Modele predykcyjne w nefropatii cukrzycowej

Równania ryzyka niewydolności nerek (KFRE)

Równania ryzyka niewydolności nerek (KFRE) zostały zewnętrznie zwalidowane i przewyższają inne modele predykcyjne w przewidywaniu progresji przewlekłej choroby nerek¹. KFRE jest dobrym narzędziem do identyfikacji wysokiego ryzyka progresji do schyłkowej niewydolności nerek wśród pacjentów z nefropatią cukrzycową i zaawansowaną przewlekłą chorobą nerek².

Model opracowany przez Tangri i współpracowników wykorzystuje rutynowe wyniki laboratoryjne do przewidywania progresji z przewlekłej choroby nerek (stadia 3-5) do niewydolności nerek u dorosłych pacjentów. Badacze wykazali, że niższa szacowana filtracja kłębuszkowa, wyższy białkomocz, młodszy wiek i płeć męska wskazują na szybszą progresję niewydolności nerek³.

KFRE może także kierować czasem przygotowania do terapii nerkozastępczej, poprawiając planowanie zasobów opieki zdrowotnej i może zapobiec wielu powikłaniom oraz przedwczesnej śmiertelności wśród osób z przewlekłą chorobą nerek z cukrzycą typu 2 i bez niej¹. Proste i niedrogie podejścia oparte na ryzyku, takie jak KFRE, mogą poprawić wykrywanie, stratyfikację ryzyka i terminową interwencję⁴.

Sztuczna inteligencja w predykcji nefropatii cukrzycowej

Sztuczna inteligencja ma potencjał wspierania osądu klinicznego w medycynie. Nowe modele predykcyjne dla choroby nerek u diabetyków wykorzystujące sztuczną inteligencję, przetwarzające język naturalny i dane longitudinalne z uczeniem maszynowym big data, oparte na elektronicznych dokumentach medycznych 64 059 pacjentów z cukrzycą, mogą przewidywać pogorszenie choroby nerek z dokładnością 71%⁵.

Grupa z pogorszeniem choroby nerek miała znacząco wyższą częstość hemodializy niż grupa bez pogorszenia w ciągu 10 lat obserwacji. Nowy model predykcyjny wykorzystujący sztuczną inteligencję może wykrywać progresję choroby nerek i może przyczynić się do bardziej skutecznej i dokładnej interwencji w celu zmniejszenia konieczności hemodializy⁵.

Modele uczenia maszynowego

Zastosowanie technik uczenia maszynowego do analizy danych z elektronicznych dokumentów medycznych może dostarczyć cennych spostrzeżeń i umożliwić rozwój modeli, które mogą przewidywać ryzyko rozwoju nefropatii cukrzycowej lub progresji do wyższych stadiów⁶. Model LightGBM wykazał najwyższe pole pod krzywą ROC (0,815), czułość, dodatnią wartość predykcyjną i ujemną wartość predykcyjną⁷.

Starsi pacjenci z cukrzycą typu 2 z wysoką homocysteiną, słabą kontrolą glikemii, niskimi albuminami w surowicy, niską szacowaną filtracją kłębuszkową i wysokimi wodorowęglanami mają zwiększone ryzyko rozwoju choroby nerek w ciągu najbliższych 3 lat⁷. Badanie zidentyfikowało czynniki ryzyka predykcyjne dla choroby nerek i skonstruowało 3-letni model predykcyjny ryzyka u pacjentów z cukrzycą typu 2 i prawidłowym albuminem w moczu⁸.

Modele kliniczne i patologiczne

Modele łączące dane kliniczne z oceną histopatologiczną wykazują obiecujące wyniki w przewidywaniu progresji nefropatii cukrzycowej. Model kliniczny-patologiczny wykorzystujący rutynowo dostępne pomiary kliniczne okazał się dokładną i zwalidowaną metodą przewidywania progresji choroby u pacjentów z nefropatią cukrzycową⁹.

W ciągu 3-letniej obserwacji wystąpiło 225 zdarzeń końcowych (47,1%). Model wykazał, że niższa eGFR, wyższe poziomy cystatyny C, wyższy BNP, wyższy poziom logarytmu stosunku albuminy do kreatyniny i wyższy stopień patologiczny znacząco zwiększały ryzyko schyłkowej niewydolności nerek u pacjentów z nefropatią cukrzycową¹⁰.

Systemy punktacji patologicznej

Opracowano nowe systemy punktacji patologicznej do przewidywania wyników w nefropatii cukrzycowej. System punktacji J-score, oparty na japońskiej klasyfikacji, uwzględnia zmiany rozlane klasy 2 lub 3, podwojenie błony podstawnej kłębuszka klasy 3, obecność mezangiolizy, naczyń biegunowych i hialinizacji naczyń tętniczych¹¹.

Po dostosowaniu czynników klinicznych, J-score był znaczącym predyktorem wyników nerkowych. Mezangioliza, naczynia biegunowe i podwojenie błony podstawnej kłębuszka – cechy systemu JRPS – były znacząco związane z wynikami nerkowymi. Przewidywanie wyników nerkowych pacjentów z nefropatią cukrzycową było lepsze z J-score niż bez niego¹¹.

Walidacja zewnętrzna modeli

Zewnętrzna walidacja modeli prognostycznych jest kluczowa dla ich wiarygodności klinicznej. Badanie w tajskiej kohorcie pacjentów z cukrzycą typu 2 wykazało, że wszystkie oceniane modele prognostyczne wykazały jedynie umiarkowaną wydajność dyskryminacyjną, ale dobrą kalibrację przy walidacji wyjściowej¹².

Aktualizacja modeli prognostycznych w celu uwzględnienia rutynowych czynników klinicznych znacznie poprawiła ich dokładność. Zaktualizowane wyniki prognostyczne poprawiły wydajność predykcyjną w większości metryk oceny, włączając dyskryminację, kalibrację i wynik Brier¹². Modele te mogą pomóc klinicystom w poprawie stratyfikacji ryzyka pacjentów diabetycznych pod kątem przewlekłej choroby nerek i/lub schyłkowej niewydolności nerek w regionach o podobnych uwarunkowaniach do Tajlandii¹².

Przyszłość modelowania predykcyjnego

Przegląd literatury sugeruje, że pomimo potencjału wykorzystania technik uczenia maszynowego do pełnego wykorzystania wymiaru czasowego danych z elektronicznych dokumentów medycznych w celu przewidywania ryzyka rozwoju lub progresji nefropatii cukrzycowej, nie zostało to jeszcze w pełni osiągnięte¹³. Większe wykorzystanie aspektu czasowego inherentnego w danych elektronicznych dokumentów medycznych, wraz z integracją danych omicznych, może prowadzić do rozwoju bardziej wiarygodnych i potężnych modeli predykcyjnych¹³.