Калькулятор DCRC прогнозирует осложнения диабета месяц за месяцем

Диабетический риск становится динамическим: новый калькулятор прогнозирует осложнения месяц за месяцем

Один диагноз скрывает несколько разных траекторий болезни

Сахарный диабет давно перестал рассматриваться только как заболевание, при котором необходимо контролировать концентрацию глюкозы. Его долгосрочные последствия определяются повреждением сосудов, почек, нервной системы и сетчатки, а также риском острых состояний, связанных с чрезмерным повышением или снижением уровня глюкозы.

Масштаб проблемы глобален. По оценке Международной диабетической федерации, в 2024 году диабетом жили около 589 млн взрослых в возрасте 20–79 лет — примерно каждый девятый человек этой возрастной группы. К 2050 году их число может увеличиться примерно до 853 млн. Расходы систем здравоохранения, связанные с диабетом, уже превысили $1 трлн в год.

Но одинаковый диагноз не означает одинакового будущего. У одного пациента главным риском может стать заболевание почек, у другого — сердечно-сосудистое осложнение, у третьего — ретинопатия или тяжелая гипогликемия. Более того, соотношение этих рисков меняется вместе с возрастом, функцией почек, артериальным давлением, сопутствующими заболеваниями и лечением.

Именно эту изменчивость существующие калькуляторы риска отражают не всегда. Многие модели создавались для прогнозирования одного конкретного осложнения или рассчитывали вероятность события на фиксированный период в несколько лет. Такой прогноз полезен для оценки долгосрочной перспективы, но значительно хуже отвечает на практический вопрос врача: какое осложнение наиболее вероятно у этого пациента в ближайшее время?

DCRC превращает медицинскую карту в обновляемый прогноз

Работа Розалины Маккой и ее коллег, опубликованная 25 августа 2026 года в Nature Communications, предлагает другую архитектуру прогнозирования.

Для разработки моделей использовали общенациональные американские данные страховых заявок 400 400 взрослых с впервые диагностированным диабетом 1-го или 2-го типа. Это важное уточнение: основная модель не была обучена на пациентах клиники Майо, как указывается в некоторых пересказах исследования. Данные клиники Майо использовались как независимая внешняя когорта для проверки результатов.

Вместо редких или экспериментальных биомаркеров DCRC опирается преимущественно на информацию, которая уже появляется при обычном медицинском наблюдении: возраст, заболевания пациента, принимаемые препараты, лабораторные показатели и другие сведения из медицинской документации.

Исследователи применили два подхода машинного обучения: регуляризованную логистическую регрессию GLMnet и градиентный бустинг XGBoost. Первый позволяет строить статистические модели при большом количестве потенциальных признаков, одновременно ограничивая влияние менее полезных переменных. Второй последовательно объединяет множество относительно простых моделей, чтобы находить более сложные зависимости между характеристиками пациента и последующими событиями.

Ключевой особенностью стала временная организация анализа. Авторы использовали последовательную проверку моделей на более поздних периодах данных, стараясь приблизить эксперимент к ситуации реальной медицины: алгоритм должен прогнозировать будущее на основании информации, которая была доступна до наступления события, а не случайно «узнавать» его признаки из будущих записей.

Девять осложнений оцениваются не изолированно, а одновременно

DCRC рассчитывает краткосрочный риск девяти острых и хронических осложнений диабета. В опубликованном описании исследования среди них перечислены сердечно-сосудистые и цереброваскулярные заболевания, поражение периферических сосудов, нефропатия, нейропатия, ретинопатия, а также гипогликемические и гипергликемические кризы.

Принципиальное отличие состоит в том, что эти риски рассматриваются параллельно. В реальной клинической практике врач действительно имеет дело не с одной потенциальной проблемой, а с конкурирующими угрозами. Пациент может одновременно иметь повышенную вероятность поражения почек, сосудистого события и тяжелой гипогликемии, причем профилактические решения для этих рисков не всегда совпадают.

DCRC формирует оценки на уровне конкретного обращения и может обновлять их ежемесячно по мере поступления новой информации. Если изменяется функция почек, появляется новое заболевание, меняется лечение или другие клинические параметры, меняется и прогноз.

Это отличает динамическую модель от традиционного калькулятора, куда данные вводятся один раз и на выходе получается, например, десятилетний риск. Здесь риск рассматривается не как постоянное свойство пациента, а как меняющееся состояние.

Внешняя проверка показала хорошую способность различать пациентов по риску

Одной разработки модели на большой базе данных недостаточно. Алгоритмы машинного обучения способны хорошо работать именно на той популяции, на которой обучались, и значительно хуже — после переноса в другую медицинскую систему.

Поэтому авторы отдельно проверили DCRC на независимой когорте электронных медицинских карт клиники Майо. Для лучших моделей показатель площади под ROC-кривой находился примерно в диапазоне 0,77–0,85 в зависимости от прогнозируемого осложнения.

Этот показатель отражает способность модели отличать пациентов, у которых событие произойдет, от пациентов, у которых его не будет. Значение 0,5 соответствовало бы фактически случайному различению, а 1,0 — идеальному. Диапазон 0,77–0,85 говорит о хорошей различающей способности, но не означает, что модель безошибочно предсказывает судьбу отдельного человека.

Последнее различие особенно важно для медицинского применения. Высокий статистический показатель модели еще не гарантирует, что использование ее прогноза действительно улучшит лечение.

Осложнения начинались гораздо раньше, чем может предполагать слово «долгосрочные»

Еще один результат исследования касается скорости появления осложнений после регистрации диагноза. Примерно у трети пациентов в исследуемой популяции хотя бы одно из рассматриваемых осложнений отмечалось уже в течение первого года, а спустя два года доля превышала 40%.

Это не следует интерпретировать так, будто диабет за несколько месяцев вызывает тяжелое поражение органов у каждого третьего недавно заболевшего человека. Диагноз «впервые выявленный диабет» не обязательно означает биологическое начало заболевания в этот момент. Особенно при диабете 2-го типа нарушения обмена веществ могут существовать задолго до официальной постановки диагноза, а некоторые сосудистые и другие патологические процессы формируются постепенно.

Именно поэтому обнаружение осложнения вскоре после диагноза может отражать как быстрое развитие события, так и заболевание, которое уже существовало к моменту выявления диабета.

С повышенным риском в моделях были связаны, среди прочего, более старший возраст, артериальная гипертензия и связанные с ней заболевания, состояние функции почек и общая нагрузка сопутствующих болезней. Но важнее самого списка факторов другое наблюдение: профиль риска конкретного человека способен существенно изменяться со временем.

Ценность машинного обучения здесь не в «искусственном интеллекте», а во времени

Медицинские алгоритмы нередко представляют как попытку найти скрытые закономерности, недоступные врачу. В DCRC более интересна другая идея.

Электронная медицинская карта постепенно накапливает огромный временной ряд: диагнозы, назначения, анализы, госпитализации и изменения состояния пациента. В обычной практике значительная часть этой информации используется фрагментарно. Алгоритм способен каждый раз заново объединять накопленные данные и отвечать на конкретный вопрос: какой риск сейчас стал наиболее существенным?

Это соответствует более широкой тенденции цифровой медицины — переходу от статической стратификации риска к динамическому прогнозированию.

Для хронических заболеваний такой подход особенно логичен. Риск инфаркта, почечной недостаточности или гипогликемии сегодня не обязан совпадать с риском того же пациента через год. Лечение меняет биологию заболевания, возраст добавляет новые факторы риска, появляются сопутствующие состояния, а некоторые показатели, напротив, улучшаются.

Хороший прогноз еще предстоит превратить в лучшее лечение

Именно здесь проходит граница между убедительным исследованием модели и готовым клиническим инструментом.

DCRC пока не показал, что его использование уменьшает частоту инфарктов, инсультов, поражения почек, потери зрения или других осложнений. Исследование продемонстрировало способность моделей прогнозировать события, но не проверяло в рандомизированном исследовании, улучшаются ли исходы пациентов, когда врач получает эти прогнозы.

Следующий вопрос поэтому значительно сложнее статистического: что именно должен делать врач после предупреждения алгоритма?

Высокий риск нефропатии может стать основанием внимательнее контролировать функцию почек и пересматривать терапию. Рост вероятности гипогликемии способен изменить отношение к интенсивности сахароснижающего лечения. Повышенный сердечно-сосудистый риск может усилить значение контроля давления, липидов и выбора препаратов с доказанной сердечно-сосудистой пользой.

Но алгоритм должен не просто выдавать больше предупреждений. Если электронная система постоянно сообщает врачу о десятках потенциальных угроз, возникает перегрузка уведомлениями, и полезный сигнал теряется среди менее значимых сообщений.

Поэтому клиническая ценность DCRC будет зависеть не только от точности математики, но и от того, как прогноз встроят в работу врача и какие конкретные решения будут с ним связаны.

Американские данные ограничивают глобальный перенос модели

У исследования есть еще одно существенное ограничение. Основная когорта состояла из застрахованных пациентов в США, а внешняя проверка также проводилась внутри американской системы здравоохранения.

Медицинские данные отражают не только биологию заболевания, но и устройство самой системы. Частота анализов, доступ к специалистам, правила страхового возмещения, структура назначений и даже вероятность того, что осложнение вообще будет зафиксировано в электронной карте, различаются между странами.

Поэтому успешная внешняя проверка в клинике Майо усиливает надежность результатов, но еще не доказывает, что модель сохранит ту же точность в Европе, Азии, Африке или странах с иными моделями финансирования здравоохранения.

Это принципиальная проблема для всей современной медицинской аналитики. Чем сильнее алгоритм зависит от данных реальной клинической практики, тем важнее проверять, какую часть прогноза определяет биология пациента, а какую — особенности системы, которая эти данные создала.

Динамический прогноз может изменить сам момент профилактического вмешательства

Если последующие исследования подтвердят клиническую пользу DCRC, наиболее заметное изменение может произойти не в диагностике диабета, а в организации последующего наблюдения.

Сегодня профилактика осложнений во многом строится на общих правилах: регулярный контроль определенных показателей, обследование глаз, оценка функции почек, управление сердечно-сосудистыми факторами риска. Динамическая модель потенциально добавляет к этому индивидуальный порядок приоритетов.

Для пациента это может означать более понятный разговор о том, какой риск наиболее существенен именно сейчас. Для врача — возможность выделять среди большой популяции людей тех, кому требуется более интенсивное наблюдение. Для систем здравоохранения — потенциальный инструмент распределения ресурсов в зависимости от прогнозируемой потребности, а не только уже возникших осложнений.

Но между «может прогнозировать» и «помогает пациенту» остается важный этап. Команде Розалины Маккой предстоит проверить DCRC непосредственно в клинических рабочих процессах и установить, улучшает ли использование модели совместное принятие решений и долгосрочные результаты лечения.

Именно этот этап определит, станет ли DCRC еще одним точным исследовательским алгоритмом или действительно новым инструментом ведения диабета.