Модель машинного обучения для оптимизации лечения пациентов с плохо контролируемым сахарным диабетом 2-го типа

Почему это важно для людей с диабетом

Для многих людей с сахарным диабетом 2-го типа контроль уровня глюкозы — ежедневная проблема, а у врачей ныне есть несколько мощных препаратов, которые дополнительно защищают сердце и почки. Два из наиболее широко применяемых новых препаратов действуют очень по-разному, но нынешние рекомендации мало помогают решить, какое лекарство лучше для конкретного пациента. В этом исследовании представлен основанный на данных инструмент принятия решений, призванный сочетать отдельного пациента с препаратом, который с большей вероятностью улучшит его долгосрочный контроль гликемии.

Два современных лекарства — один трудный выбор

Исследование сосредоточено на двух группах препаратов: одна помогает почкам выводить больше сахара с мочой, другая усиливает действие природных гормональных сигналов, помогая организму высвобождать инсулин и быстрее насыщаться после еды. Оба показали способность снижать уровень сахара в крови и уменьшать риск сердечно‑сосудистых и почечных осложнений. В повседневной практике врачи нередко опираются на опыт или привычку при выборе между ними, потому что было мало прямых сравнений на реальных пациентах и мало указаний о том, как персональные факторы — вес, продолжительность болезни или функция почек — должны влиять на выбор.

Преобразование реальных записей в умный балл

Чтобы решить эту задачу, авторы использовали медицинские записи более 24 000 взрослых в Китае с плохо контролируемым диабетом 2-го типа, начавших один из двух препаратов. Они применили метод машинного обучения, объединяющий множество небольших деревьев решений, чтобы выявлять закономерности, связывающие исходные характеристики каждого человека с уровнем сахара через шесть и двенадцать месяцев. Включили пятнадцать рутинных клинических признаков: возраст, годы с момента диагноза, индекс массы тела, исходные показатели гликемии, функция почек, уровни печёночных ферментов, липиды крови и приём других сахароснижающих таблеток. Команда построила отдельные модели для каждого препарата и для каждого временного интервала, оценивая как вероятность достижения общепринятой цели по сахару, так и точечный прогноз долгосрочного уровня гликемии.

Простой инструмент, чтобы предложить лучший вариант

Из этих моделей исследователи создали «балл решения», сравнивающий ожидаемую эффективность каждого препарата для конкретного пациента. Балл объединяет два показателя: вероятность достижения цели по гликемии и предсказанное долгосрочное значение сахара, при этом более строго штрафуются прогнозы, остающиеся явно слишком высокими. Если балл достаточно благоприятствует одному из препаратов, инструмент рекомендует этот вариант; если прогнозируемая польза схожа, он остаётся нейтральным, позволяя врачу и пациенту совместно принять решение. Инструмент адаптирован к частоте визитов: версия на шесть месяцев для тех, кто приходит на более регулярные проверки, и версия на двенадцать месяцев для тех, кого наблюдают реже.

Кому какое лечение подходит больше

При тестировании в независимой когорте почти из 1 500 пациентов балл хорошо предсказал исходы. В целом он рекомендовал гормональный препарат примерно вдвое чаще, чем препарат, нацеленный на почки. На шестимесячном этапе к варианту с гормональным действием чаще направляли пациентов с большим весом, повышенными уровнями печёночных ферментов и холестерина, более выраженными признаками сохранённого производства инсулина и более короткой историей диабета. К двенадцати месяцам более важную роль в пользу этого препарата сыграли более высокий исходный уровень глюкозы и больший индекс массы тела. Показатели функции почек особенно влияли на рекомендацию в пользу почечно‑ориентированного препарата, тогда как маркер продукции инсулина особенно влиял на выбор гормонального лечения.

Лучшие результаты при следовании инструменту

Важно, что люди, чьи фактические назначения совпадали с рекомендацией инструмента, достигали лучшего долгосрочного контроля гликемии, чем те, чьё лечение шло вразрез с ним. Это преимущество было наиболее заметно у молодых взрослых моложе 55 лет и у мужчин, что указывает на то, что тщательное сопоставление выбора лекарства с персональными характеристиками может дать значимую пользу, особенно на ранних этапах болезни. Исследователи также проверили варианты своей модели с добавлением пола, уровня образования, дохода и конкретных брендов препаратов и обнаружили, что эти дополнения не улучшали существенно качество прогноза, подчёркивая, что широко доступные клинические показатели уже несут сильную предиктивную информацию.

Что это значит для обычной практики

Для неспециалиста основной вывод прост: изучив данные десятков тысяч реальных пациентов, инструмент TiP DecScore может оценить, какой из двух современных препаратов для диабета с большей вероятностью приведёт конкретного человека к контролю уровня глюкозы в течение следующего года. Он использует информацию, которую врачи уже собирают на обычных приёмах. Хотя это не заменяет медицинскую оценку и не учитывает все возможные соображения, его применение в реальной практике было связано с лучшими результатами. Таким образом, это шаг к более персонализированным, основанным на фактах выбору лечения, который может улучшить качество жизни и снизить риск осложнений у людей с диабетом 2-го типа.

Цитирование: Shi, J., Liu, C., Hu, J. et al. A machine learning model for optimizing treatment of patients with poorly controlled type 2 diabetes. Commun Med 6, 165 (2026). https://doi.org/10.1038/s43856-026-01442-8

Ключевые слова: сахарный диабет 2 типа, персонализированное лечение, машинное обучение в медицине, агонисты рецептора GLP-1, ингибиторы SGLT2