Otozomal dominant polikistik böbrek hastalığı olan hastalarda KOAH evrelerini tahmin etmek için makine öğrenmesi: Japonya’da ulusal kohort çalışması

Günlük sağlık için neden önemli

Böbrek hastalığı genellikle sessizce ilerler ve belirtiler ortaya çıktığında hasarın geri döndürülmesi zor olabilir. Otozomal dominant polikistik böbrek hastalığı (ODPKB) doğuştan gelen ve sıvı dolu keseciklerin normal böbrek dokusunu yavaşça yer değiştirdiği bir durum olan kişiler için böbreklerin ne kadar hızlı işlevini kaybedebileceğini bilmek, önemli yaşam kararlarını etkileyebilir. Bu çalışma, pahalı genetik testlere veya ileri görüntülemelere dayanmadan, rutin sağlık kontrollerinden elde edilen verilerin makine öğrenmesi adı verilen modern bilgisayar teknikleriyle bir kişinin böbrek fonksiyonunun önümüzdeki üç yıl içinde nasıl değişeceğini öngörüp öngöremeyeceğini araştırıyor.

Belirsizlikleri olan yaygın bir hastalık

ODPKB, en sık görülen kalıtsal böbrek bozukluklarından biridir ve kronik böbrek hastalığının (KBH) önde gelen nedenlerinden biridir. Etkilenen birçok kişi sonunda diyaliz veya transplantasyona ihtiyaç duyar, ancak ilerleme hızı büyük ölçüde değişir. Bazıları yavaş ilerler ve ileri yaşlarda makul böbrek fonksiyonunu korur; diğerleri 40’lı veya 50’li yaşlarda böbrek yetmezliğine ulaşabilir. Hekimler, tedavi ve izlemeyi kişiye göre uyarlayabilmek için hastaları erken dönemde risk gruplarına ayırmak ister. Mevcut tahmin araçları genellikle ayrıntılı genetik testlere veya böbreklerin tam manyetik rezonans görüntülerine dayanır; bunlar birçok sağlık sistemi, dahil olmak üzere Japonya’nın ulusal sigorta programında rutin olarak bulunmaz. Bu eksiklik, yazarları gelecekteki KBH evresini değerlendirmek için daha basit, yaygın kullanılabilir bir yol aramaya yönlendirdi.

Ulusal bir kayıt defterini tahmin aracına dönüştürmek

Araştırmacılar, hükümet desteği alan zor tedavi edilen hastalıkları kaydeden ulusal bir Japon kayıt defterinden yararlandı. 2015 ile 2021 arasında ilk kez kayıt yaptıran 2.737 yetişkin ODPKB hastasına odaklandılar. Her kişi için ekip, ilk başvuru sırasında alınan kan testleri, idrar bulguları, temel vücut ölçümleri, tansiyon ve doktor tarafından kaydedilen böbrek boyutu dahil olmak üzere verileri topladı ve ardından o kişinin üç yıl sonra hangi KBH evresinde olduğunu inceledi. KBH evresi, esas olarak böbreklerin kanı ne kadar iyi süzdüğüne dayanan bir ölçüttür ve Japonya’da mali destek için önemli bir kriter olarak hizmet eder.

Bilgisayarlar hasta verilerinden nasıl öğrendi

Tahmin sistemlerini oluşturmak için bilim insanları üç yaygın makine öğrenmesi yöntemini test etti: rastgele orman (random forest), destek vektör makineleri (support vector machine) ve naïve Bayes. Bu üçü de sabit formüllerden ziyade örneklerden öğrenir. Veri seti, her modeli ince ayarlamak için kullanılan bir eğitim bölümüne ve son modellerin görülmemiş vakalar üzerindeki performansını kontrol etmek için kullanılan bir test bölümüne ayrıldı. Bilgisayarlar, her hastanın üç yıl sonra hangi KBH evresine ulaşacağını tahmin etmeye çalıştı. Birçok basit karar “ ağacını ” oylama komitesi halinde birleştiren rastgele orman yöntemi en iyi performansı gösterdi ve test hastalarının yaklaşık %73’ünde doğru evre tahmini yaptı. Faktörler ile sonuç arasındaki ilişkilerin çoğunlukla düz çizgi olduğunu varsayan destek vektör makinesi daha az başarılı olurken, basit naïve Bayes modeli bunların arasında kaldı.

Tahminde en çok hangi bilgiler önemliydi

Ekip ayrıca rastgele orman modeline en çok hangi bilgilerin yardımcı olduğunu sordu. Bunu, her bir faktörü sırayla karıştırıp tahminlerin ne kadar kötüleştiğini ölçerek değerlendirdiler. Beş özellik özellikle önemli olarak öne çıktı: tahmini glomerüler filtrasyon hızı (eGFR), kandaki kreatinin seviyesi (böbrek fonksiyonunun başka bir göstergesi), filtrasyon ve idrar protein bulgularını birleştiren renk kodlu bir KBH “ısı haritası”, idrardaki protein miktarı ve her iki böbreğin toplam hacmi. Bunların hepsi özel görüntüleme dosyalarına veya gen dizilemeye gerek kalmadan sıradan klinik ziyaretlerde toplanabilecek ölçümlerdir. Taramalarda görülen kistlerin tam sayısı gibi diğer öğeler çok az katkı sağladı; bu da pratik bir tahmin aracı için gerekli olmadıklarını düşündürüyor.

Hastalar ve hekimler için bunun anlamı

ODPKB ile yaşayan kişiler için çalışma, standart laboratuvar testleri ve temel görüntüleme özetleriyle beslenen özenle eğitilmiş bir bilgisayar modelinin, üç yıl sonra böbrek sağlığının makul derecede doğru bir öngörüsünü sağlayabileceğini öne sürüyor. En iyi performans gösteren model faktörler arasındaki karmaşık, düz olmayan ilişkileri yakalayabildiği için bu yaşam boyu ve değişken hastalık için geleneksel risk çizelgelerinden daha uygun olabilir. Çalışma Japon hastalarıyla sınırlı olduğundan nedensellik kanıtlayamaz, ancak hızla kötüleşecekleri ve daha yavaş seyredecekleri kişileri belirlemeye yardımcı olacak klinik dostu araçlara işaret ediyor. Basitçe söylemek gerekirse, makine öğrenmesi —özellikle rastgele orman yaklaşımı— günlük tıbbi verileri bireyselleştirilmiş böbrek geleceği önizlemelerine dönüştürebilir ve ODPKB hastalarına daha kişiselleştirilmiş bakım ile daha iyi planlama desteği sağlayabilir.

Atıf: Shimada, Y., Kataoka, H., Nishio, S. et al. Machine learning for predicting CKD stages in patients with autosomal dominant polycystic kidney disease: a nationwide cohort study in Japan. Sci Rep 16, 8771 (2026). https://doi.org/10.1038/s41598-026-39885-7

Anahtar kelimeler: polikistik böbrek hastalığı, kronik böbrek hastalığı, makine öğrenmesi, risk tahmini, kişiye özel tıp