Прогнозирование риска прогрессирования хронической болезни почек при сахарном диабете 2-го типа в разных популяциях

Почему это важно для людей с диабетом

У многих людей с сахарным диабетом 2-го типа со временем развиваются проблемы с почками, что иногда приводит к диализу или трансплантации. Однако для каждого отдельного пациента врачам трудно предсказать, у кого функция почек быстро ухудшится, а у кого останется стабильной в течение многих лет. Это исследование показывает, как можно объединить длительные медицинские записи и современные компьютерные методы, чтобы прогнозировать почечные проблемы за годы до их развития, давая пациентам и клиницистам больше времени для вмешательства.

Наблюдение за тысячами пациентов в течение многих лет

Исследователи использовали электронные медицинские записи системы общественного здравоохранения Гонконга, которая обслуживает большую часть местного населения. Они сосредоточились на более чем 220 000 взрослых с сахарным диабетом 2-го типа, у которых в период с 2003 по 2019 год неоднократно измеряли показатели почек, и затем выделили тех, у кого на старте заболевание находилось на ранних, менее рискованных стадиях. В течение 17 лет они отслеживали, у кого болезнь прогрессировала до более тяжёлых стадий хронической болезни почек, а у кого оставалась стабильной. Чтобы отразить реальную практику оказания помощи, были построены отдельные модели прогнозирования на два, пять и десять лет вперед.

Обучение компьютеров чтению медицинской истории

Вместо использования лишь нескольких простых факторов риска команда обучила модели глубокого обучения — гибкие компьютерные системы, способные выявлять закономерности в большом объёме данных одновременно. Модели принимали разнородные 21 регулярно собираемый показатель, включая возраст, пол, размеры тела, липиды крови, контроль сахара, почечные биохимические тесты, артериальное давление, анамнез курения и записи о ключевых медикаментах, таких как антигипертензивные препараты и инсулин. Для ситуаций с меньшим объёмом анализов был также создан упрощённый вариант, использующий 15 наиболее часто измеряемых показателей. Модели обучали на 80% данных и проверяли на оставшихся 20%, применяя специальные методы для заполнения пропусков и защиты от переобучения.

Насколько точны были предсказания

Во всех временных горизонтах модели глубокого обучения показали большую точность по сравнению с традиционными статистическими инструментами и другими методами машинного обучения. Для пациентов в Гонконге полная модель правильно ранжировала будущий риск поражения почек с площадью под ROC-кривой примерно 87% на двухлетнем горизонте, 85% на пятилетнем и 85% на десятилетнем, то есть обычно могла определить, у кого ухудшение произойдёт раньше. Упрощённая модель уступала лишь немного. Когда те же модели применяли к двум независимым когортым исследованиям — UK Biobank и China Health and Retirement Longitudinal Study — они по-прежнему работали достаточно хорошо, несмотря на то что во многих из этих наборов данных отсутствовали подробные лабораторные или рецептурные записи. Это указывает на возможность переноса подхода в разные страны и системы здравоохранения.

Что определяет риск и как результаты могут помочь в лечении

Чтобы сделать прогнозы понятными для клиницистов, команда использовала метод анализа, показывающий вклад каждого фактора в решения модели. Сильнейшими сигналами оказались уровень креатинина в крови (маркер фильтрационной функции почек), пол, возраст, артериальное давление, долгосрочный контроль сахара и недавнее применение препаратов, влияющих на почки и кровяное давление. Результаты модели в виде рисковых баллов затем использовали в стандартных инструментах выживаемости для построения кривых, показывающих, как быстро люди с низким, средним или высоким предсказанным риском склонны к прогрессированию. В каждой группе пациенты с более высоким предсказанным риском переходили на более тяжёлые стадии почечной болезни быстрее и имели более короткое «время выживаемости» с точки зрения почечного здоровья, что подтверждает клиническое значение этих баллов. Важно, что в целом производительность была схожей у мужчин и женщин, хотя в одной внешней когорте отмечались некоторые отличия в долгосрочных прогнозах.

Что это может значить для повседневного лечения

В сущности, исследование предлагает практический способ превращать рутинные данные клиники в персонализированные прогнозы состояния почек у людей с сахарным диабетом 2-го типа. Врач мог бы ввести возраст пациента, результаты анализов и недавние назначения и получить оцененную вероятность ухудшения почек за следующие несколько лет вместе с визуальной кривой ожидаемого течения заболевания. Пациентов с высоким риском можно направлять на более частое наблюдение, более строгий контроль давления и уровня сахара, а также раньше направлять к нефрологам, тогда как пациенты с низким риском могли бы избежать лишних визитов. Хотя авторы отмечают, что модель не может доказать, какие именно вмешательства предотвращают болезнь, и что требуется дополнительная работа по включению других типов данных и популяций, их подход указывает на будущее, в котором незаметные изменения в лабораторных показателях и шаблонах назначения лекарств переводятся в понятные, применимые предупреждения задолго до начала почечной недостаточности.

Цитирование: Zhao, Y., Lu, S., Lu, J. et al. Risk Prediction of Chronic Kidney Disease Progression in Type 2 Diabetes Mellitus Across Diverse Populations. npj Digit. Med. 9, 250 (2026). https://doi.org/10.1038/s41746-026-02439-2

Ключевые слова: сахарный диабет 2 типа, хроническая болезнь почек, прогнозирование риска, электронные медицинские записи, глубокое обучение