить, как хорошо каждая модель предсказывает, кто перенесёт крупное событие в любой момент наблюдения, в первый год и в первые пять лет после начала перитонеального диализа. Качество модели оценивали по стандартной метрике — площади под кривой (AUC), где значение ближе к 1.0 означает лучшее отличение пациентов с высоким риском от низкого.

Чему модели научились о факторах риска

В течение всего периода наблюдения 409 из 606 пациентов основной обучающей группы перенесли крупное событие. Для прогнозирования таких событий метод Random Forest показал наилучшие результаты, с AUC около 0,80, то есть он в большинстве случаев корректно различал пациентов с более высоким и более низким риском. В долгосрочной перспективе наиболее влиятельными факторами оказались уровни паратиреоидного гормона — маркера, связанного со здоровьем костей и сосудов, анамнез застойной сердечной недостаточности и возраст. При ограничении анализа событиями в первый год пострадали лишь 114 пациентов, и здесь лидером стал XGBoost с AUC 0,86; важными предикторами были «защитный» холестерин (HDL), возраст и уровень кальция в крови. Для пятилетнего горизонта снова лучше справился Random Forest, а в числе ведущих факторов выделились возраст, уровень креатинина в крови и оценённая скорость клубочковой фильтрации — показатели оставшейся функции почек и адекватности диализа.

Проверка надёжности и реальной работоспособности

Чтобы убедиться, что результаты не случайны, авторы сопоставили свои модели машинного обучения с более привычным методом анализа времени до события — регрессией Кокса — и протестировали модели на отдельной когорте из 400 пациентов другой больницы. Ключевые факторы риска, выделенные новыми методами, в целом совпадали с найденными традиционным анализом, но модели машинного обучения в целом лучше ранжировали пациентов по риску. В внешней когорте основная модель по‑прежнему показывала удовлетворительную работу, корректно классифицируя исходы примерно у семи из десяти пациентов. Исследование также подчёркивает значимость других взаимосвязанных факторов — суммарной нагрузки заболеваний, массы тела, липидного профиля, альбумина (маркер питания), объёма мочи и артериального давления — которые вместе формируют сердечный риск у этой уязвимой популяции.

Что это значит для пациентов и команд по уходу

Авторы делают вывод, что при аккуратной разработке инструменты машинного обучения могут помочь врачам уже в начале перитонеального диализа оценить, какие пациенты имеют особенно высокий риск серьёзных сердечно-сосудистых событий в последующие годы. Возраст постоянно оказывался значимым, но важную роль играли также факторы, связанные с минерализованным обменом, липидами, адекватностью диализа и общим состоянием здоровья — многие из этих показателей можно контролировать и лечить. Несмотря на ретроспективный дизайн исследования и необходимость подтверждения в будущих проспективных работах, результаты указывают на перспективу, в которой уход за пациентами на домашнем диализе будет поддерживаться «фоновой» работой алгоритмов, ранжирующих риск и дающих возможность целенаправленных вмешательств для продления жизни и сокращения госпитализаций.

Цитирование: 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

Ключевые слова: перитонеальный диализ, сердечно-сосудистый риск, машинное обучение, почечная недостаточность, прогнозирование риска