Diyabetik kardiyomiyopati, tip 2 diyabetin yeterince erken tanınmayabilen kardiyak komplikasyonlarından biridir. Tanı ve fonksiyonel değerlendirme için ekokardiyografi temel araçlardan biri olmakla birlikte, görüntüleme kapasitesinin sınırlı olduğu hastanelerde hangi hastaların önce değerlendirilmesi gerektiğini belirlemek güç olabilir. Bu çok merkezli çalışma, yalnız hastanede rutin olarak elde edilen görüntüleme dışı klinik değişkenleri kullanarak ekokardiyografi öncesi hasta önceliklendirmesi yapabilecek yorumlanabilir bir makine öğrenmesi modeli geliştirmiştir.

Analize Çin'in Yunnan bölgesindeki dört hastaneden toplam 1.420 tip 2 diyabetli erişkin dahil edilmiştir. Tek bir üçüncü basamak hastaneden 1.001 hasta geliştirme kohortunu, coğrafi ve kurumsal olarak ayrı üç hastaneden 419 hasta dış doğrulama kohortunu oluşturmuştur. Diyabetik kardiyomiyopati geliştirme kohortunda %45,3, dış doğrulamada %34,4 oranında bulunmuştur.

Başlangıçtaki 83 aday değişken LASSO, Boruta ve SVM-RFE ile üç ayrı biçimde filtrelenmiş ve yöntemlerin ortak kesişiminden dokuz rutin klinik gösterge seçilmiştir: yaş, vücut kitle indeksi, diyabet süresi, mutlak eozinofil sayısı, gama-glutamil transferaz, sistatin C, laktat dehidrogenaz, idrar albümin/kreatinin oranı ve idrar N-asetil-β-D-glukozaminidaz/kreatinin oranı.

Dokuz farklı algoritma karşılaştırıldığında LightGBM en güçlü genel performansı göstermiştir. AUC geliştirme kohortunda 0,925, tamamen ayrı dış doğrulama kohortunda 0,846'dır. Decision-curve analysis de LightGBM'nin klinik açıdan anlamlı eşiklerde diğer modellere göre daha yüksek net fayda sağlayabileceğini göstermiştir.

Ancak model diyabetik kardiyomiyopatinin kesin tanısı veya gelecekte oluşma riskinin tahmini için geliştirilmemiştir. Amaç, hastaneye yatırılmış tip 2 diyabetli kişiler arasında ekokardiyografik değerlendirmeye öncelik verilebilecek hastaları sıralamaktır. Çalışmanın kendisi de rutin kullanımdan önce prospektif doğrulama, yerel kalibrasyon ve klinik iş akışı değerlendirmesi gerektiğini vurgulamaktadır.

Diyabetik kardiyomiyopati nedir?

Diyabetik kardiyomiyopati, belirgin koroner arter hastalığı, önemli kapak hastalığı, doğumsal kalp hastalığı veya uzun süreli kontrolsüz hipertansiyon gibi başka nedenlerle açıklanamayan, diyabetle ilişkili miyokardiyal yapısal veya fonksiyonel bozukluğu ifade eder.

Erken dönemde sol ventrikül hipertrofisi, gevşeme bozukluğu, azalmış ventrikül kompliyansı ve diyastolik disfonksiyon ortaya çıkabilir. Bazı hastalarda süreç ilerleyerek sistolik bozulma ve klinik kalp yetmezliğine dönüşebilir.

Çalışma neden ekokardiyografiden önce bir triyaj modeli geliştirdi?

Ekokardiyografi tanısal değerlendirme için önemini korumaktadır. Sorun, her tip 2 diyabetli hastanın aynı anda kardiyak görüntülemeye erişememesidir. Özellikle üçüncü basamak, belediye ve ilçe düzeyindeki hastaneler arasında görüntüleme ve kardiyoloji kapasitesi değişebilir.

Araştırmacılar bu nedenle tanı yerine bir sıralama problemi tanımlamıştır:

“Rutin klinik verilerden hangi hastanın ekokardiyografiye daha önce gönderilmesi gerektiğini belirleyebilir miyiz?”

Modelin önerilen klinik akışı şöyledir:

Rutin hastane verileri → risk sıralaması → yüksek öncelikli hasta → ekokardiyografi → klinisyen değerlendirmesi.

Hasta kohortları nasıl oluşturuldu?

Geliştirme verileri Ocak 2020–Haziran 2025 arasında Kunming Medical University First Affiliated Hospital'da toplanmıştır. Dış doğrulama verileri ise 2024 yılında Yunnan Diannan Central Hospital, Gejiu People's Hospital ve Xiangyun County People's Hospital'dan gelmiştir.

Bu üç merkez model geliştirme sırasında kullanılmamıştır.

Çalışmada diyabetik kardiyomiyopati nasıl tanımlandı?

Sonuç değişkeni üç temel koşula dayanmaktadır:

1. Doğrulanmış tip 2 diyabet,
2. belirgin alternatif kardiyomiyopati nedenlerinin dışlanması,
3. ekokardiyografide sol ventrikül fonksiyon bozukluğu.

Fonksiyon bozukluğu; grade I–III diyastolik disfonksiyon veya sol ventrikül ejeksiyon fraksiyonunun %50'nin altında olduğu sistolik disfonksiyon olarak tanımlanmıştır.

Yazarlar bu yaklaşımın mekanistik olarak saf diyabetik kardiyomiyopati değil, klinik açıdan anlamlı bir diyabetik miyokardiyal disfonksiyon fenotipini belirlemeyi amaçladığını açıkça belirtmektedir.

Dokuz değişken nasıl seçildi?

Üç farklı seçim algoritmasının kesişiminin kullanılması, yalnız tek algoritmanın özellik önem sıralamasına bağımlı kalmamak amacıyla tercih edilmiştir.

Modelde kullanılan dokuz rutin gösterge hangileridir?

Bu göstergeler miyokarda özgü değildir. Modelin başarısının önemli bölümü, diyabetik kardiyak bozuklukla birlikte gelişen daha geniş kardiyorenal-metabolik fenotipi yakalamasından kaynaklanabilir.

Doz-yanıt analizleri ne gösterdi?

Bunlar klinik tanı eşikleri değildir. Restricted cubic spline eğrilerinde ilişkinin daha belirgin hale geldiği bölgeleri ifade eder.

Çalışmanın Yöntemi ve Bulguları

Hangi makine öğrenmesi modelleri karşılaştırıldı?

• Lojistik regresyon
• Karar ağacı
• Elastic net
• K-en yakın komşu
• LightGBM
• Multilayer perceptron
• Random forest
• Support vector machine
• XGBoost

Hiperparametre optimizasyonu yalnız geliştirme kohortunda Bayesian optimizasyonla gerçekleştirilmiş ve beş tur beş katlı çapraz doğrulama uygulanmıştır.

LightGBM ne kadar başarılıydı?

Random forest geliştirme kohortunda AUC=0,924 ile LightGBM'ye çok yakındır. Ancak dış doğrulama, decision-curve analizi ve toplam performans birlikte değerlendirildiğinde araştırmacılar LightGBM'yi en uygun model olarak seçmiştir.

Decision-curve analysis neden önemliydi?

Bir triyaj modeli için yalnız AUC yeterli değildir. Modelin hangi olasılık eşiğinde görüntüleme önceliği vereceği ve bu kararın gereksiz görüntülemeyi azaltırken vakaları kaçırmaması gerekir.

Decision-curve analysis, model kullanmanın “herkesi görüntüle” ve “kimseyi görüntüleme” yaklaşımlarına göre klinik net faydasını değerlendirir. LightGBM hem geliştirme hem dış doğrulamada geniş bir eşik aralığında en güçlü net fayda profillerinden birini göstermiştir.

Kalibrasyon neden ayrıca değerlendirilmelidir?

Dış doğrulama hastanelerinde hasta profili ve DbCM prevalansı geliştirme merkezinden farklıdır. Bu nedenle model hastaları doğru risk sırasına koysa bile mutlak olasılıklar merkezler arasında kayabilir.

Kaynak bu nedenle başka bir hastanede gerçek karar desteği kullanımından önce yerel kalibrasyon veya model güncellemesini önermektedir.

SHAP hangi değişkenleri öne çıkardı?

Global SHAP önem sıralamasında en güçlü üç katkı:

Yaş → BMI → GGT

olmuştur.

Daha sonraki göstergeler diyabet süresi, UACR, sistatin C, RandNAGCr, AEC ve LDH'dir.

SHAP sıralaması değişkenlerin biyolojik olarak hastalığa neden olduğunu kanıtlamaz; yalnız LightGBM modelinin tahminlerinde hangi bilgiyi daha fazla kullandığını gösterir.

Bireysel tahmin nasıl açıklanıyor?

Kaynakta örnek bir yüksek riskli hastada model olasılığı %92,4'tür. GGT, BMI ve sistatin C başlıca riski yükselten bileşenlerdendir.

Düşük riskli örneklerden birinde ise GGT yüksek olmasına rağmen diğer değişkenlerin koruyucu yöndeki toplam etkisi nedeniyle tahmini olasılık %2,9'a düşmüştür.

Bu örnekler modelin tek bir laboratuvar değerine dayalı sabit eşik sistemi olmadığını göstermektedir.

Web prototipi nasıl çalışıyor?

Araştırmacılar Shiny tabanlı bir prototip geliştirmiştir. Kullanıcı dokuz rutin klinik göstergeyi girer ve sistem:

• eşzamanlı DbCM için tahmini olasılık,
• global risk sıralaması ve
• hasta bazında SHAP açıklaması

üretir.

Ancak prototipin gerçek klinik iş akışında prospektif etkinliği henüz test edilmemiştir.

Çalışmanın desteklediği sonuçlar

• Rutin görüntüleme dışı klinik veriler DbCM ile ilişkili bilgi taşımaktadır.
• Dokuz değişkenle oluşturulan LightGBM modeli geliştirme kohortunda güçlü ayrım göstermiştir.
• Model coğrafi olarak ayrı üç hastanede AUC=0,846 ile dış doğrulanmıştır.
• Dış doğrulama duyarlılığı yüksektir.
• Decision-curve analizi triyaj amacı için olumlu net fayda göstermektedir.
• SHAP modeli klinisyen tarafından incelenebilir hale getirmektedir.
• Rutin klinik veriler ekokardiyografi önceliklendirmesinde kullanılabilecek bir araştırma yaklaşımı sunmaktadır.

Çalışmanın desteklemediği sonuçlar

• Model diyabetik kardiyomiyopatinin kesin tanısını koymaz.
• Ekokardiyografinin yerini aldığı gösterilmemiştir.
• Gelecekte kardiyomiyopati gelişimini tahmin ettiği gösterilmemiştir.
• Kalp yetmezliği veya mortaliteyi prospektif olarak öngördüğü gösterilmemiştir.
• Web prototipinin klinik sonuçları iyileştirdiği henüz gösterilmemiştir.
• Modelin Çin dışındaki veya ayaktan takip edilen popülasyonlarda performansı doğrulanmamıştır.
• SHAP önem sıralaması biyolojik nedensellik kanıtı değildir.
• Dokuz gösterge miyokarda özgü biyobelirteçler olarak değerlendirilmemelidir.
• Her hastanede aynı mutlak risk olasılıklarının geçerli olacağı garanti değildir.

Kaynak ve Yöntem Notu

Özgün başlık: 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.

Kaynak türü: SSRN preprint.

SSRN: 6943378.

DOI: 10.2139/ssrn.6943378.

Hakemlik durumu: Yüklenen PDF açık biçimde “This preprint research paper has not been peer reviewed” ifadesini taşımaktadır.

Ana çalışma tasarımı: Çok merkezli, kesitsel geliştirme ve coğrafi dış doğrulama çalışması.

Toplam analitik kohort: 1420 hastanede yatan tip 2 diyabetli erişkin.

Geliştirme kohortu: 1001 hasta.

Dış doğrulama: Üç ayrı hastaneden toplam 419 hasta.

Eksik veri: 284 kişi eksik aday değişken veya outcome-defining veri nedeniyle analiz dışında bırakılmıştır. İmputasyon yapılmamıştır.

Ana outcome: Pragmatik olarak tanımlanmış concurrent diabetic cardiomyopathy / diabetic myocardial dysfunction phenotype.

Özellik seçimi: LASSO + Boruta + SVM-RFE ortak kesişimi.

Nihai değişken sayısı: 9.

Ana model: LightGBM.

Karşılaştırma modelleri: logistic regression, decision tree, elastic net, kNN, MLP, random forest, SVM ve XGBoost.

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

Yorumlanabilirlik: SHAP global ve bireysel açıklamalar.

Prototip: Shiny tabanlı web arayüzü; araştırma ve pre-imaging triyaj gösterimi amaçlıdır.

Etik onay: Clinical Ethics Committee of the First Affiliated Hospital of Kunming Medical University, 2022 Ethics L No 30. Retrospektif veri nedeniyle bilgilendirilmiş onam gereksinimi kaldırılmıştır.

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

Çıkar çatışması: Yazarlar çıkar çatışması bildirmemektedir.

Veri erişimi: Hasta düzeyindeki veri etik ve kurumsal kısıtlamalar nedeniyle açık yayımlanmamaktadır. Kimliksizleştirilmiş veri ve kod, uygun bilimsel talep ve kurum onayıyla erişilebilir olabilir.

Temel sınırlamalar: Kesitsel tasarım; pragmatik ve heterojen outcome tanımı; complete-case analizi; yalnız Yunnan'daki hastanede yatan erişkinler; ilaç maruziyetlerinin modele dahil edilmemesi; race/ethnicity bilgisinin güvenilir olmaması; gerçek klinik iş akışında prospektif test yapılmamış olması.

Klinik yorum sınırı: Model tanı koymak veya ekokardiyografiyi ikame etmek amacıyla geliştirilmemiştir. En uygun kullanım hipotezi hasta sıralaması ve görüntüleme önceliklendirmesidir.

Görsel yeniden çizim notu: Verianla için en güçlü özgün görsel; solda tip 2 diyabetli hasta ve dokuz rutin veri göstergesi, ortada LightGBM + SHAP, sağda risk sıralaması ve ekokardiyografi önceliği; alt bölümde “Geliştirme AUC 0,925 → Dış doğrulama AUC 0,846” zinciri olacaktır.