Bu çalışma, diyabetik böbrek hastalığı bulunan hastaların iki, beş ve on yıl içinde hemodiyaliz veya periton diyalizine başlama riskini elektronik sağlık kayıtları ve açıklanabilir makine öğrenmesi kullanarak öngörmeyi amaçlamıştır. Geliştirme kohortunda 3.078 hasta değerlendirilmiş; karar ağacı, rastgele orman, destek vektör makinesi, XGBoost, LightGBM ve çok katmanlı algılayıcı olmak üzere altı algoritma karşılaştırılmıştır. En yüksek genel performans XGBoost modelinde elde edilmiş ve ROC eğrisi altında kalan alan değerleri iki, beş ve on yıl için sırasıyla 0,9274, 0,9154 ve 0,9095 olarak bildirilmiştir. Bununla birlikte çalışma geriye dönük bir hastane kohortuna dayanan, hakem değerlendirmesinden geçmemiş bir preprinttir; modelin rutin klinik karar aracı olarak kullanılabilmesi için ileriye dönük ve daha çeşitli hasta gruplarında doğrulanması gerekmektedir.

Nihai klinik model yedi değişken kullanmıştır: tahmini glomerüler filtrasyon hızı, idrar albümin/kreatinin oranı, kardiyovasküler hastalık varlığı, hemoglobin, cinsiyet, yaş ve diyabet süresi. Tahmini glomerüler filtrasyon hızı ile idrar albümin/kreatinin oranı bütün zaman aralıklarında en güçlü iki belirleyici olarak öne çıkmıştır. SHAP analizleri, modelin yalnızca bir risk puanı üretmesini değil, belirli bir hastada hangi değişkenlerin öngörülen riski artırdığını veya azalttığını göstermesini de sağlamıştır.

Apolipoprotein B ve apolipoprotein AI ölçümleri bulunan 1.855 hastalık iç alt grupta bu iki değişken modele eklendiğinde iki yıllık AUC 0,923’ten 0,955’e, beş yıllık AUC 0,905’ten 0,928’e ve on yıllık AUC 0,904’ten 0,923’e yükselmiştir. Ancak bu ek yarar iki bağımsız dış doğrulama kohortunda tekrarlanmamıştır. Bu nedenle çalışma, apolipoprotein ölçümünün diyaliz riskini kesin biçimde iyileştirdiğini değil, daha geniş ve ileriye dönük araştırmalarda sınanması gereken olası bir lipoprotein ilişkili risk sinyalini göstermektedir.

Türkiye açısından: Çalışmanın yaklaşımı Türkiye’de nefroloji, endokrinoloji ve hastane bilgi yönetim sistemlerinde diyabetik böbrek hastalarının yapılandırılmış risk değerlendirmesi için araştırılabilir. eGFR, idrar albümin/kreatinin oranı, hemoglobin, yaş ve kardiyovasküler hastalık gibi değişkenlerin çoğu Türkiye’de rutin olarak ölçülebilir. Bununla birlikte model Çin’deki üçüncü basamak hastanelerden elde edilen yatan hasta verileriyle geliştirilmiştir. Türkiye’de kullanılmadan önce Türk hasta popülasyonunda dış doğrulama, yerel kalibrasyon, laboratuvar birimlerinin standardizasyonu, eksik veri örüntülerinin incelenmesi ve diyalize başlama kararlarını etkileyen sağlık hizmeti koşullarının değerlendirilmesi gerekir. Çalışmadan Türkiye’deki hastalar için doğrudan bir risk oranı, tedavi kararı veya apolipoprotein testi önerisi çıkarılamaz.

Araştırmanın temel sorusu nedir?

Araştırma iki bağlantılı soruya yanıt aramaktadır. Birinci soru, diyabetik böbrek hastalığına özgü klinik değişkenlerle oluşturulan açıklanabilir bir makine öğrenmesi modelinin hastaların iki, beş ve on yıl içindeki diyalize başlama riskini ne kadar başarılı öngörebileceğidir. İkinci soru ise apolipoprotein B ve apolipoprotein AI ölçümlerinin böbrek fonksiyonu ve albüminüri gibi geleneksel göstergelerin ötesinde ek öngörü bilgisi sağlayıp sağlamadığıdır.

Diyabetik böbrek hastalığı yalnızca böbreğin süzme kapasitesinin azalmasından oluşmaz. Hiperglisemi, glomerüler basınç, tübüler hasar, fibrozis, anemi, kardiyovasküler hastalık ve metabolik bozukluklar aynı hastada birlikte bulunabilir. Araştırmacılar bu nedenle genel kronik böbrek hastalığı kohortlarında geliştirilen modellerin diyabete özgü kardiyorenal ve metabolik örüntüleri tam olarak yakalayamayabileceğini öne sürmüştür.

Hasta grubu nasıl oluşturuldu?

Geliştirme verileri, Hangzhou Geleneksel Çin Tıbbı Hastanesinde Ocak 2015 ile Aralık 2023 arasında tedavi edilen hastaların elektronik tıbbi kayıtlarından alınmıştır. Başlangıçta diyabetik böbrek hastalığı tanısı bulunan 5.644 yatan hasta belirlenmiştir. On sekiz yaşından küçük olanlar, başlangıç verileri eksik olanlar, başlangıçtan önce diyaliz uygulanmış olanlar, takip tarihi başlangıç tarihinden önce görünenler ve başlangıçta diyabet süresi bilinmeyenler dışlanmıştır. Son analiz kohortu 3.078 hastadan oluşmuştur.

Diyabetik böbrek hastalığı; üç aydan uzun süre devam eden en az 30 mg/g idrar albümin/kreatinin oranı ve/veya 60 mL/dk/1,73 m² altında tahmini glomerüler filtrasyon hızıyla ilişkilendirilmiş ya da E10.2 ve E11.2 ICD-10 tanı kodlarıyla belirlenmiştir. Birden fazla yatışı bulunan hastalarda ilk yatıştaki başlangıç değerleri kullanılmıştır.

Şekil 1’deki hasta akışına göre takip kaybı bulunan kişilerin ilgili zaman analizlerinden çıkarılması sonucunda iki yıllık kohortta 2.386, beş yıllık kohortta 2.427 ve on yıllık kohortta 2.431 hasta kalmıştır. Apolipoprotein ölçümleri bulunan iç alt grup 1.855 hastadan oluşmuş; ilgili takip analizlerinde yaklaşık 1.440–1.474 hasta değerlendirilmiştir.

Sonuç değişkeni nasıl tanımlandı?

Birincil sonuç, hastanın böbrek yerine koyma tedavisi sürecine girerek hemodiyaliz veya periton diyalizine başlamasıdır. Bu sonuç yalnızca biyolojik böbrek fonksiyonu kaybını temsil etmez. Diyalize başlama zamanı; hastanın semptomlarından, metabolik komplikasyonlarından, hekimin kararından, hastanın tercihinden ve sağlık hizmetine erişimden de etkilenebilir. Araştırmacılar bu özelliği çalışmanın önemli yorum sınırlarından biri olarak kabul etmiştir.

Hangi değişkenler kullanıldı?

Başlangıç veri setinde üç demografik değişken, yedi tıbbi öykü değişkeni, üç yaşamsal bulgu ve 42 laboratuvar göstergesi olmak üzere toplam 55 değişken bulunmuştur. Eksiklik oranı yüzde 20’yi aşan değişkenler çıkarılmış ve 36 değişken korunmuştur. Sürekli değişkenlerdeki uç değerler healthyR.ai paketindeki yöntemlerle sınırlandırılmış, eksik değerler k-en yakın komşu yöntemiyle tamamlanmıştır.

Tahmini glomerüler filtrasyon hızı, 2021 CKD-EPI kreatinin denklemi kullanılarak hesaplanmıştır. Denklemin açık matematiksel biçimi yüklenen çalışmada verilmediği için burada yeni bir formül oluşturulmamıştır. eGFR, böbreklerin bir dakikada ne kadar kanı süzebildiğine ilişkin vücut yüzey alanına göre standardize edilmiş bir tahmindir. Düşük eGFR, daha düşük süzme kapasitesini gösterir.

İdrar albümin/kreatinin oranı, idrarda böbrek filtresinden geçen albümin miktarını idrar yoğunluğundaki değişikliklere karşı kreatininle ilişkilendirir. Çalışmadaki başlangıç karşılaştırmalarında oran mg/mgCr biçiminde, tanı ölçütünde ise mg/g biçiminde verilmiştir. Yüksek UACR daha fazla albuminüriyi ve glomerüler hasar yükünü temsil eder.

Değişken seçimi nasıl yapıldı?

Önce her aday değişken için tek değişkenli lojistik regresyon ve Cox regresyonu uygulanmıştır. P değeri 0,05’in altında olan değişkenler adımlı çok değişkenli analizlere alınmıştır. Nihai seçim yalnızca istatistiksel anlamlılığa değil, klinik anlamlılığa ve farklı takip sürelerinde tutarlı bir değişken kümesi oluşturulmasına da dayandırılmıştır.

eGFR ve UACR iki, beş ve on yıllık analizlerin tamamında en tutarlı böbrek belirleyicileri olmuştur. Kardiyovasküler hastalık, hemoglobin ve cinsiyet temel modele alınmıştır. Yaş ile diyabet süresinin toplam metabolik maruziyeti ve komplikasyon yükünü yansıtabileceği düşünülerek genişletilmiş modele eklenmiştir. Böylece nihai model şu yedi değişkenden oluşmuştur:

• Tahmini glomerüler filtrasyon hızı (eGFR)
• İdrar albümin/kreatinin oranı (UACR)
• Kardiyovasküler hastalık varlığı
• Hemoglobin düzeyi
• Cinsiyet
• Yaş
• Diyabet süresi

Serum fosfatı bazı beş ve on yıllık analizlerde anlamlı ilişki göstermiştir. Ancak araştırmacılar farklı zaman aralıklarında aynı değişkenleri kullanan kararlı bir model elde etmek amacıyla fosfatı nihai yedi değişkenli modele almamıştır. Tartışma bölümündeki bir cümle fosfatı modele eklenmiş gibi ifade etse de yöntem, bulgular ve Şekil 1 açık biçimde nihai modelin fosfat içermediğini göstermektedir.

Başlangıçta diyalize ilerleyen hastalar nasıl farklıydı?

Toplam 3.078 hastanın 227’si, yani yüzde 7,4’ü takip sırasında diyalize başlamıştır. Diyalize başlayan grubun başlangıçtaki böbrek hastalığı yükü belirgin biçimde daha ağırdır:

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

Bu farklılıkların tümü için P değeri 0,001’in altındadır. Diyalize ilerleyen hastalarda hipertansiyon yüzde 97,4, kardiyovasküler hastalık yüzde 80,2 ve hiperürisemi yüzde 61,2 oranında görülmüştür. Buna karşılık hiperlipidemi sıklığı iki grup arasında benzer bulunmuştur: yüzde 49,8’e karşı yüzde 48,7; P = 0,804.

Diyalize başlayan grubun medyan yaşı 62,0, diyalize başlamayan grubun ise 64,0 yıldır ve fark istatistiksel olarak anlamlıdır. Bununla birlikte bu sonuç, daha genç yaşın biyolojik olarak diyalize neden olduğu anlamına gelmez. Yaşın regresyon ve makine öğrenmesi içindeki etkisi diğer değişkenlerle birlikte ve doğrusal olmayan ilişkiler kapsamında değerlendirilmiştir.

Altı makine öğrenmesi algoritması nasıl karşılaştırıldı?

İki yıllık takip kohortu yüzde 60 eğitim ve yüzde 40 test verisine ayrılmıştır. Karar ağacı, rastgele orman, destek vektör makinesi, XGBoost, LightGBM ve çok katmanlı algılayıcı modelleri eğitilmiştir. Hiperparametre optimizasyonu, 100 yinelemeli on katlı çapraz doğrulama ve ızgara aramasıyla yapılmıştır. Bununla birlikte seçilen kesin hiperparametreler yüklenen ana metinde bulunmamaktadır ve ek materyaller dosyaya dahil edilmemiştir.

Modeller yalnızca AUC ile değerlendirilmemiştir. Doğruluk, duyarlılık, özgüllük, pozitif ve negatif öngörü değerleri, Matthews korelasyon katsayısı, Jaccard indeksi, dengeli doğruluk, F1 skoru, kappa katsayısı, kalibrasyon ve karar eğrisi analizi de kullanılmıştır. ROC eğrisi altında kalan alan, modelin diyalize başlayacak ve başlamayacak hastaları farklı eşiklerden bağımsız olarak sıralayabilme gücünü gösterir. AUC değeri 0,5’e yaklaştığında model rastlantısal ayırıma, 1’e yaklaştığında kusursuz ayırıma yaklaşır; ancak yüksek AUC tek başına doğru kalibrasyon veya klinik yarar anlamına gelmez.

En iyi model hangisiydi?

Şekil 3’teki ROC karşılaştırmasında iki yıllık test setinde en yüksek AUC, 0,9274 ile XGBoost modelinde elde edilmiştir. LightGBM 0,9272 ile neredeyse aynı ayırım gücünü göstermiştir. Diğer modellerin AUC değerleri rastgele orman için 0,9183, destek vektör makinesi için 0,9053, çok katmanlı algılayıcı için 0,8895 ve karar ağacı için 0,7362’dir.

XGBoost en yüksek AUC’nin yanında 0,3107 pozitif öngörü değeri, 0,4564 F1 skoru ve 0,3971 kappa katsayısı sağlamıştır. Rastgele orman en yüksek doğruluk ve özgüllüğü, LightGBM ise en yüksek Jaccard indeksini vermiştir. Buna rağmen kalibrasyon ve karar eğrisi analizi birlikte değerlendirildiğinde araştırmacılar nihai model olarak XGBoost’u seçmiştir.

Kalibrasyon grafikleri, en iyi üç modelin öngörülen olasılıklarıyla gözlenen sonuçlar arasında genel olarak kabul edilebilir bir uyum bulunduğunu göstermiştir. Karar eğrisi analizinde XGBoost, geniş bir risk eşiği aralığında “herkesi tedavi et” veya “hiç kimseyi tedavi etme” yaklaşımlarına kıyasla daha yüksek net yarar göstermiştir. Bununla birlikte bu analiz, modelin gerçek klinik uygulamada hasta sonuçlarını iyileştirdiğini kanıtlamaz; yalnızca belirli varsayımlar altında potansiyel karar yararını değerlendirir.

Beş ve on yıllık performans nasıldı?

XGBoost modeli daha uzun takip sürelerinde de güçlü ayırım göstermiştir. Beş yıllık AUC 0,9154 ve yüzde 95 güven aralığı 0,899–0,932’dir. On yıllık AUC 0,9095 ve yüzde 95 güven aralığı 0,892–0,927’dir.

Şekil 3’teki beş yıllık karışıklık matrisinde 1.934 gerçek negatif, 156 gerçek pozitif, 306 yanlış pozitif ve 31 yanlış negatif sınıflandırma görülmektedir. On yıllık matriste 1.932 gerçek negatif, 155 gerçek pozitif, 306 yanlış pozitif ve 38 yanlış negatif bulunmaktadır. Bu sonuçlar, modelin güçlü genel ayırımına rağmen bazı hastaları yüksek riskli olarak yanlış sınıflandırdığını ve az sayıda gerçek diyaliz vakasını kaçırdığını göstermektedir. Bu nedenle modelin tek başına tedavi veya diyaliz kararı vermesi uygun değildir.

SHAP analizi modelin kararlarını nasıl açıkladı?

SHAP, her değişkenin belirli bir öngörüyü temel risk düzeyinden ne kadar yukarı veya aşağı taşıdığını gösterir. Pozitif SHAP değerleri modelin öngördüğü diyaliz riskini artırırken negatif değerler riski azaltır. Ortalama mutlak SHAP değeri ise değişkenin bütün hastalardaki genel önemini özetler.

Şekil 4’te eGFR bütün takip sürelerinde en önemli değişkendir. Ortalama mutlak SHAP değeri yaklaşık 0,037–0,038 düzeyindedir. UACR yaklaşık 0,030–0,031 ile ikinci sıradadır. Bu iki değişkeni kardiyovasküler hastalık, hemoglobin, yaş, cinsiyet ve diyabet süresi izlemektedir.

SHAP dağılımları ilişkilerin tamamen doğrusal olmadığını göstermiştir. Düşük eGFR değerleri risk yönünde, korunmuş eGFR değerleri ise koruyucu yönde güçlü katkı sağlamıştır. Yüksek UACR, özellikle yüksek riskli hasta örneklerinde öngörüyü yukarı çeken başlıca değişkenlerden biridir. Hasta düzeyindeki kuvvet grafiklerinde aynı toplam riskin farklı değişken bileşimleriyle oluşabileceği görülmektedir.

Bu açıklamalar modelin biyolojik bir nedensellik mekanizmasını kanıtladığı anlamına gelmez. SHAP, modelin mevcut veriler içinde hangi değişkenlerden yararlandığını açıklar; söz konusu değişkenin diyalize doğrudan neden olduğunu göstermez.

Apolipoproteinler neden incelendi?

Apolipoprotein B, aterojenik lipoprotein parçacıklarının sayısıyla ilişkili bir protein göstergesidir. Apolipoprotein AI ise yüksek yoğunluklu lipoproteinin temel protein bileşenidir ve ters kolesterol taşınmasıyla ilişkilidir. Araştırmacılar bu değişkenlerin, geleneksel toplam kolesterol veya trigliserit ölçümlerinden farklı olarak lipoprotein parçacıklarının özellikleri hakkında ek bilgi verebileceğini varsaymıştır.

Apolipoprotein ölçümleri bulunan 1.855 hastalık alt grupta ApoB, ApoE ve ApoAI değerlendirilmiştir. Regresyon sonuçları ApoB ve ApoAI için biyolojik olarak tutarlı ancak bütün zaman noktalarında istatistiksel olarak aynı derecede güçlü olmayan ilişkiler göstermiştir. Örneğin iki yıllık analizde ApoB için lojistik regresyon olasılık oranı 2,4458 ve P değeri 0,0390; Cox regresyonu tehlike oranı 2,2978 ve P değeri 0,0433’tür. ApoAI iki yıllık Cox analizinde koruyucu yönde bir ilişki göstermiştir; ancak bazı lojistik ve daha uzun süreli analizler 0,05 anlamlılık sınırını geçmemiştir.

Apolipoproteinlerin modele eklenmesi ne değiştirdi?

İç alt grupta ApoB ve ApoAI eklenmesi üç zaman aralığında da AUC’yi artırmıştır. On yıllık karşılaştırmanın P değeri özet, bulgular ve Şekil 5’te 0,0018 olarak verilmektedir. Tartışma bölümündeki “bütün P değerleri 0,0001’in altındadır” ifadesi bu sonuçla çelişmektedir; doğru değer olarak şekil ve bulgular bölümündeki P = 0,0018 esas alınmalıdır.

Apolipoproteinli modelin SHAP analizinde UACR, eGFR, hemoglobin ve kardiyovasküler hastalık yine üst sıralarda kalmıştır. ApoB ve ApoAI, diyabet süresinden daha yüksek genel SHAP katkısı gösterebilmiştir; ancak bunlar ana böbrek göstergelerinin yerini almamıştır. Bazı yüksek riskli hasta örneklerinde ApoB riski artıran önemli bir bileşen olarak görünürken, diğer hastalarda etkisi daha sınırlıdır.

Dış doğrulama ne gösterdi?

Model iki bağımsız üçüncü basamak hastane kohortunda sınanmıştır. Dış doğrulama A kohortu 158, dış doğrulama B kohortu 172 diyabetik böbrek hastasından oluşmuştur.

Her iki modelin dış kohortlardaki AUC değerleri 0,91’in üzerindedir. Bu sonuç yedi değişkenli temel yapının farklı hastanelerde de güçlü ayırım sağlayabildiğini desteklemektedir. Ancak apolipoproteinli modelin AUC’si iki dış kohortta da yedi değişkenli modelden sayısal olarak daha yüksek değildir ve farklar istatistiksel olarak anlamlı değildir.

Dolayısıyla çalışma iki ayrı sonucu birbirinden ayırmaktadır: Yedi değişkenli XGBoost modelinin dış kohortlardaki ayırımı olumlu görünmektedir; ApoB ve ApoAI’nin sağladığı iç örneklem kazancı ise dışarıda tekrarlanmamıştır. Apolipoproteinlerin klinik değerine ilişkin sonuç bu nedenle keşifsel kabul edilmelidir.

Çalışmanın güçlü yönleri nelerdir?

• Model genel kronik böbrek hastalığı yerine diyabetik böbrek hastalığına özgü bir kohortta geliştirilmiştir.
• 3.078 hastalık geliştirme kohortu ve iki bağımsız dış doğrulama kohortu kullanılmıştır.
• Altı farklı makine öğrenmesi algoritması aynı veri yapısı içinde karşılaştırılmıştır.
• Ayırımın yanında kalibrasyon ve karar eğrisi analizi de incelenmiştir.
• SHAP ile hem genel değişken önemi hem de hasta düzeyindeki açıklamalar sunulmuştur.
• İki, beş ve on yıllık farklı öngörü süreleri değerlendirilmiştir.
• Apolipoproteinlerin ek katkısı ayrı bir alt model ve dış kohortlarla sınanmıştır.

Çalışmanın sınırlılıkları nelerdir?

• Çalışma geriye dönük ve gözlemseldir; ölçülmeyen karıştırıcı değişkenler ortadan kaldırılamaz.
• Geliştirme verileri üçüncü basamak bir hastanenin yatan hastalarından gelmektedir. Ayaktan izlenen veya birinci basamak hastalarında aynı performans garanti edilemez.
• Diyalize başlama sonucu yalnızca biyolojiye değil, hekim kararı, hasta tercihi ve sağlık hizmetine erişime de bağlıdır.
• Apolipoprotein modeli, bu ölçümlerin mevcut olduğu seçilmiş bir alt grupta geliştirilmiştir ve seçim yanlılığı oluşabilir.
• Model yalnızca başlangıç değerlerini kullanmaktadır. eGFR veya UACR’nin zaman içindeki değişimi, ilaç kullanımı ve tedaviye yanıt modele dahil edilmemiştir.
• Dış doğrulama kohortları görece küçüktür; özellikle geniş güven aralıkları performans tahminindeki belirsizliği göstermektedir.
• Bütün merkezler Çin’deki üçüncü basamak hastanelerdir. Coğrafi, etnik ve sağlık sistemi çeşitliliği sınırlıdır.
• Modelin kesin hiperparametreleri ile Ek Şekil S1–S6 ve Ek Tablo S1–S2 yüklenen dosyada bulunmamaktadır.
• Çalışma hakem değerlendirmesinden geçmemiştir ve raporlama ya da analiz hataları daha sonra düzeltilebilir.

Çalışma neyi desteklemektedir?

• eGFR ve UACR, incelenen kohortta diyalize başlama öngörüsünün en güçlü ve en tutarlı değişkenleridir.
• Kardiyovasküler hastalık, hemoglobin, yaş, cinsiyet ve diyabet süresi böbrek göstergelerine ek öngörü bağlamı sağlamıştır.
• Yedi değişkenli XGBoost modeli iki küçük bağımsız hastane kohortunda yüksek AUC değerlerini korumuştur.
• ApoB ve ApoAI, iç alt grupta modelin ayırım gücünü istatistiksel olarak artırmıştır.
• SHAP, modelin hasta düzeyindeki tahminlerine hangi değişkenlerin katkıda bulunduğunu gösterebilmiştir.

Çalışma neyi kanıtlamamaktadır?

• Model, belirli bir hastanın kesin olarak diyalize başlayacağını veya başlamayacağını kanıtlamaz.
• Yüksek ApoB’nin diyalize doğrudan neden olduğunu göstermez.
• Apolipoprotein testi yapılmasının hasta sonuçlarını iyileştirdiğini kanıtlamaz.
• Model temelli karar desteğinin diyalizi geciktirdiğini, yaşam süresini uzattığını veya tedavi maliyetini azalttığını göstermez.
• Çin’deki hastane kohortlarından elde edilen eşiklerin Türkiye veya başka ülkelerde doğrudan kullanılabileceğini göstermez.
• Modelin ayaktan bakım, birinci basamak veya farklı laboratuvar sistemlerinde aynı kalibrasyonu koruyacağını kanıtlamaz.
• Apolipoprotein eklemesinin dış kohortlarda temel modelden daha iyi olduğunu göstermez.

Çalışmanın Yöntemi ve Bulguları

Teknik çalışma tasarımı

Nihai model değişkenleri ve anlamları

Algoritmaların iki yıllık AUC karşılaştırması

Şekillerin temel mesajları

• Şekil 1: Hasta seçiminden veri ön işlemeye, yedi değişkenli ve dokuz değişkenli apolipoprotein modellerine ve dış doğrulamaya uzanan iş akışını göstermektedir.
• Şekil 2: Lojistik ve Cox regresyonlarında eGFR ile UACR’nin zaman aralıkları boyunca tutarlı olduğunu; genişletilmiş modelin yalnız eGFR kullanan modelden daha yüksek AUC sağladığını göstermektedir.
• Şekil 3: Altı algoritmanın ROC, performans ölçütü, kalibrasyon ve karar eğrisi karşılaştırmalarını sunmakta; XGBoost’un genel tercih nedeni bu bütünleşik değerlendirmedir.
• Şekil 4: eGFR ve UACR’nin SHAP önem sıralamasına hâkim olduğunu ve aynı modelin hasta düzeyinde farklı risk bileşimlerini açıklayabildiğini göstermektedir.
• Şekil 5: ApoB ve ApoAI eklenmesinin iç alt grupta AUC’yi artırdığını, ancak regresyon ilişkilerinin bütün zaman noktalarında aynı ölçüde güçlü olmadığını göstermektedir.
• Şekil 6: Apolipoproteinli modelde de ana risk bilgisinin UACR, eGFR, hemoglobin ve kardiyovasküler hastalıktan geldiğini; ApoB ile ApoAI’nin ek fakat daha küçük katkılar sunduğunu göstermektedir.
• Şekil 7: Her iki modelin dış kohortlarda 0,91’in üzerinde AUC sağladığını, ancak apolipoprotein eklemesinin dış doğrulamada üstünlük göstermediğini ortaya koymaktadır.

Etik, finansman ve veri erişimi

Çalışma protokolü Hangzhou Hospital of Traditional Chinese Medicine Tıbbi Etik Komitesi tarafından 2025KLL245 numarasıyla onaylanmıştır. Metinde bütün katılımcıların bilgilendirilmiş onam verdiği belirtilmektedir. Veriler kimlikten arındırılmış ve eğitimli personel tarafından standardize edilmiştir.

Araştırma Zhejiang Provincial Key R&D Program “Lingyan” Project, Central Universities Fundamental Research Funds ve ZJU-GENSCI Children’s Health Research & Development Center tarafından desteklenmiştir. Yazarlar çıkar çatışması bildirmemiştir. Çalışma verilerinin sorumlu yazardan talep edilebileceği belirtilmiştir.

Kaynak ve Yöntem Notu

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

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 ve Lidan Hu.

Eşit katkıda bulunan ilk yazarlar: Jiazhen Yin ve Zhuoliang Liu.

Sorumlu yazarlar: Jing Nie ve Lidan Hu. Metinde verilen iletişim adresleri sırasıyla niej​​ing@pkufh.com ve hulidan@zju.edu.cn şeklindedir.

Kurumsal bağlantılar:

1. Department of Nephrology, Key Laboratory of Kidney Disease 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 Disease, 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.

Kaynak türü: Geriye dönük gözlemsel kohort, makine öğrenmesi modeli geliştirme ve dış doğrulama çalışması; preprint.

Hakemlik durumu: Bu çalışma hakem değerlendirmesinden geçmemiştir. Bulgular ve raporlama ayrıntıları hakemlik sürecinde değişebilir.

DOI:10.2139/ssrn.7018505

Yayın platformu: SSRN.

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

Dergi: Hakemli bir dergide kabul veya yayımlanma bilgisi doğrulanamamıştır. Metinde “Metabolism” adına yönelik bir ifade bulunması tek başına dergi kabulü veya yayın kanıtı değildir.

Özgün yayınevi: Bu sürüm için hakemli bir dergi yayınevi bulunmamaktadır. SSRN, Elsevier Inc. tarafından işletilen bir preprint platformudur; SSRN kaydı nihai hakemli yayın olarak değerlendirilmemelidir.

Resmî kaynak bağlantısı:https://ssrn.com/abstract=7018505

Bu Türkçe açıklama yüklenen 27 sayfalık çalışma, ana metindeki sayısal sonuçlar ve Şekil 1–7 incelenerek hazırlanmıştır. Çalışmada bulunmayan yeni klinik sonuç, tedavi önerisi veya dış bilimsel bulgu eklenmemiştir. Dış kaynaklar yalnızca DOI, SSRN kayıt tarihi ve platform kimliğinin doğrulanması için kullanılmıştır.

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

Sonuçlar güçlü ayırım performansı bildirse de çalışma geriye dönük yatan hasta verilerine dayanmaktadır. Dış kohortlar küçüktür ve aynı ülkenin üçüncü basamak hastanelerinden gelmektedir. Modelin klinik karar desteğine dönüştürülmesi için ileriye dönük, çok merkezli, coğrafi olarak çeşitli doğrulama, yerel kalibrasyon, sağlık sonuçları analizi ve gerçek klinik iş akışı değerlendirmesi gereklidir. Bu çalışma tek başına hastaya diyaliz başlatma, tedavi değiştirme veya apolipoprotein testi isteme gerekçesi oluşturmaz.