Diabetik kardiomiopatiya tip 2 diabetin kifayət qədər erkən tanınmaya bilən ürək ağırlaşmalarından biridir. Diaqnostika və funksional qiymətləndirmə üçün exokardioqrafiya əsas vasitələrdən biri olsa da, görüntüləmə imkanlarının məhdud olduğu xəstəxanalarda hansı pasiyentlərin əvvəlcə qiymətləndirilməli olduğunu müəyyən etmək çətin ola bilər. Bu çoxmərkəzli tədqiqat yalnız xəstəxanada rutin olaraq əldə edilən görüntüləmədənkənar klinik dəyişənlərdən istifadə etməklə exokardioqrafiyadan əvvəl pasiyentlərin prioritetləşdirilməsini həyata keçirə bilən şərh oluna bilən maşın öyrənməsi modeli hazırlamışdır.

Analizə Çinin Yunnan bölgəsindəki dörd xəstəxanadan ümumilikdə 1.420 tip 2 diabetli yetkin daxil edilmişdir. Tək bir üçüncü səviyyəli xəstəxanadan 1.001 pasiyent inkişaf kohortunu, coğrafi və institusional baxımdan ayrı üç xəstəxanadan 419 pasiyent isə xarici doğrulama kohortunu təşkil etmişdir. Diabetik kardiomiopatiya inkişaf kohortunda %45,3, xarici doğrulamada isə %34,4 nisbətində aşkar edilmişdir.

Başlanğıcdakı 83 namizəd dəyişən LASSO, Boruta və SVM-RFE ilə üç ayrı üsulla filtrlənmiş və metodların ortaq kəsişməsindən doqquz rutin klinik göstərici seçilmişdir: yaş, bədən kütlə indeksi, diabet müddəti, mütləq eozinofil sayı, qamma-qlutamil transferaza, sistatin C, laktat dehidrogenaza, sidik albumin/kreatinin nisbəti və sidik N-asetil-β-D-qlükozaminidaza/kreatinin nisbəti.

Doqquz fərqli alqoritm müqayisə edildikdə LightGBM ən güclü ümumi performansı göstərmişdir. AUC inkişaf kohortunda 0,925, tamamilə ayrı xarici doğrulama kohortunda isə 0,846 olmuşdur. Decision-curve analysis də LightGBM-nin klinik cəhətdən mənalı hədlərdə digər modellərlə müqayisədə daha yüksək xalis fayda təmin edə biləcəyini göstərmişdir.

Lakin model diabetik kardiomiopatiyanın qəti diaqnozu və ya gələcəkdə yaranma riskinin proqnozu üçün hazırlanmayıb. Məqsəd xəstəxanaya yerləşdirilmiş tip 2 diabetli şəxslər arasında exokardioqrafik qiymətləndirməyə prioritet verilə biləcək pasiyentləri sıralamaqdır. Tədqiqatın özü də rutin istifadədən əvvəl prospektiv doğrulama, yerli kalibrasiya və klinik iş axınının qiymətləndirilməsinin lazım olduğunu vurğulayır.

Diabetik kardiomiopatiya nədir?

Diabetik kardiomiopatiya aşkar koronar arteriya xəstəliyi, əhəmiyyətli qapaq xəstəliyi, anadangəlmə ürək xəstəliyi və ya uzunmüddətli nəzarətsiz hipertoniya kimi başqa səbəblərlə izah edilə bilməyən, diabetlə əlaqəli miokardın struktur və ya funksional pozğunluğunu ifadə edir.

Erkən mərhələdə sol mədəcik hipertrofiyası, relaksasiya pozğunluğu, azalmış mədəcik komplayansı və diastolik disfunksiya yarana bilər. Bəzi pasiyentlərdə proses irəliləyərək sistolik pozulmaya və klinik ürək çatışmazlığına çevrilə bilər.

Tədqiqat niyə exokardioqrafiyadan əvvəl triaj modeli hazırladı?

Exokardioqrafiya diaqnostik qiymətləndirmə üçün əhəmiyyətini qoruyur. Problem hər tip 2 diabetli pasiyentin eyni anda ürək görüntüləməsinə çıxış əldə edə bilməməsidir. Xüsusilə üçüncü səviyyəli, bələdiyyə və rayon səviyyəli xəstəxanalar arasında görüntüləmə və kardiologiya imkanları fərqlənə bilər.

Tədqiqatçılar buna görə diaqnoz əvəzinə sıralama problemi müəyyən etmişlər:

“Rutin klinik məlumatlardan hansı pasiyentin exokardioqrafiyaya daha əvvəl göndərilməli olduğunu müəyyən edə bilərikmi?”

Modelin təklif olunan klinik axını belədir:

Rutin xəstəxana məlumatları → risk sıralaması → yüksək prioritetli pasiyent → exokardioqrafiya → klinisist qiymətləndirməsi.

Pasiyent kohortları necə yaradıldı?

İnkişaf məlumatları Yanvar 2020–İyun 2025 arasında Kunming Medical University First Affiliated Hospital-da toplanmışdır. Xarici doğrulama məlumatları isə 2024-cü ildə Yunnan Diannan Central Hospital, Gejiu People's Hospital və Xiangyun County People's Hospital-dan əldə edilmişdir.

Bu üç mərkəz modelin hazırlanması zamanı istifadə edilməmişdir.

Tədqiqatda diabetik kardiomiopatiya necə müəyyən edildi?

Nəticə dəyişəni üç əsas şərtə əsaslanır:

1. Təsdiqlənmiş tip 2 diabet,
2. aşkar alternativ kardiomiopatiya səbəblərinin istisna edilməsi,
3. exokardioqrafiyada sol mədəcik funksiyasının pozulması.

Funksiya pozğunluğu grade I–III diastolik disfunksiya və ya sol mədəciyin ejeksiya fraksiyasının %50-dən aşağı olduğu sistolik disfunksiya kimi müəyyən edilmişdir.

Müəlliflər bu yanaşmanın mexanistik baxımdan saf diabetik kardiomiopatiyanı deyil, klinik cəhətdən mənalı diabetik miokardial disfunksiya fenotipini müəyyən etməyi hədəflədiyini açıq şəkildə bildirirlər.

Doqquz dəyişən necə seçildi?

Üç fərqli seçim alqoritminin kəsişməsindən istifadə edilməsi yalnız bir alqoritmin xüsusiyyət əhəmiyyət sıralamasından asılı qalmamaq məqsədilə seçilmişdir.

Modeldə istifadə olunan doqquz rutin göstərici hansılardır?

Bu göstəricilər miokarda spesifik deyil. Modelin uğurunun mühüm hissəsi diabetik ürək pozğunluğu ilə yanaşı inkişaf edən daha geniş kardiorenal-metabolik fenotipi tutmasından qaynaqlana bilər.

Doza-cavab analizləri nə göstərdi?

Bunlar klinik diaqnostik hədlər deyil. Restricted cubic spline əyrilərində əlaqənin daha aydın hala gəldiyi sahələri ifadə edir.

Tədqiqatın Metodu və Nəticələri

Hansı maşın öyrənməsi modelləri müqayisə edildi?

• Logistik reqressiya
• Qərar ağacı
• Elastic net
• K-ən yaxın qonşu
• LightGBM
• Multilayer perceptron
• Random forest
• Support vector machine
• XGBoost

Hiperparametr optimallaşdırılması yalnız inkişaf kohortunda Bayesian optimallaşdırma ilə aparılmış və beş tur beşqat çarpaz doğrulama tətbiq edilmişdir.

LightGBM nə qədər uğurlu idi?

Random forest inkişaf kohortunda AUC=0,924 ilə LightGBM-yə çox yaxın olmuşdur. Lakin xarici doğrulama, decision-curve analizi və ümumi performans birlikdə qiymətləndirildikdə tədqiqatçılar LightGBM-ni ən uyğun model kimi seçmişlər.

Decision-curve analysis niyə vacib idi?

Bir triaj modeli üçün yalnız AUC kifayət deyil. Modelin hansı ehtimal həddində görüntüləmə prioriteti verəcəyi və bu qərarın lazımsız görüntüləməni azaldarkən halları qaçırmaması lazımdır.

Decision-curve analysis modeldən istifadənin “hamını görüntülə” və “heç kimi görüntüləmə” yanaşmaları ilə müqayisədə klinik xalis faydasını qiymətləndirir. LightGBM həm inkişaf, həm də xarici doğrulamada geniş hədd aralığında ən güclü xalis fayda profillərindən birini göstərmişdir.

Kalibrasiya niyə ayrıca qiymətləndirilməlidir?

Xarici doğrulama xəstəxanalarında pasiyent profili və DbCM prevalansı inkişaf mərkəzindən fərqlidir. Buna görə model pasiyentləri düzgün risk sırasına qoysa belə, mütləq ehtimallar mərkəzlər arasında dəyişə bilər.

Mənbə buna görə başqa bir xəstəxanada real qərar dəstəyi istifadəsindən əvvəl yerli kalibrasiya və ya model yenilənməsini tövsiyə edir.

SHAP hansı dəyişənləri önə çıxardı?

Qlobal SHAP əhəmiyyət sıralamasında ən güclü üç töhfə:

Yaş → BMI → GGT

olmuşdur.

Sonrakı göstəricilər diabet müddəti, UACR, sistatin C, RandNAGCr, AEC və LDH-dir.

SHAP sıralaması dəyişənlərin bioloji olaraq xəstəliyə səbəb olduğunu sübut etmir; yalnız LightGBM modelinin proqnozlarında hansı məlumatdan daha çox istifadə etdiyini göstərir.

Fərdi proqnoz necə izah olunur?

Mənbədə nümunə yüksək riskli pasiyentdə model ehtimalı %92,4-dür. GGT, BMI və sistatin C riski artıran əsas komponentlərdəndir.

Aşağı riskli nümunələrdən birində isə GGT yüksək olmasına baxmayaraq digər dəyişənlərin qoruyucu istiqamətdə ümumi təsiri səbəbilə təxmin edilən ehtimal %2,9-a enmişdir.

Bu nümunələr modelin tək laboratoriya dəyərinə əsaslanan sabit hədd sistemi olmadığını göstərir.

Veb prototip necə işləyir?

Tədqiqatçılar Shiny əsaslı prototip hazırlamışlar. İstifadəçi doqquz rutin klinik göstəricini daxil edir və sistem:

• eyni vaxtda mövcud DbCM üçün təxmini ehtimal,
• qlobal risk sıralaması və
• pasiyent səviyyəsində SHAP izahı

yaradır.

Lakin prototipin real klinik iş axınında prospektiv effektivliyi hələ sınaqdan keçirilməyib.

Tədqiqatın dəstəklədiyi nəticələr

• Rutin görüntüləmədənkənar klinik məlumatlar DbCM ilə əlaqəli informasiya daşıyır.
• Doqquz dəyişənlə qurulan LightGBM modeli inkişaf kohortunda güclü diskriminasiya göstərmişdir.
• Model coğrafi baxımdan ayrı üç xəstəxanada AUC=0,846 ilə xaricdən doğrulanmışdır.
• Xarici doğrulama həssaslığı yüksəkdir.
• Decision-curve analizi triaj məqsədi üçün müsbət xalis fayda göstərir.
• SHAP modeli klinisist tərəfindən nəzərdən keçirilə bilən hala gətirir.
• Rutin klinik məlumatlar exokardioqrafiya prioritetləndirilməsində istifadə oluna biləcək tədqiqat yanaşması təqdim edir.

Tədqiqatın dəstəkləmədiyi nəticələr

• Model diabetik kardiomiopatiyanın qəti diaqnozunu qoymur.
• Exokardioqrafiyanı əvəz etdiyi göstərilməyib.
• Gələcəkdə kardiomiopatiyanın yaranmasını proqnozlaşdırdığı göstərilməyib.
• Ürək çatışmazlığını və ya ölüm hallarını prospektiv proqnozlaşdırdığı göstərilməyib.
• Veb prototipin klinik nəticələri yaxşılaşdırdığı hələ göstərilməyib.
• Modelin Çin xaricində və ya ambulator izlənən populyasiyalarda performansı doğrulanmayıb.
• SHAP əhəmiyyət sıralaması bioloji səbəbiyyət sübutu deyil.
• Doqquz göstərici miokarda spesifik biomarkerlər kimi qiymətləndirilməməlidir.
• Hər xəstəxanada eyni mütləq risk ehtimallarının keçərli olacağına zəmanət yoxdur.

Mənbə və Metod Qeydi

Özgün başlıq: Routine clinical data for pre-imaging triage of diabetic cardiomyopathy in hospitalised adults with type 2 diabetes in China: a multicentre development and external validation study.

Mənbə növü: SSRN preprint.

SSRN: 6943378.

DOI: 10.2139/ssrn.6943378.

Rəyçilik statusu: Yüklənmiş PDF açıq şəkildə “This preprint research paper has not been peer reviewed” ifadəsini daşıyır.

Əsas tədqiqat dizaynı: Çoxmərkəzli, kəsik inkişaf və coğrafi xarici doğrulama tədqiqatı.

Ümumi analitik kohort: 1420 xəstəxanada yatan tip 2 diabetli yetkin.

İnkişaf kohortu: 1001 pasiyent.

Xarici doğrulama: Üç ayrı xəstəxanadan ümumilikdə 419 pasiyent.

Çatışmayan məlumat: 284 nəfər çatışmayan namizəd dəyişən və ya outcome-defining məlumat səbəbilə analizdən kənarlaşdırılmışdır. İmputasiya aparılmamışdır.

Əsas outcome: Praqmatik şəkildə müəyyən edilmiş concurrent diabetic cardiomyopathy / diabetic myocardial dysfunction phenotype.

Xüsusiyyət seçimi: LASSO + Boruta + SVM-RFE ortaq kəsişməsi.

Yekun dəyişən sayı: 9.

Əsas model: LightGBM.

Müqayisə modelləri: logistic regression, decision tree, elastic net, kNN, MLP, random forest, SVM və XGBoost.

Modelin qiymətləndirilməsi: ROC/AUC, accuracy, sensitivity, specificity, PPV, NPV, F1, MCC, Cohen kappa, Brier score, calibration intercept/slope və decision-curve analysis.

Şərh ediləbilənlik: SHAP qlobal və fərdi izahlar.

Prototip: Shiny əsaslı veb interfeys; tədqiqat və pre-imaging triaj nümayişi üçün nəzərdə tutulub.

Etik təsdiq: Clinical Ethics Committee of the First Affiliated Hospital of Kunming Medical University, 2022 Ethics L No 30. Retrospektiv məlumatlara görə məlumatlandırılmış razılıq tələbi aradan qaldırılmışdır.

Maliyyələşdirmə: National Natural Science Foundation of China 82270372 və 82560080; Yunnan Province Xingdian Talents Support Project 202405AS350014; Yunnan Education Department 202401AS070026 və 2025J0162; Zheng Yongqiang Academician Workstation 202305AF150189.

Maraqların toqquşması: Müəlliflər maraqların toqquşması bildirmirlər.

Məlumatlara çıxış: Pasiyent səviyyəli məlumatlar etik və institusional məhdudiyyətlərə görə açıq yayımlanmır. Şəxssizləşdirilmiş məlumat və kod uyğun elmi sorğu və qurum təsdiqi ilə əlçatan ola bilər.

Əsas məhdudiyyətlər: Kəsik dizayn; praqmatik və heterogen outcome tərifi; complete-case analizi; yalnız Yunnandakı xəstəxanada yatan yetkinlər; dərman məruz qalmasının modelə daxil edilməməsi; race/ethnicity məlumatının etibarlı olmaması; real klinik iş axınında prospektiv testin aparılmaması.

Klinik şərh sərhədi: Model diaqnoz qoymaq və ya exokardioqrafiyanı əvəz etmək məqsədilə hazırlanmayıb. Ən uyğun istifadə hipotezi pasiyent sıralaması və görüntüləmə prioritetləndirilməsidir.

Vizual yenidən çəkilmə qeydi: Verianla üçün ən güclü özgün vizual; solda tip 2 diabetli pasiyent və doqquz rutin məlumat göstəricisi, ortada LightGBM + SHAP, sağda risk sıralaması və exokardioqrafiya prioriteti; alt hissədə “İnkişaf AUC 0,925 → Xarici doğrulama AUC 0,846” zənciri olacaqdır.