Periton diyalizi hastalarında MACE'i tahmin etmek için makine öğrenimi algoritmalarının kullanımı

Evdе diyaliz gören kişiler için neden önemli

Böbrek yetmezliği olan birçok kişi için periton diyalizi, klinikte değil evde kendi tedavilerini uygulama özgürlüğü sağlar. Ancak bu hastalar kalp krizi ve inme gibi ciddi kalp ve damar sorunları açısından yüksek risk altındadır. Bu çalışma gerçek yaşamda sonuçları olan pratik bir soruyu gündeme getiriyor: modern bilgisayar teknikleri kullanılarak periton diyalizi hastalarının hangilerinin erken dönemde büyük kardiyak sorunlarla karşılaşma olasılığının daha yüksek olduğu tespit edilebilir mi, böylece hekimler felaket olmadan önce müdahale edebilir mi?

Kimler incelendi ve neler ölçüldü

Araştırmacılar 2010 ile 2016 yılları arasında Çinde iki hastanede periton diyalizine başlayan 1.006 yetişkinin tıbbi kayıtlarını geriye dönük olarak inceledi. Tüm hastalar en az üç aydır bu tedaviyi alıyordu. Diyaliz başladığında ekip, yaş, diyabet veya kalp yetmezliği gibi eşlik eden hastalıklar, kan basıncı, laboratuvar testleri, kalp ultrasonu sonuçları ve ilaçlar dahil olmak üzere her kişi için 86 veri topladı. Herkes daha sonra yaklaşık on yıla kadar izlendi ve kimlerin yazarların “MACE” olarak adlandırdığı büyük kardiyak veya serebrovasküler olayları—kalp krizi, şiddetli göğüs ağrısı, inme, kardiyak arrest, kalp yetmezliği veya tehlikeli ritim bozuklukları nedeniyle hastaneye yatışlar ve her türlü sebeple ölüm—yaşadıkları belirlendi.

Makine öğrenimi ile daha akıllı tahmin

Geleneksel istatistiklere yalnızca dayanmak yerine ekip, büyük veri kümelerindeki karmaşık desenleri ortaya çıkarabilen Üç makine öğrenimi yaklaşımına yöneldi: Random Forest, XGBoost ve AdaBoost. Verilerini modelleri eğitmek, test etmek ve ardından ayrı bir hastanenin hastalarında performanslarını kontrol etmek için bölüştürdüler. Amaç, her yaklaşımın periton diyalizine başladıktan sonra herhangi bir zamanda, ilk yıl içinde ve ilk beş yıl içinde kimlerin büyük bir olay yaşayacağını ne kadar iyi tahmin edebileceğini görmektı. Bir modelin gücü, yüksek riskli ile düşük riskli hastaları ayırt etme yeteneği daha iyi olan 1.0’a daha yakın değer anlamına gelen eğri altındaki alan (AUC) adı verilen standart bir skor kullanılarak değerlendirildi.

Modellerin risk hakkında öğrendikleri

Tüm izlem süresi boyunca, ana geliştirme grubundaki 606 hastadan 409’u büyük bir olay yaşadı. Bu genel olayları tahmin etmede Random Forest yöntemi en iyi sonuç verdi; yaklaşık 0,80 AUC ile yüksek riskli ve düşük riskli hastaları çoğu zaman doğru şekilde ayırt edebiliyordu. Bu uzun vadeli bakışta en etkili sinyaller, kemik ve damar sağlığı ile ilişkili bir belirteç olan paratiroid hormonu düzeyleri, konjestif kalp yetmezliği öyküsü ve yaştı. İlk yıl içindeki olaylara odaklanıldığında yalnızca 114 hasta etkilenmişti ve XGBoost 0,86 AUC ile öne çıktı. Bu dönemde iyi huylu (“koruyucu”) kolesterol (HDL), yaş ve kan kalsiyum düzeyleri öne çıktı. Beş yıllık ufukta ise Random Forest yine en iyi performansı gösterdi ve yaş, kan kreatinini ile tahmini glomerüler filtrasyon hızı—kalan böbrek fonksiyonu ve diyaliz yeterliliğinin göstergeleri—en önemli faktörler olarak belirdi.

Güvenilirlik ve gerçek dünya performansını kontrol etme

Bu sonuçların tesadüf olmadığından emin olmak için yazarlar makine öğrenimi araçlarını daha tanıdık bir zaman-aşamalı yöntem olan Cox regresyonu ile karşılaştırdı ve her şeyi başka bir hastaneden 400 hastalık ayrı bir grupta test etti. Yeni yöntemlerle tanımlanan ana risk faktörleri geleneksel analizle bulunanlarla yakından örtüştü, ancak makine öğrenimi modelleri genel olarak hastaları risk sırasına dizme konusunda daha iyi performans gösterdi. Dış hastane grubunda, ana model hâlâ iyi çalıştı ve yaklaşık her on hastadan yedisine yakınını doğru sınıflandırdı. Çalışma ayrıca genel hastalık yükü, vücut ağırlığı, kan yağları, albumin (beslenme göstergesi), idrar çıkışı ve kan basıncı gibi birbirine geçmiş diğer faktörlerin önemini vurguladı; bunlar bu hassas nüfusta kalp riskini birlikte şekillendiriyor.

Bu hastalar ve bakım ekipleri için ne anlama geliyor

Yazarlar, dikkatle tasarlanmış makine öğrenimi araçlarının periton diyalizinin hemen başında hangi hastaların önümüzdeki yıllarda özellikle yüksek olasılıkla ciddi kardiyovasküler sorunlar yaşayacağını tahmin etmede hekimlere yardımcı olabileceği sonucuna varıyor. Yaş tutarlı bir şekilde önemliydi, ancak mineral dengesi, kan yağları, diyaliz yeterliliği ve genel sağlıkla ilişkili birkaç faktör de büyük rol oynadı—ve bunların birçoğu izlenebilir ve tedavi edilebilir. Çalışma retrospektif olduğundan ve gelecekteki prospektif çalışmalarda doğrulamaya ihtiyaç duysa da, evde diyaliz bakımının arka planda işleyen algoritmalar tarafından risk altındakileri erkenden işaretleyerek hedefe yönelik tedaviyle yaşamı uzatma ve hastaneye yatışları azaltma yönünde ilerleyebileceğine işaret ediyor.

Atıf: Xu, L., Zhang, Y., Abbas Al-Janabi, A.A. et al. Using machine learning algorithms to predict MACE in peritoneal dialysis patients. Sci Rep 16, 10553 (2026). https://doi.org/10.1038/s41598-026-45362-y

Anahtar kelimeler: periton diyalizi, kardiyovasküler risk, makine öğrenimi, böbrek yetmezliği, risk tahmini