Tidig riskstratifiering av akut njurskada hos patienter med akut hjärtinfarkt och diabetes med hjälp av maskininlärning

Varför detta är viktigt för patienter och familjer

En hjärtinfarkt och diabetes är redan skrämmande var för sig, men tillsammans ökar de risken kraftigt för att njurarna plötsligt kan svikta under en sjukhusvistelse. Denna studie ställer en mycket praktisk fråga: kan vi använda information som läkare redan samlar in under det första dygnet på sjukhuset för att upptäcka vilka patienter som sannolikt kommer att utveckla mild, måttlig eller svår njurskada, innan den fullt ut utvecklats? Genom att göra det hoppas teamet ge vårdgivare mer tid att skydda njurarna och möjligen förbättra överlevnaden.

Hjärtat, blodsocker och njurar i en ömtålig balans

När någon med diabetes drabbas av en hjärtinfarkt utsätts njurarna för särskild påfrestning. Långvarigt högt blodsocker kan skada de minsta blodkärlen och minska njurarnas reserv. En hjärtinfarkt kan i sin tur sänka blodflödet och syretillförseln till dessa redan sårbara organ. Resultatet blir akut njurskada, ett plötsligt fall i njurfunktionen som kopplas till längre sjukhusvistelser, högre kostnader och fler dödsfall. Tyvärr upptäcks njurskadan ofta först efter att ett blodprov, kreatinin, redan har stigit — vid det laget kan en del skada vara svår att återställa.

Att omvandla rutindata till tidiga varningar

Forskarna använde tre stora sjukhusdatabaser från USA och Kina, som täcker 4 908 patienter som haft både hjärtinfarkt och diabetes. Enbart med information från de första 24 timmarna efter inläggning — såsom ålder, blodtryck, blodvärden, njurrelaterade laboratorietester, urinmängd och sjukdomens svårighetsgrad — tränade de en serie beräkningsmodeller för att uppskatta sannolikheten att varje patient senare under vistelsen skulle utveckla olika grader av njurskada. De jämförde tio vanliga maskininlärningsmetoder, från enkel logistisk regression till mer avancerade träd-baserade metoder som LightGBM och XGBoost, och testade dessa modeller noggrant på separata sjukhusgrupper för att se hur väl de generaliserade.

Hur väl modellerna presterade

Bland nästan fem tusen patienter utvecklade nästan fyra av tio någon grad av njurskada. Flera modeller visade goda resultat, men två utmärkte sig. LightGBM var bäst på att förutsäga om patienter skulle utveckla minst mild eller minst måttlig njurskada, medan XGBoost var överlägset för det allvarligaste stadiet. På ett externt kinesiskt sjukhus kunde dessa modeller med hög noggrannhet skilja högre risk från lägre risk, mätt med area under kurvan (AUC) runt 0,85–0,88. Beslutsanalys visade att användningen av dessa prediktioner skulle ge större klinisk nytta än att antingen behandla alla som högrisk eller att bortse från risken, över ett brett spann av beslutströsklar som kliniker kan välja.

Vad som driver riskprediktionerna

För att undvika en ren “svart låda” använde teamet en förklaringsmetod kallad SHAP för att visa vilka indata som betydde mest för prediktionerna. Tidiga njurrelaterade mått — såsom högsta kreatininnivå, uppskattad filtrationshastighet och urinmängd — var stora bidragsgivare och speglade både grundläggande sårbarhet och tidig påfrestning på njurarna. Mått på den övergripande sjukdomssvårigheten, blodkemi (inklusive laktat och syra-basbalans), blodtryck och näringstillstånd (till exempel albuminnivåer) spelade också viktiga roller. Viktigt är att alla dessa variabler rutinmässigt samlas in och kan hämtas automatiskt från elektroniska journaler, vilket innebär att modellen kan köras i bakgrunden utan extra arbete för vårdpersonalen vid sängkanten.

Från datorpoäng till vård vid sängkanten

Författarna betonar att deras verktyg är avsett att stödja, inte ersätta, kliniskt omdöme. De byggde ett webbgränssnitt där kliniker kan mata in eller automatiskt importera tidiga sjukhusdata och få individanpassade riskuppskattningar för mild, måttlig och svår njurskada. Hög predikterad risk kan leda till tätare övervakning, mer försiktig användning av kontrastmedel och andra njurpåfrestande behandlingar, eller tidigare konsultation med njurspecialister och övervägande av avancerade terapier. Eftersom sjukhuspraxis och patientpopulationer skiljer sig åt varnar teamet för att varje institution behöver lokalt testa och justera modellen innan man förlitar sig på den. Studien visar ändå att det med befintliga data är möjligt att tidigt identifiera sårbara njurar — och därigenom öppna ett fönster för mer skräddarsydd och snabbare vård.

Citering: 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

Nyckelord: akut njurskada, hjärtinfarkt, diabetes, maskininlärning, riskprediktion