Прогнозирование будущей функции почек при сахарном диабете 2 типа с помощью машинного обучения и исходной информации о состоянии здоровья

Почему это важно для людей с диабетом

Для многих людей с сахарным диабетом 2 типа долгосрочной проблемой является риск постепенной утраты функции почек, что в конечном итоге может привести к необходимости диализа. Врачи могут измерить текущее состояние почек, но гораздо сложнее заранее, на годы вперёд, определить, у кого именно риск наибольший. В этом исследовании изучается, может ли компьютерное распознавание закономерностей, известное как машинное обучение, на основе одного рутинного обследования предсказывать, насколько хорошо будут работать почки человека через многие годы.

Распространённая, но бессимптомная угроза

Диабетическая болезнь почек поражает примерно четырёх из десяти людей с сахарным диабетом 2 типа и является одной из ведущих причин хронической почечной недостаточности в мире. Функцию почек обычно отслеживают с помощью показателя, называемого расчётной скоростью клубочковой фильтрации (eGFR), который отражает эффективность фильтрации крови почками. У некоторых пациентов эта функция быстро ухудшается, у других — медленно или остаётся стабильной в течение многих лет. Поскольку на ранних стадиях обычно нет симптомов, врачам нужны лучшие способы выявлять «быстро прогрессирующих» пациентов на раннем этапе, когда дополнительное наблюдение и лечение всё ещё могут замедлить или предотвратить серьёзное повреждение.

Превращая данные осмотра в кристальный шар

Исследователи наблюдали 974 взрослых с сахарным диабетом 2 типа, лечившихся в трёх больницах Японии, в течение медианы чуть более пяти лет. В начале было собрано 54 показателя, которые рутинно измеряются при визитах по поводу диабета: возраст, артериальное давление, вес, анализы крови, анализы мочи и текущая функция почек. Важно, что они не использовали будущие результаты тестов или специализированные генетические или белковые маркёры — только то, что обычно доступно при первоначальном приёме. Затем они попросили набор компьютерных моделей установить взаимосвязь между этими исходными измерениями и значениями eGFR, отмеченными при ежегодных контрольных визитах вплоть до девяти лет спустя.

Как выступили «умные» модели

Команда сравнила три современные методы машинного обучения — Light Gradient Boosting Machine, Random Forest и Support Vector Machine — с традиционным статистическим подходом, известным как множественная линейная регрессия. Все подходы в целом показали приемлемые результаты, но выделилась машина опорных векторов. Она дала самые точные прогнозы по всему диапазону функции почек, особенно для людей, у которых почки на старте работали очень хорошо. Используя только данные начального осмотра и количество лет в будущем, эта модель сохраняла умеренную точность примерно до шести лет, тогда как прогнозы традиционного метода становились ненадёжными после четырёх лет.

Что лежит в основе прогнозов

Чтобы заглянуть внутрь этих «чёрных ящиков», исследователи использовали инструмент объяснения, который ранжирует, какие исходные признаки были наиболее важны. Как и ожидалось, влиятельными оказались текущие показатели функции почек — сам eGFR и креатинин крови — наряду с возрастом и маркёром повреждения почек в моче. Также важную роль играли липиды крови, маркёры анемии и некоторые печёночные ферменты. В разных подгруппах, например у пожилых людей или у женщин, проявлялись слегка разные закономерности, что говорит о том, что некоторые факторы риска могут иметь большее значение для отдельных категорий пациентов. Даже когда модель упрощали, оставляя только наиболее информативные факторы, её показатели мало менялись, что обнадёживает для будущего применения в реальной клинической практике.

От прогноза к практическим действиям

У работы есть ограничения: в исследовании участвовало сравнительно небольшое число амбулаторных пациентов из Японии, модель ещё не протестирована в других странах или системах здравоохранения, и предполагается, что многие аспекты жизни и лечения пациента со временем остаются похожими. Тем не менее результаты указывают на то, что возможно превратить один обычный визит по поводу диабета в персонализированный прогноз состояния почек на годы вперёд. В будущем такой инструмент можно встроить в электронные медицинские карты, чтобы выделять пациентов с прогнозируемым резким падением функции почек, побуждая к более тщательному наблюдению, ранним направлениям к нефрологам и более своевременному применению защитных терапий. Иными словами, более разумное использование имеющихся данных может дать пациентам и клиницистам ценное преимущество в защите здоровья почек.

Цитирование: Unoki-Kubota, H., Nakajima, K., Shimizu, Y. et al. Predicting future kidney function in type 2 diabetes mellitus using machine learning and baseline health information. Sci Rep 16, 10890 (2026). https://doi.org/10.1038/s41598-026-45500-6

Ключевые слова: диабетическая болезнь почек, сахарный диабет 2 типа, снижение функции почек, прогнозирование с помощью машинного обучения, eGFR