Akut miyokard enfarktüsü ve diyabete sahip hastalarda akut böbrek hasarı şiddetinin makine öğrenmesi ile erken risk sınıflandırılması

Bu Hastalar ve Aileleri İçin Neden Önemli

Kalp krizleri ve diyabet tek başına korkutucuyken, birlikte olduklarında hastanede yatış sırasında böbreklerin ani yetmezlik geliştirme riskini büyük ölçüde artırırlar. Bu çalışma çok pratik bir soruyu ele alıyor: doktorların hastaneye kabulün ilk günü zaten topladığı bilgiler kullanılarak, hangi hastaların hafif, orta veya ağır böbrek hasarı geliştirme olasılığının yüksek olduğunu ortaya koymak mümkün mü, hasar tam olarak belirginleşmeden önce? Bunu yaparak ekip, doktorlara böbrekleri korumak ve olası olarak hayatta kalımı iyileştirmek için ek zaman kazandırmayı umuyor.

Kalp, Şeker ve Böbrekler Arasında Hassas Bir Denge

Diyabeti olan bir kişi kalp krizi geçirdiğinde, böbrekleri özel bir baskı altındadır. Uzun süre yüksek kan şekeri en küçük damarları zedeleyebilir ve böbreklerin rezervini azaltabilir. Bir kalp krizi ise zaten savunmasız olan bu organlara giden kan akımını ve oksijeni düşürebilir. Sonuç, akut böbrek hasarıdır; böbrek fonksiyonunda ani bir düşüş olup daha uzun hastane yatışları, daha yüksek maliyetler ve daha fazla ölümle ilişkilidir. Ne yazık ki, böbrek hasarı genellikle kreatinin adlı kan testinin yükselmesiyle ancak fark edilir ve bu noktada bazı hasarlar geri döndürülemez olabilir.

Rutin Verileri Erken Uyarılara Dönüştürmek

Araştırmacılar, Amerika Birleşik Devletleri ve Çin'den üç büyük hastane veritabanını kullandı; bunlar kalp krizi ve diyabete sahip 4.908 hastayı kapsıyordu. Kabulün ilk 24 saati içinden yalnızca yaş, kan basıncı, kan sayımı, böbrekle ilgili laboratuvar testleri, idrar çıkışı ve hastalık şiddeti puanları gibi bilgileri kullanarak, her hastanın yatışın ilerleyen dönemlerinde farklı derecelerde böbrek hasarı geliştirme olasılığını tahmin etmek üzere bir dizi bilgisayar modeli eğittiler. Basit lojistik regresyondan LightGBM ve XGBoost gibi daha gelişmiş ağaç tabanlı yöntemlere kadar on yaygın makine öğrenmesi yaklaşımını karşılaştırdılar ve bu modellerin ne kadar iyi genelleştiğini görmek için farklı hastane grupları üzerinde titiz testler yaptılar.

Modeller Ne Kadar İyi Performans Gösterdi

Yaklaşık beş bin hasta arasında neredeyse her on kişiden dördü bir düzeyde böbrek hasarı geliştirdi. Birkaç model güçlü performans gösterdi, ancak iki model öne çıktı. LightGBM, hastaların en az hafif veya en az orta dereceli böbrek hasarı geliştirip geliştirmeyeceğini tahmin etmede en iyisiydi; XGBoost ise en ağır evre için üstünlük gösterdi. Çin'deki harici bir hastanede bu modeller, AUC (eğri altındaki alan) değerleri yaklaşık 0,85–0,88 civarında yüksek doğrulukla daha yüksek riskli hastaları daha düşük risklilerden ayırt etti. Karar eğrisi analizleri, bu tahminlerin klinisyenlerin seçtiği geniş bir karar eşiği aralığında herkesi yüksek riskli varsaymaktan veya riski tamamen görmezden gelmekten daha fazla klinik fayda sağlayacağını öne sürdü.

Risk Tahminlerini Hangi Faktörler Yönlendiriyor

“Kara kutu”nun ötesine geçmek için ekip, tahminlerde hangi girdilerin en çok etkili olduğunu göstermek üzere SHAP adlı bir açıklama yöntemi kullandı. En yüksek kreatinin düzeyi, tahmini filtrasyon hızı ve idrar çıkışı gibi erken böbrekle ilgili ölçümler, hem temel yatkınlığı hem de böbreklerdeki erken stresi yansıtarak önemli katkılar sağladı. Genel hastalık şiddeti, kan kimyası (laktat ve asit–baz dengesi dahil), kan basıncı ve albumin gibi beslenme durumu ölçümleri de önemli roller oynadı. Önemli olarak, tüm bu değişkenler rutin olarak toplanıyor ve elektronik kayıtlardan otomatik olarak çekilebilir; bu da modelin yatak başı personel için ekstra iş yükü olmadan arka planda çalışabileceği anlamına geliyor.

Bilgisayar Skorlarından Yatak Başı Kararlara

Yazarlar, araçlarının klinik yargıyı desteklemeyi amaçladığını, yerine geçmeyi amaçlamadığını vurguluyor. Kliniklerin erken hastane verilerini girebileceği veya otomatik olarak içe aktarabileceği ve hafif, orta ve ağır böbrek hasarı için bireyselleştirilmiş risk tahminleri alabileceği web tabanlı bir arayüz oluşturdular. Yüksek tahmin edilen risk, daha yakın izlemeyi, kontrast boyalar ve diğer böbreği zorlayıcı tedavilerin daha dikkatli kullanılmasını veya erken dönemde böbrek uzmanlarına başvurmayı ve ileri tedavilerin düşünülmesini tetikleyebilir. Hastane uygulamaları ve hasta popülasyonları farklılık gösterdiği için ekip, her kuruluşun modele güvenmeden önce yerel olarak test edip ayarlaması gerektiği konusunda uyarıda bulunuyor. Yine de çalışma, eldeki verilerle risk altındaki böbreklerin erken tespit edilebileceğini gösteriyor—bu da daha hedefli ve zamanında bakım için bir pencere açıyor.

Atıf: 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

Anahtar kelimeler: akut böbrek hasarı, kalp krizi, diyabet, makine öğrenmesi, risk tahmini