Kardiomiopathi ya kisukari ni mojawapo ya matatizo ya moyo ya kisukari cha aina ya 2 ambayo yanaweza kutotambuliwa mapema vya kutosha. Ingawa ekokadiografia ni mojawapo ya zana kuu za utambuzi na tathmini ya utendaji, katika hospitali zenye uwezo mdogo wa upigaji picha inaweza kuwa vigumu kuamua ni wagonjwa gani wanaopaswa kutathminiwa kwanza. Utafiti huu wa vituo vingi ulitengeneza modeli ya ujifunzaji wa mashine inayoweza kufasirika, inayoweza kupanga vipaumbele vya wagonjwa kabla ya ekokadiografia kwa kutumia tu vigezo vya kliniki visivyo vya upigaji picha vinavyopatikana kwa kawaida hospitalini.

Uchanganuzi ulihusisha jumla ya watu wazima 1.420 wenye kisukari cha aina ya 2 kutoka hospitali nne katika eneo la Yunnan nchini China. Wagonjwa 1.001 kutoka hospitali moja ya kiwango cha juu walitengeneza kohorti ya ukuzaji, huku wagonjwa 419 kutoka hospitali tatu zilizotengana kijiografia na kitaasisi wakitengeneza kohorti ya uthibitishaji wa nje. Kardiomiopathi ya kisukari ilipatikana kwa kiwango cha %45,3 katika kohorti ya ukuzaji na %34,4 katika uthibitishaji wa nje.

Vigezo 83 vya awali vilichujwa kwa njia tatu tofauti kwa LASSO, Boruta na SVM-RFE, na viashiria tisa vya kawaida vya kliniki vilichaguliwa kutoka kwenye makutano ya pamoja ya mbinu hizo: umri, faharasa ya uzito wa mwili, muda wa kisukari, idadi kamili ya eosinofili, gamma-glutamyl transferase, cystatin C, lactate dehydrogenase, uwiano wa albumini/kreatinini katika mkojo na uwiano wa N-acetyl-β-D-glucosaminidase/kreatinini katika mkojo.

Algoriti tisa tofauti zilipolinganishwa, LightGBM ilionyesha utendaji bora zaidi kwa ujumla. AUC ilikuwa 0,925 katika kohorti ya ukuzaji na 0,846 katika kohorti tofauti kabisa ya uthibitishaji wa nje. Decision-curve analysis pia ilionyesha kuwa LightGBM inaweza kutoa faida halisi ya juu kuliko modeli nyingine katika vizingiti vyenye maana ya kliniki.

Hata hivyo, modeli haikutengenezwa kwa utambuzi wa uhakika wa kardiomiopathi ya kisukari au kwa kutabiri hatari ya kutokea kwake baadaye. Lengo ni kupanga wagonjwa wanaolazwa hospitalini wenye kisukari cha aina ya 2 ambao wanaweza kupewa kipaumbele kwa tathmini ya ekokadiografia. Utafiti wenyewe pia unasisitiza kuwa uthibitishaji wa prospektivu, urekebishaji wa ndani na tathmini ya mtiririko wa kazi wa kliniki vinahitajika kabla ya matumizi ya kawaida.

Kardiomiopathi ya kisukari ni nini?

Kardiomiopathi ya kisukari inamaanisha hitilafu ya kimuundo au kiutendaji ya myocardiamu inayohusiana na kisukari ambayo haiwezi kuelezwa kwa sababu nyingine kama ugonjwa dhahiri wa mishipa ya moyo, ugonjwa mkubwa wa valvu, ugonjwa wa moyo wa kuzaliwa au shinikizo la damu lisilodhibitiwa kwa muda mrefu.

Katika hatua za mwanzo, hypertrophy ya ventrikali ya kushoto, hitilafu ya kulegea, kupungua kwa compliance ya ventrikali na dysfunction ya diastoli vinaweza kutokea. Kwa baadhi ya wagonjwa, mchakato unaweza kuendelea na kuwa dysfunction ya sistoli na kushindwa kwa moyo kwa kliniki.

Kwa nini utafiti ulitengeneza modeli ya triage kabla ya ekokadiografia?

Ekokadiografia inaendelea kuwa muhimu kwa tathmini ya utambuzi. Tatizo ni kwamba si kila mgonjwa mwenye kisukari cha aina ya 2 anaweza kupata upigaji picha wa moyo kwa wakati mmoja. Hasa, uwezo wa upigaji picha na huduma za kardiolojia unaweza kutofautiana kati ya hospitali za kiwango cha juu, manispaa na wilaya.

Kwa sababu hiyo watafiti walifafanua tatizo la upangaji badala ya utambuzi:

“Je, tunaweza kubaini kutoka katika data za kawaida za kliniki ni mgonjwa gani anayepaswa kutumwa mapema zaidi kwa ekokadiografia?”

Mtiririko wa kliniki uliopendekezwa wa modeli ni huu:

Data za kawaida za hospitali → upangaji wa hatari → mgonjwa wa kipaumbele cha juu → ekokadiografia → tathmini ya daktari.

Kohorti za wagonjwa ziliundwaje?

Data za ukuzaji zilikusanywa kati ya Januari 2020–Juni 2025 katika Kunming Medical University First Affiliated Hospital. Data za uthibitishaji wa nje zilitoka mwaka 2024 katika Yunnan Diannan Central Hospital, Gejiu People's Hospital na Xiangyun County People's Hospital.

Vituo hivi vitatu havikutumika wakati wa kutengeneza modeli.

Kardiomiopathi ya kisukari ilifafanuliwaje katika utafiti?

Kigezo cha matokeo kilitegemea masharti matatu ya msingi:

1. Kisukari cha aina ya 2 kilichothibitishwa,
2. kuondolewa kwa sababu dhahiri mbadala za kardiomiopathi,
3. hitilafu ya utendaji wa ventrikali ya kushoto kwenye ekokadiografia.

Hitilafu ya utendaji ilifafanuliwa kama dysfunction ya diastoli ya grade I–III au dysfunction ya sistoli ambapo sehemu ya utoaji ya ventrikali ya kushoto ilikuwa chini ya %50.

Waandishi wanaeleza wazi kwamba njia hii hailengi kutambua kardiomiopathi safi ya kisukari kwa maana ya kimekanistiki, bali phenotype yenye maana ya kliniki ya dysfunction ya myocardiamu inayohusiana na kisukari.

Vigezo tisa vilichaguliwaje?

Matumizi ya makutano ya algoriti tatu tofauti za uteuzi yalichaguliwa ili kuepuka kutegemea pekee mpangilio wa umuhimu wa sifa wa algoriti moja.

Ni viashiria gani tisa vya kawaida vilivyotumika katika modeli?

Viashiria hivi si maalum kwa myocardiamu. Sehemu muhimu ya mafanikio ya modeli inaweza kutokana na uwezo wake wa kunasa phenotype pana zaidi ya kardiorenali-kimetaboliki inayotokea pamoja na hitilafu ya moyo inayohusiana na kisukari.

Uchambuzi wa dozi-majibu ulionyesha nini?

Hivi si vizingiti vya utambuzi wa kliniki. Vinawakilisha maeneo ambako uhusiano ulionekana kuwa dhahiri zaidi katika mikunjo ya Restricted cubic spline.

Mbinu na Matokeo ya Utafiti

Ni modeli zipi za ujifunzaji wa mashine zilizolinganishwa?

• Logistic regression
• Decision tree
• Elastic net
• K-nearest neighbor
• LightGBM
• Multilayer perceptron
• Random forest
• Support vector machine
• XGBoost

Uboreshaji wa hyperparameter ulifanywa katika kohorti ya ukuzaji pekee kwa Bayesian optimization na mizunguko mitano ya five-fold cross-validation ilitumika.

LightGBM ilifanya vizuri kwa kiwango gani?

Random forest ilikuwa karibu sana na LightGBM katika kohorti ya ukuzaji ikiwa na AUC=0,924. Hata hivyo, uthibitishaji wa nje, decision-curve analysis na utendaji wa jumla vilipotathminiwa pamoja, watafiti walichagua LightGBM kama modeli inayofaa zaidi.

Kwa nini Decision-curve analysis ilikuwa muhimu?

Kwa modeli ya triage, AUC pekee haitoshi. Ni lazima ijulikane ni katika kizingiti gani cha uwezekano modeli itatoa kipaumbele cha upigaji picha na uamuzi huo usikose visa wakati unapunguza upigaji picha usio wa lazima.

Decision-curve analysis hutathmini faida halisi ya kliniki ya kutumia modeli ikilinganishwa na mikabala ya “piga picha kila mtu” na “usimpige picha mtu yeyote”. LightGBM ilionyesha mojawapo ya profaili bora zaidi za faida halisi katika anuwai pana ya vizingiti katika ukuzaji na uthibitishaji wa nje.

Kwa nini urekebishaji wa calibration unapaswa kutathminiwa kando?

Katika hospitali za uthibitishaji wa nje, profaili ya wagonjwa na prevalence ya DbCM hutofautiana na kituo cha ukuzaji. Kwa hiyo, hata kama modeli inawaweka wagonjwa katika mpangilio sahihi wa hatari, uwezekano kamili unaweza kuhama kati ya vituo.

Kwa sababu hiyo chanzo kinapendekeza calibration ya ndani au kusasisha modeli kabla ya kuitumia kwa msaada halisi wa maamuzi katika hospitali nyingine.

SHAP iliangazia vigezo gani?

Katika mpangilio wa umuhimu wa global SHAP, michango mitatu yenye nguvu zaidi ilikuwa:

Umri → BMI → GGT

.

Viashiria vinavyofuata ni muda wa kisukari, UACR, cystatin C, RandNAGCr, AEC na LDH.

Mpangilio wa SHAP hauuthibitishi kuwa vigezo husababisha ugonjwa kibayolojia; unaonyesha tu taarifa ambazo modeli ya LightGBM ilitumia zaidi katika utabiri wake.

Utabiri wa mtu binafsi unaelezwaje?

Katika chanzo, kwa mfano wa mgonjwa wa hatari kubwa, uwezekano wa modeli ni %92,4. GGT, BMI na cystatin C ni miongoni mwa vipengele vikuu vinavyoongeza hatari.

Katika mojawapo ya mifano ya hatari ndogo, ingawa GGT ilikuwa juu, uwezekano uliokadiriwa ulipungua hadi %2,9 kwa sababu ya athari ya pamoja ya kinga ya vigezo vingine.

Mifano hii inaonyesha kwamba modeli si mfumo wa kizingiti kisichobadilika unaotegemea thamani moja ya maabara.

Prototipu ya wavuti inafanyaje kazi?

Watafiti walitengeneza prototipu inayotegemea Shiny. Mtumiaji huingiza viashiria tisa vya kawaida vya kliniki na mfumo huzalisha:

• uwezekano unaokadiriwa wa DbCM ya wakati huo huo,
• mpangilio wa jumla wa hatari na
• maelezo ya SHAP kwa kiwango cha mgonjwa

.

Hata hivyo, ufanisi wa prospektivu wa prototipu katika mtiririko halisi wa kazi wa kliniki bado haujajaribiwa.

Matokeo yanayoungwa mkono na utafiti

• Data za kawaida za kliniki zisizo za upigaji picha hubeba taarifa zinazohusiana na DbCM.
• Modeli ya LightGBM iliyoundwa kwa vigezo tisa ilionyesha uwezo mkubwa wa kutenganisha katika kohorti ya ukuzaji.
• Modeli ilithibitishwa nje katika hospitali tatu zilizotengana kijiografia kwa AUC=0,846.
• Unyeti wa uthibitishaji wa nje ni mkubwa.
• Decision-curve analysis inaonyesha faida halisi chanya kwa lengo la triage.
• SHAP hufanya modeli iweze kuchunguzwa na klinitsisti.
• Data za kawaida za kliniki zinatoa mkabala wa utafiti unaoweza kutumika katika kupanga kipaumbele cha ekokadiografia.

Matokeo ambayo utafiti hauungi mkono

• Modeli haitoi utambuzi wa uhakika wa kardiomiopathi ya kisukari.
• Haijaonyeshwa kuwa inachukua nafasi ya ekokadiografia.
• Haijaonyeshwa kuwa inatabiri kutokea kwa kardiomiopathi baadaye.
• Haijaonyeshwa kuwa inatabiri kwa prospektivu kushindwa kwa moyo au vifo.
• Bado haijaonyeshwa kuwa prototipu ya wavuti huboresha matokeo ya kliniki.
• Utendaji wa modeli haujathibitishwa katika watu walio nje ya China au wanaofuatiliwa kama wagonjwa wa nje.
• Mpangilio wa umuhimu wa SHAP si ushahidi wa sababu za kibayolojia.
• Viashiria tisa havipaswi kutathminiwa kama biomarkers maalum za myocardiamu.
• Hakuna hakikisho kwamba uwezekano uleule kamili wa hatari utakuwa halali katika kila hospitali.

Maelezo ya Chanzo na Mbinu

Kichwa asili: 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.

Aina ya chanzo: SSRN preprint.

SSRN: 6943378.

DOI: 10.2139/ssrn.6943378.

Hali ya mapitio ya rika: PDF iliyopakiwa ina wazi kauli “This preprint research paper has not been peer reviewed”.

Muundo mkuu wa utafiti: Utafiti wa vituo vingi, wa sehemu-mkato wa ukuzaji na uthibitishaji wa nje wa kijiografia.

Kohorti yote ya uchanganuzi: Watu wazima 1420 waliolazwa hospitalini wenye kisukari cha aina ya 2.

Kohorti ya ukuzaji: Wagonjwa 1001.

Uthibitishaji wa nje: Jumla ya wagonjwa 419 kutoka hospitali tatu tofauti.

Data iliyokosekana: Watu 284 waliondolewa kwenye uchanganuzi kwa sababu ya kigezo cha mgombea kilichokosekana au data ya outcome-defining. Hakukuwa na imputesheni.

Outcome kuu: concurrent diabetic cardiomyopathy / diabetic myocardial dysfunction phenotype iliyofafanuliwa kwa njia ya kimatendo.

Uteuzi wa sifa: Makutano ya pamoja ya LASSO + Boruta + SVM-RFE.

Idadi ya mwisho ya vigezo: 9.

Modeli kuu: LightGBM.

Modeli za kulinganisha: logistic regression, decision tree, elastic net, kNN, MLP, random forest, SVM na XGBoost.

Tathmini ya modeli: ROC/AUC, accuracy, sensitivity, specificity, PPV, NPV, F1, MCC, Cohen kappa, Brier score, calibration intercept/slope na decision-curve analysis.

Ufafanuzi: Maelezo ya SHAP ya jumla na ya mtu binafsi.

Prototipu: Kiolesura cha wavuti kinachotegemea Shiny; kwa madhumuni ya utafiti na onyesho la pre-imaging triage.

Idhini ya kimaadili: Clinical Ethics Committee of the First Affiliated Hospital of Kunming Medical University, 2022 Ethics L No 30. Kwa sababu ya data ya retrospektivu, hitaji la idhini baada ya kupewa taarifa liliondolewa.

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

Mgongano wa maslahi: Waandishi hawaripoti mgongano wa maslahi.

Upatikanaji wa data: Data za kiwango cha mgonjwa hazichapishwi wazi kwa sababu ya vikwazo vya kimaadili na kitaasisi. Data zilizofichwa utambulisho na msimbo zinaweza kupatikana kwa ombi linalofaa la kisayansi na idhini ya taasisi.

Mapungufu makuu: Muundo wa sehemu-mkato; ufafanuzi wa outcome wa kimatendo na wenye utofauti; complete-case analysis; watu wazima waliolazwa hospitalini Yunnan pekee; kutokujumuishwa kwa mfiduo wa dawa katika modeli; data ya race/ethnicity kutokuwa ya kuaminika; kutofanyika kwa jaribio la prospektivu katika mtiririko halisi wa kazi wa kliniki.

Kikomo cha tafsiri ya kliniki: Modeli haikutengenezwa kwa ajili ya kutoa utambuzi au kuchukua nafasi ya ekokadiografia. Dhana inayofaa zaidi ya matumizi ni upangaji wa wagonjwa na kuweka kipaumbele cha upigaji picha.

Maelezo ya kuchora upya taswira: Taswira asili yenye nguvu zaidi kwa Verianla itakuwa: kushoto mgonjwa mwenye kisukari cha aina ya 2 na viashiria tisa vya kawaida vya data, katikati LightGBM + SHAP, kulia upangaji wa hatari na kipaumbele cha ekokadiografia; chini mnyororo wa “Ukuzaji AUC 0,925 → Uthibitishaji wa nje AUC 0,846”.