Tip 2 diyabet hastalarında kardiyometabolik multimorbidite riskini tahmin etmek için çevrimiçi yorumlanabilir bir makine öğrenmesi modeli

Bu, diyabetli kişiler için neden önemli

Tip 2 diyabetle yaşayan birçok kişi yalnızca tek bir sağlık sorunu yaşamaz—aynı zamanda kalp hastalığı, inme veya yüksek tansiyonla da karşılaşırlar. Kardiyometabolik multimorbidite adı verilen bu birleşim, erken ölüm ve maliyetli hastane bakım olasılığını büyük ölçüde artırır. Bu makalenin temelini oluşturan çalışma, doktorların rutin test sonuçlarını kullanarak bir bireyin bu ciddi komplikasyonları erken dönemde geliştirme riskini tahmin etmelerine yardımcı olan, kullanımı kolay çevrimiçi bir araç sunar ve riski hangi faktörlerin artırdığını anlaşılır bir dille açıklar.

Diyabet ve onun gizli eşlikçileri

Tip 2 diyabet, dünya çapında en yaygın kronik hastalıklardan biri haline geldi. Birçok kişi ilk tanı aldığında zaten biri veya daha fazla ek duruma sahip oluyor; özellikle kalp ve damar hastalıkları veya yüksek tansiyon. Bu sorunlar—toplu olarak kardiyometabolik multimorbidite olarak adlandırılır—kalp krizi, inme ve erken ölüm riskini büyük ölçüde artırır ve sağlık maliyetlerini iki kattan fazla yükseltir. Mevcut kılavuzlar diyabetli kişiler için düzenli kalp riski kontrollerini önerir, ancak kliniklerde birden çok durumu aynı anda kapsamlı biçimde yakalayan basit ve doğru araçlar genellikle eksiktir.

Günlük klinik verileri bir risk tahminine dönüştürmek

Araştırmacılar Çin’in Shanxi Eyaleti’nde iki büyük hastanede tedavi gören 1.153 yetişkin tip 2 diyabet hastasından bilgi topladı. Tıbbi dahil etme ve hariç tutma kurallarını uygulayıp eksik değerleri dikkatle ele aldıktan sonra modeli oluşturmak için 793 hasta ve bağımsız test için 360 hasta kaldı. Her hastadan yaş ve diyabet süresi gibi temel bilgiler ile uzun süreli kan şekeri (HbA1c), yemekten sonra kan şekeri, karaciğer enzimleri, böbrek göstergeleri ve görüntüleme ile ölçülen karın içi yağ gibi yaygın kan testleri toplandı. Kardiyometabolik multimorbidite, diyabete ek olarak aşağıdakilerden en az birine sahip olmak şeklinde tanımlandı: damar tıkanıklığına bağlı kalp hastalığı, inme veya yüksek tansiyon.

Akıllı bir modeli eğitmek ve sonra “kara kutuyu” açmak

Kardiyometabolik multimorbiditesi olanları tahmin etmek için ekip, verilerden desen öğrenen birkaç makine öğrenmesi yaklaşımını test etti. Önce çok sayıda ölçümü dokuz özellikle bilgilendirici ölçüme indirmek için özyinelemeli özellik eleme (recursive feature elimination) yöntemi kullanıldı: yemekten sonra kan şekeri, HbA1c, yaş, viseral (derin karın) yağ, platelet sayısı, bir insülin direnci skoru, iki karaciğer enziminin oranı (AST/ALT), diyabetle geçen yıl sayısı ve kişinin cilt altına enjeksiyonla insülin kullanıp kullanmadığı. Ardından altı farklı algoritma karşılaştırıldı ve birden fazla yöntemin güçlü yönlerini birleştiren “Stacking” modeli en güvenilir sonuçları verdi. İç testlerde yüksek ve düşük riskli hastaları eğri altındaki alan (AUC) değeriyle 0,868 ile doğru şekilde ayırdı; bağımsız bir hastanede yapılan testte AUC hâlâ iyi düzeyde, 0,822 olarak gerçekleşti.

Risk için en önemli faktörler hangileri

Karmaşık modeller opak olduğunda güven oluşturmak zor olabileceği için ekip, her girdinin bir kişinin riskini nasıl yukarı veya aşağı ittiğini gösteren SHAP ve LIME adlı iki açıklama aracını kullandı. Tüm grupta üç faktör özellikle öne çıktı: HbA1c, yaş ve kişinin insülin enjeksiyonu kullanıp kullanmadığı. Daha yüksek HbA1c ve daha ileri yaş açıkça riski artırdı; buna ek olarak daha yüksek yemekten sonra kan şekeri, daha fazla viseral yağ ve daha yüksek insülin direnci skoru da riski yükseltti. Platelet sayıları ve AST/ALT oranı da pıhtılaşma eğilimi ve olası kalp–karaciğer yükünü yansıtarak destekleyici roller oynadı. Bireysel hastalar için yapılan açıklamalar, örneğin uzun süredir diyabeti olan, orta yaşlı bir kişinin yüksek karın yağına ve çok yüksek HbA1c’ye sahip olması durumunda tahmini riskinin yaklaşık %90’a yakın olabileceğini; oysa benzer yaşta, şekerleri daha iyi kontrol edilen ve daha az viseral yağa sahip birinin çok daha düşük risk taşıyabileceğini gösterdi.

Gerçek dünya kararları için bir web aracı—ve sınırlamaları

Araştırmayı uygulamaya dönüştürmek için yazarlar, klinisyenin seçilmiş dokuz ölçümü girip anında kişiselleştirilmiş bir risk tahmini ile hangi faktörlerin bunu etkilediğine dair görsel bir açıklama alabildiği ücretsiz bir web uygulaması geliştirdi. Sistem hasta verilerini saklamayacak şekilde tasarlanmıştır ve şu anda bağımsız bir teşhis cihazı yerine eğitim ve araştırma desteği olarak düşünülmektedir. Çalışmanın sınırlılıkları vardır: veriler tek bir bölgedeki iki hastanenin geçmiş kayıtlarından alınmıştır ve ölçümler tek bir zaman noktasında yapılmıştır. Yazarlar, aracın evrensel olarak kabul edilmeden önce daha çeşitli popülasyonlarda daha büyük ve uzun süreli çalışmalara ihtiyaç duyulduğunu vurguluyor.

Tip 2 diyabetli kişiler için bunun anlamı

Günlük açıdan bu çalışma, diyabet kliniklerinde zaten yapılan yaygın testlerin—özellikle uzun süreli kan şekeri, yemekten sonra şeker, karın yağı ölçümleri ve diyabet süresi—şeffaf bir akıllı algoritma tarafından birleştirilerek kimlerin ciddi kalp ve tansiyon ilişkili komplikasyonlar geliştirme olasılığı en yüksek olduğunu işaret edebileceğini gösteriyor. Doktorların yargısıyla birlikte kullanıldığında, bu tür araçlar yoğun yaşam tarzı değişiklikleri ve tedavileri en çok ihtiyaç duyanlara hedeflemeye yardımcı olabilir; bu da kalp krizlerini ve inmeleri önleyebilir ve tip 2 diyabetle yaşayan kişilerin yaşam kalitesini iyileştirebilir.

Atıf: Liu, X., Li, C., Huo, X. et al. An online interpretable machine learning model for predicting cardiometabolic multimorbidity risk in patients with type 2 diabetes mellitus. Sci Rep 16, 5877 (2026). https://doi.org/10.1038/s41598-026-36923-2

Anahtar kelimeler: tip 2 diyabet, kalp hastalığı riski, tıpta makine öğrenmesi, multimorbidite, risk tahmin araçları