Bu tədqiqat, diabetik böyrək xəstəliyi bulunan xəstələrın iki, beş və on yıl üçünde hemodializ və ya periton dializine başlama riskini elektron sağlamlıq qeydləri və izah oluna bilən maşın öyrənməsi kullanarak proqnozlaşdırmağı hədəfləmişdir. Geliştirme kohortunda 3.078 xəstə dəyərlendirilmiş; qərar ağacı, təsadüfi meşə, dəstək vektor maşını, XGBoost, LightGBM və çoxqatlı perceptron olmak üzere altı algoritma qarşılaştırılmıştır. En yüksek genel performans XGBoost modelinde elde edilmiş və ROC eğrisi altında kalan alan dəyərləri iki, beş və on yıl üçün sırasıyla 0,9274, 0,9154 və 0,9095 kimi bildirilmişdir. Bununla belə tədqiqat geriye dönük bir xəstəxana kohortuna dayanan, rəyçi qiymətləndirməsindən keçməmiş preprintdir; modelin rutin klinik karar aracı kimi kullanılabilmesi üçün iləriye dönük və daha çeşitli xəstə gruplarında doğrulanması lazımdır.

Nihai klinik model yedi değişken kullanmıştır: təxmini glomerulyar filtrasiya sürəti, sidik albumin/kreatinin nisbəti, kardiovaskulyar xəstəlik varlığı, hemoglobin, cins, yaş və diabet müddəti. Tahmini glomerüler filtrasyon sürəti ilə sidik albumin/kreatinin nisbəti bütün zaman aralıklarında en güclü iki belirleyici kimi öne çıkmıştır. SHAP analizleri, modelin yalnızca bir risk balı üretmesini değil, belirli bir xəstəda hangi değişkenlerin proqnozlen riski artırdığını və ya azalttığını göstermesini də təmin etmişdir.

Apolipoprotein B və apolipoprotein AI ölçmələri bulunan 1.855 xəstəlık daxili alt qrupta bu iki değişken modele eklendiğinde iki yıllık AUC 0,923’ten 0,955’e, beş yıllık AUC 0,905’ten 0,928’e və on yıllık AUC 0,904’ten 0,923’e yüksəlmişdir. Lakin bu ek yarar iki bağımsız xarici doğrulama kohortunda tekrarlanmamıştır. Bu nedenle tədqiqat, apolipoprotein ölçməünün dializ riskini kesin biçimde iyiləştirdiğini değil, daha geniş və iləriye dönük araşdırmalarda sınanması gereken olası bir lipoprotein ilişkili risk siqnalıni göstərir.

Türkiyə baxımından: Tədqiqatın yaklaşımı Türkiyədə nefroloji, endokrinoloji və xəstəxana bilgi yönetim sistemlerinde diabetik böyrək xəstələrinın strukturlandırılmış risk dəyərləndirməsi üçün araştırılabilir. eGFR, sidik albumin/kreatinin nisbəti, hemoglobin, yaş və kardiovaskulyar xəstəlik gibi değişkenlerin çoğu Türkiyədə rutin kimi ölçülebilir. Bununla belə model Çin’deki üçüncü basamak hasdənələrden əldə edilən stasionar xəstə məlumatlariyle geliştirilmiştir. Türkiyədə kullanılmadan əvvəl Türk xəstə popülasyonunda xarici doğrulama, yerli kalibrasiya, laboratoriya birimlerinin standardizasyonu, əskik məlumat örüntülerinin incelenmesi və dializə başlama kararlarını etkiləyen sağlık hizmeti şərtlərının dəyərlendirilmesi lazımdır. Tədqiqatdan Türkiyədəki xəstələr üçün birbaşa bir risk nisbəti, tedavi kararı və ya apolipoprotein testi önerisi çıkarılamaz.

Araşdırmanın əsas sualsu nedir?

Araşdırma iki keçidlı sualya yanıt aramaktadır. Birinci sual, diabetik böyrək xəstəliyina özgü klinik değişkenlerle oluşturulan açıklanabilir bir maşın öyrənməsi modelinin xəstələrın iki, beş və on yıl üçündeki dializə başlama riskini ne kadar başarılı öngörəbiləceğidir. İkinci sual isə apolipoprotein B və apolipoprotein AI ölçmələrinin böyrək funksiyası və albüminüri gibi geleneksel göstergelerin ötesinde ek proqnoz bilgisi sağlayıp sağlamadığıdır.

Diyabetik böyrək xəstəlığı yalnızca böyrəyin süzme kapasitesinin azalmasından oluşmaz. Hiperglisəmi, glomerüler basınç, tübüler hasar, fibrozis, anemi, kardiovaskulyar xəstəlik və metabolik bozukluklar eyni xəstəda birlikte bulunabilir. Tədqiqatçılar bu nedenle genel kronik böyrək xəstəlığı kohortlarında geliştirilən modellerin diyabete özgü kardiyorenal və metabolik örüntüleri tam kimi yakalayamayabiləceğini öne sürmüştür.

Hasta grubu nasıl oluşturuldu?

Geliştirme məlumatlari, Hangzhou Geleneksel Çin Tıbbı Hastanesinde Ocak 2015 ilə Aralık 2023 arasında tedavi edilən xəstələrın elektronik tıbbi kayıtlarından alınmıştır. Başlangıçta diabetik böyrək xəstəliyi tanistilik bulunan 5.644 stasionar xəstə müəyyən edilmişdir. On sekiz yaşından kiçik olanlar, başlanğıc məlumatlari əskik olanlar, başlanğıctan əvvəl dializ uygulanmış olanlar, takip tarihi başlanğıc tarihinden əvvəl görünenler və başlanğıcta diabet müddəti bilinmeyenler dışlanmıştır. Son analiz kohortu 3.078 xəstədan yaranmışdır.

Diyabetik böyrək xəstəlığı; üç aydan uzun müddət devam eden en az 30 mg/g sidik albumin/kreatinin nisbəti və/və ya 60 mL/dk/1,73 m² altında təxmini glomerulyar filtrasiya sürətiyla ilişkiləndirilmiş ya da E10.2 və E11.2 ICD-10 tanı kodlarıyla müəyyən edilmişdir. Birden fazala yatışı bulunan xəstələrda ilk yatıştaki başlanğıc dəyərləri istifadə edilmişdir.

Şekil 1’deki xəstə akışına görə takip kaybı bulunan kişilərin ilgili zaman analizlerinden çıkarılması sonucunda iki yıllık kohortta 2.386, beş yıllık kohortta 2.427 və on yıllık kohortta 2.431 xəstə qalmışdır. Apolipoprotein ölçmələri bulunan daxili alt qrup 1.855 xəstədan oluşmuş; ilgili takip analizlerinde təxminən 1.440–1.474 xəstə dəyərləndirilmişdir.

Sonuç değişkeni nasıl tanımlandı?

Birincil nəticə, xəstənın böyrək yerine koyma tedavisi müddətcine girerek hemodializ və ya periton dializine başlamasıdır. Bu nəticə yalnızca biyolojik böyrək funksiyası kaybını temsil etmez. Diyalize başlama zamanı; xəstənın semptomlarından, metabolik komplikasyonlarından, hekimin kararından, xəstənın tercihinden və sağlık hizmətne erişimden də etkilənebilir. Tədqiqatçılar bu özelliği tədqiqatın mühüm yorum sınırlarından biri kimi kabul etmiştir.

Hangi değişkenler kullanıldı?

Başlangıç məlumat setinde üç demoqrafik değişken, yedi tıbbi öykü değişkeni, üç yaşamsal tapıntı və 42 laboratoriya göstergesi olmak üzere toplam 55 değişken bulunmuştur. Eksiklik nisbəti yüzde 20’yi aşan değişkenler çıkarılmış və 36 değişken saxlanmışdır. Sürekli değişkenlerdeki uç dəyərler healthyR.ai paketindeki üsullerle sınırlandırılmış, əskik dəyərler k-en yakın komşu üsuluyle tamamlanmıştır.

Tahmini glomerüler filtrasyon sürəti, 2021 CKD-EPI kreatinin tənliki istifadə edilərək hesablanmışdır. Denklemin açık matematiksel biçimi yüklenen tədqiqatda məlumatlmediği üçün burada yeni bir formula oluşturulmamıştır. eGFR, böyrəklerin bir dəqiqəda ne kadar kanı süzebildiğine ilişkin vücut yüzey alanına görə standardize edilmiş bir tahmindir. Düşük eGFR, daha düşük süzme kapasitesini gösterir.

İdrar albümin/kreatinin nisbəti, idrarda böyrək filtresinden geçen albümin miqdarını idrar yoğunluğundaki değişikliklere qarşı kreatininle ilişkiləndirir. Tədqiqatdaki başlanğıc qarşılaştırmalarında nisbət mg/mgCr biçiminde, tanı ölçütünde isə mg/g biçiminde məlumatlmiştir. Yüksek UACR daha fazala albuminuriyayi və glomerüler hasar yükünü temsil eder.

Değişken seçimi nasıl strukturldı?

Önce her aday değişken üçün tek değişkenli lojistik regresyon və Cox regresyonu tətbiq edilmişdir. P dəyəri 0,05’in altında olan değişkenler adımlı çox değişkenli analizlere alınmıştır. Nihai seçim yalnızca istatistiksel anlamlılığa değil, klinik anlamlılığa və fərqli takip müddətlerinde tutarlı bir değişken kümesi yaradılmasına da dayandırılmıştır.

eGFR və UACR iki, beş və on yıllık analizlerin tamamında en tutarlı böyrək belirleyiciləri olmuştur. Kardiyovasküler xəstəlık, hemoglobin və cins əsas modele alınmıştır. Yaş ilə diabet müddətinin toplam metabolik maruziyeti və komplikasyon yükünü yansıtabiləceği düşünülerek genişletilmiş modele eklenmiştir. Böylece son model şu yedi değişkenden yaranmışdır:

• Tahmini glomerüler filtrasyon sürəti (eGFR)
• İdrar albümin/kreatinin nisbəti (UACR)
• Kardiyovasküler xəstəlık varlığı
• Hemoglobin düzeyi
• Cinsiyet
• Yaş
• Diyabet müddəti

Serum fosfatı bazı beş və on yıllık analizlerde anlamlı ilişki göstərmişdir. Lakin tədqiqatçılar fərqli zaman aralıklarında eyni değişkenleri kullanan sabit bir model elde etmek amacıyla fosfatı son yedi değişkenli modele almamıştır. Tartışma bölümündeki bir cümle fosfatı modele eklenmiş gibi ifade etse də üsul, tapıntılar və Şekil 1 açık biçimde son modelin fosfat içermediğini göstərir.

Başlangıçta dializə ilərleyen xəstələr nasıl fərqliydı?

Toplam 3.078 xəstənın 227’si, yani yüzde 7,4’ü takip sırasında dializə başlamışdır. Diyalize başlayan grubun başlanğıctaki böyrək xəstəlığı yükü aydın biçimde daha ağırdır:

• Medyan serum kreatinin 338 µmol/L iken dializə başlamayanlarda 93,0 µmol/L’dir.
• Kan üre azotu 15,7 mmol/L’ye qarşı 7,01 mmol/L’dir.
• Potasyum 4,25 mmol/L’ye qarşı 4,02 mmol/L’dir.
• UACR 3,77 mg/mgCr’ye qarşı 0,25 mg/mgCr’dir.
• eGFR 16,6 mL/dk/1,73 m²’ye qarşı 71,2 mL/dk/1,73 m²’dir.

Bu fərqlilıkların tümü üçün P dəyəri 0,001’in altındadır. Diyalize ilərleyen xəstələrda hipertoniya yüzde 97,4, kardiovaskulyar xəstəlik yüzde 80,2 və hiperurikemiya yüzde 61,2 nisbətinda görülmüştür. Bunun əksinə hiperlipidemiya sıklığı iki grup arasında benzer bulunmuştur: yüzde 49,8’e qarşı yüzde 48,7; P = 0,804.

Diyalize başlayan grubun medyan yaşı 62,0, dializə başlamayan grubun isə 64,0 yıldır və fark istatistiksel kimi anlamlıdır. Bununla belə bu nəticə, daha genç yaşın biyolojik kimi dializə neden olduğu anlamına gelmez. Yaşın regresyon və maşın öyrənməsi üçündeki etkisi diğer değişkenlerle birlikte və doğrusal olmayan ilişkilər kapsamında dəyərləndirilmişdir.

Altı maşın öyrənməsi algoritması nasıl qarşılaştırıldı?

İki yıllık takip kohortu yüzde 60 təlim və yüzde 40 test məlumatsine ayrılmışdır. Karar ağacı, təsadüfi meşə, dəstək vektor maşını, XGBoost, LightGBM və çoxqatlı perceptron modelleri eğitilmiştir. Hiperparametre optimizasyonu, 100 yinelemeli on katlı çapraz doğrulama və ızgara aramasıyla strukturlmıştır. Bununla belə seçilən kesin hiperparametreler yüklenen ana mətnde bulunmamaktadır və ek materyaller dosyaya dahil edilmemiştir.

Modeller yalnızca AUC ilə dəyərlendirilmemiştir. Doğruluk, həssaslıq, özgüllük, pozitif və negatif proqnoz dəyərləri, Matthews korrelyasiya əmsalı, Jaccard indeksi, balanslaşdırılmış dəqiqlik, F1 skoru, kappa əmsalı, kalibrasiya və qərar əyrisi analizi də istifadə edilmişdir. ROC eğrisi altında kalan alan, modelin dializə başlayacak və başlamayacak xəstələrı fərqli eşiklerden bağımsız kimi sıralayabilme gücünü gösterir. AUC dəyəri 0,5’e yaklaştığında model rastlantısal ayırıma, 1’e yaklaştığında kusursuz ayırıma yaklaşır; lakin yüksek AUC tek başına doğru kalibrasiya və ya klinik yarar anlamına gelmez.

En iyi model hangisiydi?

Şekil 3’teki ROC qarşılaştırmasında iki yıllık test setinde ən yüksək AUC, 0,9274 ilə XGBoost modelinde əldə edilmişdir. LightGBM 0,9272 ilə neredeyse eyni ayırım gücünü göstərmişdir. Diğer modellerin AUC dəyərləri təsadüfi meşə üçün 0,9183, dəstək vektor maşını üçün 0,9053, çoxqatlı perceptron üçün 0,8895 və qərar ağacı üçün 0,7362’dir.

XGBoost ən yüksək AUC’nin yanında 0,3107 müsbət proqnoz dəyəri, 0,4564 F1 skoru və 0,3971 kappa əmsalı təmin etmişdir. Rastgele orman ən yüksək dəqiqlik və özgüllüğü, LightGBM isə ən yüksək Jaccard indeksini vermiştir. Buna rağmen kalibrasiya və qərar əyrisi analizi birlikte dəyərlendirildiğinde tədqiqatçılar son model kimi XGBoost’u seçmiştir.

Kalibrasyon qrafikleri, en iyi üç modelin proqnozlen olasılıklarıyla gözlenen nəticələr arasında genel kimi kabul ediləbilir bir uyum bulunduğunu göstərmişdir. Karar eğrisi analizinde XGBoost, geniş bir risk eşiği aralığında “herkesi tedavi et” və ya “hiç kimseyi tedavi etme” yaklaşımlarına kıyasla daha yüksek net yarar göstərmişdir. Bununla belə bu analiz, modelin gerçek klinik tətbiqda xəstə nəticələrinı iyiləştirdiğini sübut etmir; yalnızca belirli varsayımlar altında potansiyel karar yararını dəyərlendirir.

Beş və on yıllık performans nasıldı?

XGBoost modeli daha uzun takip müddətlerinde də güclü ayırım göstərmişdir. Beş yıllık AUC 0,9154 və yüzde 95 etibarlılıq intervalı 0,899–0,932’dir. On yıllık AUC 0,9095 və yüzde 95 etibarlılıq intervalı 0,892–0,927’dir.

Şekil 3’teki beş yıllık karışıklık matrisinde 1.934 gerçek negatif, 156 gerçek pozitif, 306 yanlış pozitif və 31 yanlış negatif təsnifatlandırma görülmektedir. On yıllık matriste 1.932 gerçek negatif, 155 gerçek pozitif, 306 yanlış pozitif və 38 yanlış negatif bulunmaktadır. Bu nəticələr, modelin güclü genel ayırımına rağmen bazı xəstələrı yüksek riskli kimi yanlış siniflandırdığını və az sayıda gerçek dializ vakasını kaçırdığını göstərir. Bu nedenle modelin tek başına tedavi və ya dializ kararı vermesi uygun değildir.

SHAP analizi modelin kararlarını nasıl açıkladı?

SHAP, her değişkenin belirli bir proqnozyü əsas risk düzeyinden ne kadar yukarı və ya aşağı taşıdığını gösterir. Pozitif SHAP dəyərləri modelin öngördüğü dializ riskini artırırken negatif dəyərler riski azaltır. Ortalama mutlak SHAP dəyəri isə değişkenin bütün xəstələrdaki genel əhəmiyyətini özetler.

Şekil 4’te eGFR bütün takip müddətlerinde en mühüm değişkendir. Ortalama mutlak SHAP dəyəri təxminən 0,037–0,038 düzeyindedir. UACR təxminən 0,030–0,031 ilə ikinci sıradadır. Bu iki değişkeni kardiovaskulyar xəstəlik, hemoglobin, yaş, cins və diabet müddəti izlemektedir.

SHAP dağılımları ilişkilərin tamamen doğrusal olmadığını göstərmişdir. Düşük eGFR dəyərləri risk yönünde, korunmuş eGFR dəyərləri isə koruyucu yönde güclü töhfə təmin etmişdir. Yüksek UACR, xüsusilə yüksek riskli xəstə nümunələrinde proqnozyü yukarı çeken başlıca değişkenlerden biridir. Hasta düzeyindeki kuvvet qrafiklerinde eyni toplam riskin fərqli değişken tərkibleriyle oluşabiləceği görülmektedir.

Bu açıklamalar modelin biyolojik bir nedensellik mekanizmasını kanıtladığı anlamına gelmez. SHAP, modelin mevcut məlumatlar üçünde hangi değişkenlerden yararlandığını açıklar; söz konusu değişkenin dializə birbaşa neden olduğunu göstermez.

Apolipoproteinler neden incelendi?

Apolipoprotein B, aterojenik lipoprotein parçacıklarının sayistilikyla ilişkili bir protein göstergesidir. Apolipoprotein AI isə yüksek sıxlıqlu lipoproteinin əsas protein komponentidir və ters kolesterol taşınmasıyla ilişkilidir. Tədqiqatçılar bu değişkenlerin, geleneksel toplam kolesterol və ya triglisərit ölçmələrinden fərqli kimi lipoprotein parçacıklarının xüsusiləri hakkında ek bilgi verebiləceğini varsaymıştır.

Apolipoprotein ölçmələri bulunan 1.855 xəstəlık alt grupta ApoB, ApoE və ApoAI dəyərləndirilmişdir. Regresyon nəticələri ApoB və ApoAI üçün biyolojik kimi tutarlı lakin bütün zaman noktalarında istatistiksel kimi eyni derecede güclü olmayan ilişkilər göstərmişdir. Örneğin iki yıllık analizde ApoB üçün lojistik regresyon olasılık nisbəti 2,4458 və P dəyəri 0,0390; Cox regresyonu tehlike nisbəti 2,2978 və P dəyəri 0,0433’tür. ApoAI iki yıllık Cox analizinde koruyucu yönde bir ilişki göstərmişdir; lakin bazı lojistik və daha uzun müddətli analizler 0,05 anlamlılık sınırını geçmemiştir.

Apolipoproteinlerin modele eklenmesi ne değiştirdi?

İç alt grupta ApoB və ApoAI eklenmesi üç zaman aralığında da AUC’yi artırmışdır. On yıllık qarşılaştırmanın P dəyəri özet, tapıntılar və Şekil 5’te 0,0018 kimi məlumatlmektedir. Tartışma bölümündeki “bütün P dəyərləri 0,0001’in altındadır” ifadesi bu nəticəla çelişmektedir; doğru dəyər kimi şəkil və tapıntılar bölümündeki P = 0,0018 esas alınmalıdır.

Apolipoproteinli modelin SHAP analizinde UACR, eGFR, hemoglobin və kardiovaskulyar xəstəlik yine üst sıralarda qalmışdır. ApoB və ApoAI, diabet müddətinden daha yüksek genel SHAP töhfəsi gösterebilmiştir; lakin bunlar ana böyrək göstergelerinin yerini almamıştır. Bazı yüksek riskli xəstə nümunələrinde ApoB riski artıran mühüm bir komponent kimi görünürken, diğer xəstələrda etkisi daha məhduddur.

Dış doğrulama ne gösterdi?

Model iki bağımsız üçüncü basamak xəstəxana kohortunda sınanmıştır. Dış doğrulama A kohortu 158, xarici doğrulama B kohortu 172 diyabetik böyrək xəstəsından yaranmışdır.

Her iki modelin dış kohortlardaki AUC dəyərləri 0,91’in üzərindədir. Bu nəticə yedi değişkenli əsas strukturnın fərqli hasdənələrde də güclü ayırım sağlayabildiğini desteklemektedir. Lakin apolipoproteinli modelin AUC’si iki dış kohortta da yedi değişkenli modelden sayısal kimi daha yüksek değildir və farklar istatistiksel kimi anlamlı değildir.

Buna görə tədqiqat iki ayrı sonucu birbirinden ayırmaktadır: Yedi değişkenli XGBoost modelinin dış kohortlardaki ayırımı olumlu görünmektedir; ApoB və ApoAI’nin sağladığı iç nümunəlem kazancı isə dışarıda tekrarlanmamıştır. Apolipoproteinlerin klinik dəyərine ilişkin nəticə bu nedenle keşifsel kabul edilmelidir.

Tədqiqatın güclü yönleri nelerdir?

• Model genel kronik böyrək xəstəlığı yerine diabetik böyrək xəstəliyina özgü bir kohortta geliştirilmiştir.
• 3.078 xəstəlık inkişaf kohortu və iki bağımsız xarici doğrulama kohortu istifadə edilmişdir.
• Altı fərqli maşın öyrənməsi algoritması eyni məlumat strukturu üçünde qarşılaştırılmıştır.
• Ayırımın yanında kalibrasiya və qərar əyrisi analizi də araşdırılmışdır.
• SHAP ilə hem genel değişken əhəmiyyəti hem də xəstə düzeyindeki açıklamalar sunulmuştur.
• İki, beş və on yıllık fərqli proqnoz müddətleri dəyərləndirilmişdir.
• Apolipoproteinlerin ek töhfəsi ayrı bir alt model və dış kohortlarla sınanmıştır.

Tədqiqatın məhdudlıkları nelerdir?

• Tədqiqat geriye dönük və gözlemseldir; ölçülmeyen karıştırıcı değişkenler ortadan kaldırılamaz.
• Geliştirme məlumatlari üçüncü basamak bir xəstəxananin stasionar xəstəlarından gelmektedir. Ayaktan izlenen və ya birinci basamak xəstələrında eyni performans garanti ediləmez.
• Diyalize başlama sonucu yalnızca biyolojiye değil, hekim kararı, xəstə tercihi və sağlık hizmətne erişime də bağlıdır.
• Apolipoprotein modeli, bu ölçmələrin mevcut olduğu seçilmiş bir alt grupta geliştirilmiştir və seçim yanlılığı oluşabilir.
• Model yalnızca başlanğıc dəyərlərini kullanmaktadır. eGFR və ya UACR’nin zaman üçündeki değişimi, ilaç istifadəsi və tedaviye yanıt modele dahil edilmemiştir.
• Dış doğrulama kohortları görəce kiçiktür; xüsusilə geniş inam aralıkları performans tahminindeki belirsizliği göstərir.
• Bütün merkezler Çin’deki üçüncü basamak hasdənələrdir. Coğrafi, etnik və sağlık sistemi çeşitliliği məhduddur.
• Modelin kesin hiperparametreleri ilə Ek Şekil S1–S6 və Ek Tablo S1–S2 yüklenen dosyada bulunmamaktadır.
• Tədqiqat rəyçi qiymətləndirməsindən keçməmişdir və raporlama ya da analiz hataları daha sonra düzeltiləbilir.

Tədqiqat neyi desteklemektedir?

• eGFR və UACR, araşdırılan kohortta dializə başlama proqnozsünün en güclü və en tutarlı değişkenleridir.
• Kardiyovasküler xəstəlık, hemoglobin, yaş, cins və diabet müddəti böyrək göstergelerine ek proqnoz bağlamı təmin etmişdir.
• Yedi değişkenli XGBoost modeli iki kiçik bağımsız xəstəxana kohortunda yüksek AUC dəyərlərini qorumuşdur.
• ApoB və ApoAI, daxili alt qrupta modelin ayırım gücünü istatistiksel kimi artırmışdır.
• SHAP, modelin xəstə düzeyindeki tahminlerine hangi değişkenlerin töhfəda bulunduğunu gösterebilmiştir.

Tədqiqat neyi sübut etmir?

• Model, belirli bir xəstənın kesin kimi dializə başlayacağını və ya başlamayacağını sübut etmir.
• Yüksek ApoB’nin dializə birbaşa neden olduğunu göstermez.
• Apolipoprotein testi strukturlmasının xəstə nəticələrinı iyiləştirdiğini sübut etmir.
• Model əsasli karar desteğinin dializi geciktirdiğini, yaşam müddətini uzattığını və ya tedavi maya dəyəriini azalttığını göstermez.
• Çin’deki xəstəxana kohortlarından əldə edilən eşiklerin Türkiyə və ya başka ülkelerde birbaşa kullanılabiləceğini göstermez.
• Modelin ambulator bakım, birinci basamak və ya fərqli laboratoriya sistemlerinde eyni kalibrasiyau koruyacağını sübut etmir.
• Apolipoprotein eklemesinin dış kohortlarda əsas modelden daha iyi olduğunu göstermez.

Tədqiqatın Yöntemi və Bulguları

Teknik tədqiqat tasarımı

Nihai model değişkenleri və anlamları

Algoritmaların iki yıllık AUC qarşılaştırması

Şekillerin əsas mesajları

• Şekil 1: Hasta seçiminden məlumat ön işlemeye, yedi değişkenli və teksturaz değişkenli apolipoprotein modellerine və xarici doğrulamaya uzanan iş akışını göstərir.
• Şekil 2: Lojistik və Cox regresyonlarında eGFR ilə UACR’nin zaman aralıkları boyunca tutarlı olduğunu; genişletilmiş modelin yalnız eGFR kullanan modelden daha yüksek AUC sağladığını göstərir.
• Şekil 3: Altı algoritmanın ROC, performans ölçütü, kalibrasiya və karar eğrisi qarşılaştırmalarını sunmakta; XGBoost’un genel tercih nedeni bu bütünleşik dəyərləndirmədir.
• Şekil 4: eGFR və UACR’nin SHAP əhəmiyyət sıralamasına hâkim olduğunu və eyni modelin xəstə düzeyinde fərqli risk tərkiblerini açıklayabildiğini göstərir.
• Şekil 5: ApoB və ApoAI eklenmesinin daxili alt qrupta AUC’yi artırdığını, lakin regresyon ilişkilərinin bütün zaman noktalarında eyni ölçüde güclü olmadığını göstərir.
• Şekil 6: Apolipoproteinli modelde də ana risk bilgisinin UACR, eGFR, hemoglobin və kardiovaskulyar xəstəliktan geldiğini; ApoB ilə ApoAI’nin ek lakin daha kiçik töhfəlar sunduğunu göstərir.
• Şekil 7: Her iki modelin dış kohortlarda 0,91’in üzərində AUC sağladığını, lakin apolipoprotein eklemesinin xarici doğrulamada üstünlük göstermediğini ortaya koymaktadır.

Etik, maliyyələşmə və məlumat erişimi

Tədqiqat protokolü Hangzhou Hospital of Traditional Chinese Medicine Tıbbi Etik Komitesi tarafından 2025KLL245 numarasıyla onaylanmıştır. Metinde bütün katılımcıların məlumatlandırılmış razılıq verdiği belirtilmektedir. Verilər kimlikten arındırılmış və təlimli personel tarafından standardize edilmiştir.

Araşdırma Zhejiang Provincial Key R&D Program “Lingyan” Project, Central Universities Fundamental Research Funds və ZJU-GENSCI Children’s Health Research & Development Center tarafından desteklenmiştir. Yazarlar maraqlar toqquşması bildirmemiştir. Tədqiqat məlumatlarinin məsul müəllifdan talep ediləbiləceği qeyd edilmişdir.

Mənbə və Metod Qeydi

Tədqiqatın tam özgün adı: Apolipoprotein-Informed Explainable Machine Learning for Predicting Dialysis Initiation in Diabetic Kidney Disəase

Yazarlar: Jiazhen Yin, Zhuoliang Liu, Huizhen He, Sicheng Liu, Fangyu Yi, Caifeng Zhu, Yayu Li, Xiao Tu, Wanyue Xu, Chengpeng Wu, Qing Tian, Shi Ouyang, Jing Nie və Lidan Hu.

Eşit töhfəda bulunan ilk müəlliflər: Jiazhen Yin və Zhuoliang Liu.

Sorumlu müəlliflər: Jing Nie və Lidan Hu. Metinde məlumatlen ilətişim adresleri sırasıyla niej​​ing@pkufh.com və hulidan@zju.edu.cn şeklindedir.

Kurumsal keçidlar:

1. Department of Nephrology, Key Laboratory of Kidney Disəase Prevention and Control Technology, Hangzhou Hospital of Traditional Chinese Medicine, Hangzhou, Zhejiang, Çin.
2. Guangdong Clinical Research Academy of Chinese Medicine, The First Affiliated Hospital of Guangzhou University of Chinese Medicine, Guangzhou, Guangdong, Çin.
3. School of Basic Medical Sciences and Forensic Medicine, Hangzhou Medical College, Hangzhou, Zhejiang, Çin.
4. State Key Laboratory of Organ Failure Research, National Clinical Research Center of Kidney Disəase, Division of Nephrology, Nanfang Hospital, Southern Medical University, Guangzhou, Çin.
5. Hangzhou Clinical College, Zhejiang Chinese Medical University, Hangzhou, Zhejiang, Çin.
6. Department of Nephrology, The Children’s Hospital, Zhejiang University School of Medicine, National Clinical Research Center for Child Health, Hangzhou, Zhejiang, Çin.
7. Biobank of Peking University First Hospital, Department of Clinical Medical Research, Peking University First Hospital; State Key Laboratory of Vascular Homeostasis and Remodeling, Peking University Health Science Center, Peking University, Pekin, Çin.

Qaynaq türü: Geriye dönük gözlemsel kohort, maşın öyrənməsi modeli geliştirme və xarici doğrulama tədqiqatsı; preprint.

Hakemlik durumu: Bu tədqiqat rəyçi qiymətləndirməsindən keçməmişdir. Bulgular və raporlama ayrıntıları hakemlik müddətcinde değişebilir.

DOI:10.2139/ssrn.7018505

Yayın platformau: SSRN.

Yayın yılı və kayıt tarihi: 2026; SSRN kayıt tarihi 30 Haziran 2026.

Dergi: Hakemli bir jurnalde kabul və ya yayımlanma bilgisi doğrulanamamıştır. Metinde “Metabolism” adına yönelik bir ifade bulunması tek başına jurnal kabulü və ya nəşr kanıtı değildir.

Özgün nəşriyyat: Bu sürüm üçün hakemli bir jurnal nəşriyyat bulunmamaktadır. SSRN, Elsevier Inc. tarafından işletilən bir preprint platformaudur; SSRN kaydı son hakemli nəşr kimi dəyərlendirilmemelidir.

Resmî mənbə keçidsı:https://ssrn.com/abstract=7018505

Bu Türkçe açıklama yüklenen 27 sayfalık tədqiqat, ana mətndeki sayısal nəticələr və Şekil 1–7 incelenerek hazırlanmışdır. Tədqiqatda bulunmayan yeni klinik nəticə, tedavi önerisi və ya dış bilimsel tapıntı eklenmemiştir. Dış mənbəlar yalnızca DOI, SSRN kayıt tarihi və platforma kimliğinin doğrulanması üçün istifadə edilmişdir.

Yüklenen dosyada ana metnin atıf yaptığı Tablo 1, Ek Şekil S1–S6 və Ek Tablo S1–S2 bulunmamaktadır. Bu nedenle bütün değişkenlerin ham dağılımları, ayarlanmış analizlerin tüm katsayıları və kesin model hiperparametreleri bağımsız kimi doğrulanamamıştır.

Sonuçlar güclü ayırım performansı bildirse də tədqiqat geriye dönük stasionar xəstə məlumatlarine dayanmaktadır. Dış kohortlar kiçiktür və eyni ülkenin üçüncü basamak hasdənələrinden gelmektedir. Modelin klinik karar desteğine çevrilməsi üçün iləriye dönük, çox merkezli, coğrafi kimi çeşitli doğrulama, yerli kalibrasiya, sağlık nəticələri analizi və gerçek klinik iş akışı dəyərləndirməsi lazımlıdir. Bu tədqiqat tek başına xəstəya dializ başlatma, tedavi değiştirme və ya apolipoprotein testi isteme gerekçesi oluşturmaz.