Tip 2 diyabet hastalığında makine öğrenimi ve başlangıç sağlık bilgileri kullanarak gelecekteki böbrek fonksiyonunu tahmin etme

Bu, diyabetli kişiler için neden önemli

Tip 2 diyabetle yaşayan birçok kişi için uzun vadeli en büyük endişelerden biri, böbreklerin zamanla yetersiz hale gelmesi ve sonunda diyaliz gerektirmesidir. Doktorlar mevcut böbrek sağlığını ölçebilir, ancak yıllar öncesinden kimin böbreklerinin en çok risk altında olduğunu bilmek çok daha zordur. Bu çalışma, makine öğrenimi olarak bilinen bilgisayar tabanlı desen tanımanın, tek bir rutin muayeneden hareketle bir kişinin böbreklerinin yıllar sonra ne kadar iyi çalışacağını tahmin edip edemeyeceğini araştırıyor.

Yaygın ama sessiz bir tehlike

Diyabetik böbrek hastalığı, tip 2 diyabetli yaklaşık her on kişiden dördünü etkiler ve dünya çapında kronik böbrek yetmezliğinin önde gelen nedenlerindendir. Böbrek fonksiyonu genellikle, böbreklerin kanı ne kadar verimli süzdüğünü yansıtan tahmini glomerüler filtrasyon hızı (eGFR) adlı bir indeksle izlenir. Bazı hastalar bu fonksiyonu çok hızlı kaybederken, diğerleri yavaş düşüş gösterir veya yıllarca stabil kalır. Erken evrelerin genellikle belirti vermemesi nedeniyle, doktorların ekstra izleme ve tedavi ile hâlâ ciddi hasarı yavaşlatabilecek veya önleyebilecek “hızlı düşüş yaşayanları” erken tespit etmek için daha iyi yöntemlere ihtiyacı vardır.

Kontrol verilerini bir kristal küreye dönüştürmek

Araştırmacılar, Japonya’daki üç hastanede tedavi gören 974 yetişkin tip 2 diyabetliyi medyan biraz üzerinde beş yıllık bir süre boyunca izlediler. Başlangıçta yaş, kan basıncı, kilo, kan testleri, idrar testleri ve mevcut böbrek fonksiyonu dahil olmak üzere diyabet randevularında rutin olarak ölçülen 54 bilgi topladılar. Önemli olarak, gelecekteki test sonuçlarına veya özel genetik ya da protein belirteçlerine dayanmadılar—sadece başlangıçtaki klinik ziyarette tipik olarak bulunabilecek verileri kullandılar. Daha sonra bir dizi bilgisayar modeline bu başlangıç ölçümleri ile yıllık takip ziyaretlerinde gözlemlenen eGFR değerleri arasındaki ilişkiyi, dokuz yıla kadar olan sürede öğrenmelerini istediler.

Akıllı modeller nasıl performans gösterdi

Araştırma ekibi, Light Gradient Boosting Machine, Random Forest ve Support Vector Machine olmak üzere üç modern makine öğrenimi yöntemini çok değişkenli doğrusal regresyon olarak bilinen geleneksel istatistiksel yaklaşımla karşılaştırdı. Tüm yaklaşımlar genel olarak makul derecede iyi performans gösterdi, ancak destek vektör makinesi öne çıktı. Bu model, özellikle başlangıçta böbrekleri hâlâ çok iyi çalışan kişiler için, böbrek fonksiyonunun tüm aralığında en doğru tahminleri sağladı. Sadece ilk muayene verileri ile geleceğe kaç yıl bakılacağını girdi olarak kullanarak, bu model yaklaşık altı yıla kadar orta düzeyde doğruluk koruyabilirken, geleneksel yöntemin tahminleri dört yılın ötesinde güvenilmez hale geldi.

Tahminleri yönlendiren etkenler

Bu “kara kutu” modellerin içini görmek için araştırmacılar, hangi başlangıç özelliklerinin en çok önem taşıdığını sıralayan bir açıklama aracı kullandılar. Beklendiği gibi, mevcut böbrek ölçümleri—özellikle eGFR ve kan kreatinini—etkiliydi; ayrıca yaş ve böbrek hasarına işaret eden bir idrar belirteci de önemliydi. Kan yağları, anemi belirteçleri ve bazı karaciğer ilişkili enzimler de önemli rol oynadı. Daha yaşlı yetişkinler veya kadınlar gibi farklı alt gruplarda biraz farklı desenler ortaya çıktı; bu, bazı risk faktörlerinin belirli hastalar için daha fazla ağırlık taşıyabileceğine işaret ediyor. Model yalnızca en bilgilendirici faktörleri içerecek şekilde basitleştirildiğinde bile performansı çok az değişti; bu, gerçek klinik kullanıma yönelik sevindirici bir bulgu.

Tahminden pratik eyleme

Çalışmanın sınırlamaları var: çalışma nispeten küçük sayıda Japon ayakta tedavi hastasını içeriyor, henüz diğer ülkelerde veya sağlık sistemlerinde test edilmedi ve hastanın yaşamının ve tedavisinin birçok yönünün zamanla benzer kalacağını varsayıyor. Yine de bulgular, tek bir sıradan diyabet ziyaretinin yıllar sonraki böbrek sağlığına ilişkin kişiselleştirilmiş bir öngörüye dönüştürülebileceğini gösteriyor. Gelecekte böyle bir araç, elektronik sağlık kayıtlarına entegre edilerek projekte edilen böbrek fonksiyonunda keskin düşüş gösteren hastaları öne çıkarabilir; bu da daha sık takip, erken böbrek uzmanı yönlendirmesi ve koruyucu tedavilerin daha zamanında kullanımı gibi adımları tetikleyebilir. Kısacası, mevcut verilerin daha akıllı kullanımı, hastalara ve klinisyenlere böbrek sağlığını korumada değerli bir avantaj sağlayabilir.

Atıf: Unoki-Kubota, H., Nakajima, K., Shimizu, Y. et al. Predicting future kidney function in type 2 diabetes mellitus using machine learning and baseline health information. Sci Rep 16, 10890 (2026). https://doi.org/10.1038/s41598-026-45500-6

Anahtar kelimeler: diyabetik böbrek hastalığı, tip 2 diyabet, böbrek fonksiyonu düşüşü, makine öğrenimi tahmini, eGFR