Orijinal Araştırma Makalesi
Front. Nutr., 11 Kasım 2026
Bölüm: Klinik Beslenme
Cilt 13 – 2026 | https://doi.org/10.3389/fnut.2026.1956147
- XT
Xiao Tian 1,2,3,4,5†
- YY
Yaya Yang 1,2,3,4,5†
- ZP
Zhiqiang Peng 6
- YW
Yu Wang 1,2,3,4,5
- ZY
Ziyang You 1,2,3,4,5
- SY
Shenglin Yang 7
- YL
Yumin Li 8
- YL
Yongxin Lu 9
- YZ
Yanhong Zhao 9
- YK
Yaozhong Kong 10
- QW
Qijun Wan 11
- SH
Sheng Huang 12
- YL
Yan Liu 13
- AL
Aiqun Liu 14
- FL
Fanna Liu 15
- ML
Min Liang 1,2,3,4,5*
-
1. Nanfang Hastanesi, Nefroloji Bölümü, Güney Tıp Üniversitesi, Guangzhou, Çin
-
2. Nanfang Hastanesi, Böbrek ve Ürolojik Hastalıklar için Ulusal Klinik Araştırma Merkezi, Guangzhou, Çin
-
3. Güney Tıp Üniversitesi, Çoklu Organ Yaralanmasının Önlenmesi ve Tedavisi için Devlet Ana Laboratuvarı, Guangzhou, Çin
-
4. Guangdong Eyaleti Renal Yetmezlik Araştırmaları için Ana Laboratuvarı, Guangzhou, Çin
-
5. Guangdong Eyaleti Nefroloji Enstitüsü, Guangzhou, Çin
-
6. Ganzhou Hastanesi, Nefroloji Bölümü, Ganzhou People’s Hospital, Güney Tıp Üniversitesi, Ganzhou, Çin
-
7. Guilin People’s Hospital, Guilin, Guangxi, Çin
-
8. Guangzhou Huadu Bölgesi People’s Hospital, Guangzhou, Çin
-
9. Yuxi Şehri People’s Hospital, Yuxi, Çin
-
10. Foshan First People’s Hospital, Foshan, Çin
-
11. Shenzhen Second People’s Hospital, Shenzhen, Çin
-
12. Güney Tıp Üniversitesi Bağlı Nanhai Hastanesi, Foshan, Çin
-
13. Guangzhou Red Cross Hospital, Nefroloji Bölümü, Jinan Üniversitesi Tıp Fakültesi, Guangzhou, Çin
-
14. Güney Tıp Üniversitesi Üçüncü Bağlı Hastanesi, Guangzhou, Çin
-
15. Jinan Üniversitesi Birinci Bağlı Hastanesi, Guangzhou, Çin
Makale metrikleri
Özet
Arka plan:
Bakım hemodiyaliz (MHD) hastalarında uzun süreli mortalitenin doğru ve yorumlanabilir şekilde tahmini zor olmaya devam etmektedir. Bu çalışma, klinik, beslenme, inflamatuar ve antropometrik öngörücüleri birleştiren makine öğrenimi hayatta kalma modelleri geliştirmek ve dışarıdan doğrulamayı amaçlamıştır.
Yöntem:
Bu prospektif çok merkezli kohort çalışmasına Çin’deki sekiz hemodiyaliz merkezinden 1.129 MHD hastası dahil edilmiştir. Hastalar eğitim (n = 645), iç doğrulama (n = 274) ve bağımsız dış test (n = 210) kohortlarına ayrılmıştır. Öngörücüler LASSO–Cox regresyonu ve Survival Boruta kullanılarak seçilmiştir. Beş makine öğrenimi hayatta kalma modeli geliştirilmiş ve ayrıştırıcılık, tahmini hata, kalibrasyon ve klinik yarar açısından değerlendirilmiştir. Makine öğrenimi tahminlerini yorumlamak için SHapley Additive exPlanations (SHAP) kullanılmıştır.
Sonuçlar:
Ortalama 4,53 yıllık takipte 603 hasta ölmüştür. Model geliştirmesi için 14 öngörücü seçilmiştir. Dış test kohortunda, gradyan artırmalı hayatta kalma analizi (GBS), 0,748’lik bir C-indeksi (95% IG, 0,705–0,790), 5 yıllık zamana bağlı AUC 0,799 (95% IG, 0,726–0,861) ve beş model arasında en düşük bütünleşik Brier skoru (0,141) elde etmiştir. GBS makul bir kalibrasyon göstermiş olsa da, ayrıştırıcılığı rastgele hayatta kalma ormanına göre anlamlı biçimde üstün olmamıştır. SHAP analizi, yaş, prealbümin ve diyabeti model tahminlerine önde gelen katkıda bulunan faktörler olarak belirlemiştir.
Sonuç:
Sürekli erişilebilir klinik, beslenme, inflamatuar ve antropometrik öngörücüleri birleştiren yorumlanabilir bir GBS modeli, MHD hastalarında uzun süreli mortalite riski katmanlandırması için umut verici bir performans göstermiştir. Ek dış doğrulama ve prospektif klinik değerlendirme gereklidir.
Giriş
Hemodiyaliz (HD), son evre böbrek hastalığı (SEBH) hastaları için en yaygın kullanılan böbrek yerine geçiş tedavisidir. Küresel düzeyde bakımı gereken diyaliz alan 3,5 milyondan fazla birey bulunmakta ve bunların yaklaşık %90’ı HD uygulamaktadır (). Diyaliz teknolojisindeki ilerlemelere rağmen, bakımı gereken hemodiyaliz (BHD) hastaları karmaşık klinik zorluklar ve önemli hastalık yüküyle karşılaşmaya devam etmekte; 2017 ile 2020 yılları arasında ölüm oranlarında başlıca kardiyovasküler komplikasyonlar ve enfeksiyonlara bağlı olarak %37’lik bir artış bildirilmektedir (, ). Ayrıca çalışmalar, bakımı gereken diyalin başlatılmasından sonraki 5 yıllık sağkalım oranının yaklaşık %40 olduğunu bildirmektedir (). Bu nedenle BHD popülasyonunun prognozunun kapsamlı biçimde incelenmesi gerekmekte ve yüksek riskli hastaların belirlenmesi önleyici stratejilere odaklanma açısından kritik önem taşımaktadır.
Önceki çalışmalar, MHD hastalarında ölüm tahmini modelleri geliştirmek için Cox regresyonu ve esnek parametrik modeller gibi geleneksel hayatta kalma analiz yöntemlerini kullanmıştır (4–6). Yorumlanabilir olmalarına rağmen, bu yaklaşımlar karmaşık doğrusal olmayan ilişkileri ve etkileşimleri açıkça belirtmeden tam olarak yakalayamayabilir. Makine öğrenimi (ML) yaklaşımları, hemodiyaliz hastalarında ölüm tahmininde umut verici performans sergilemiştir (7–10). Ancak bir önceki çalışmalar, çoğunlukla zaman içinde olay sonuçlarının ve sansürlemenin açıkça modellenmesinden çok, sabit zaman noktalarında ölüm sınıflandırmasına odaklanmıştır. Son yıllarda, ML hayatta kalma modelleri, ulusal ölçekli bir hemodiyaliz kohortunda hayatta kalma bagging modeli için 0,776 ve yaşlı diyaliz kohortunda DeepSurv için 0,692 olarak bildirilen umut verici tahmin performansı göstermiştir. Buna rağmen, mevcut tahmin modelleri, artan kanıtların bu göstergelerin MHD hastalarında pronoz önemi vurgulamasına rağmen, beslenme ve iltihaplanma göstergelerinin risk değerlendirmesine entegrasyonuna nispeten sınırlı odaklanmıştır. Ayrıca, bu modellerin genelleştirilebilirliği ve klinik yararlılığı daha ileri değerlendirmeye ihtiyaç duymaktadır. Bu açıklıklar, MHD hastalarında uzun süreli ölüm riski tahmini için daha kapsamlı ve klinik açıdan uygulanabilir yaklaşımlara ihtiyaç olduğunu vurgulamaktadır.
ML hayatta kalma modelleri, olay zamanlarını ve sansürlemeyi hesaba katarak karmaşık doğrusal ilişkileri yakalayabilir. Ancak bu karmaşıklık, klinik yorumlanabilirliği sınırlayabilir. SHapley Additive exPlanations (SHAP), bireysel öngörücülerin model çıktısına katkılarını nicelendirmek için bir çerçeve sağlayarak, ölüm riski tahminlerinin şeffaflığını ve yorumlanabilirliğini potansiyel olarak artırabilir.
Bu çalışmada, tüm nedenden ölüme yönelik beş hayatta kalma tahmin modelini geliştirmek ve değerlendirmek için uzun süreli takiple 1.129 Çinli MHD hastasından oluşan prospektif, çok merkezli bir kohort kullanıldı. Aday öngörücüler demografik özellikleri, eşlik eden hastalıkları, beslenme ve inflamatuar belirteçleri, laboratuvar ölçümlerini ve yağ dağılımı ve vücut kompozisyonu ile ilişkili antropometrik indisleri kapsıyordu. Özellik seçimi için birleşik LASSO–Cox ve Survival Boruta stratejisi uygulandı. Modellerin performansı iç validasyon ve bağımsız bir dış test kohortunda ayırt edicilik, tahmin hatası, kalibrasyon ve klinik yararlılık açısından değerlendirildi. Son olarak, SHAP analizi, öngörücülerin ölüm riski tahminlerine katkılarını yorumlamak için kullanıldı; amaç, MHD hastalarında daha kapsamlı ve yorumlanabilir risk stratifikasyonunu desteklemektir.
Yöntemler
Çalışma popülasyonu ve tasarımı
Çalışma tasarımı ve sonuçların bir kısmı daha önce başka bir yerde açıklanmıştır (18–20). Bu çok merkezli prospektif kohort çalışması, Ocak 2014 ile Aralık 2015 arasında Çin’in Guangdong Eyaleti’ndeki 8 ayaktan diyaliz merkezinden hastaları dahil etti. Katılan merkezler Nanfang Hastanesi, Foshan İlk Halk Hastanesi, Guangzhou Huadu Bölge Halk Hastanesi, Guangzhou Kırmızı Haç Hastanesi, Guangzhou Yabancı Çinli Hastanesi, Southern Medical Üniversitesi Üçüncü Bağlı Hastanesi, Foshan Nanhai Bölge Halk Hastanesi ve Shenzhen İkinci Halk Hastanesi’ni içermektedir.
Hasta takip ölüm, böbrek nakli, peritoneal diyalize geçiş, takipten çıkma veya çalışmanın Ağustos 2023’te sona ermesine kadar sürdürüldü.
Çalışma süresinde böbrek nakli geçen, peritoneal diyalize geçen, hemodiyalizden vazgeçen veya takipten kaybolan hastalar birincil hayatta kalma analizlerinde bu olayların yaşandığı anda sansürlenmiştir. Rekabet riski analizinde, Analitik yöntemler altında açıklandığı gibi bazı olaylar sansürlenme yerine rekabet olayları olarak işlenmiştir.
Dahil edilme kriterleri şunlardı: (1) 18 yaşından büyük, (2) 3 aydan uzun süre diyaliz tedavisi, (3) normal ağız yoluyla beslenme yeteneği. Hariç tutulma kriterleri ise şöyleydi: (1) hipertiroidizm gibi bazal metabolizma hızını etkileyen hastalıklar, (2) akut enfeksiyon hastalıkları, (3) karaciğer sirozu ve çoklu organ yetmezliği, (4) ciddi gastrointestinal hastalıklar, (5) bozulmuş bilişsel işlev ve duygusal dengesizlik ve (6) malignite. Bu çalışma Nanfang Hastanesi Tıbbi Etik Komitesi tarafından onaylandı ve tüm araştırma katılımcıları aydınlatılmış onam formlarını imzaladı. Bu çalışma, Helsinki Deklarasyonu tarafından belirlenen yönergeler doğrultusunda yürütüldü.
Veri toplama
Temel veriler, standartlaştırılmış bir protokole sadık kalan eğitilmiş araştırma personeli tarafından toplandı. Demografik bilgiler ve eşlik eden hastalıklar, beslenme, laboratuvar ve fizik muayene verilerini kapsayan toplam 42 değişken, değişkenlerin detaylı toplanması, tanımlanması ve ölçüm yöntemleriyle birlikte Ek malzemelere kaydedildi (Ek malzemelerdeki veri toplama yöntemleri).
Çalışma sonucu
Birincil sonuç tüm nedenlere bağlı ölümdü. Ölüm verileri birden fazla kaynaktan toplandı: hastane ölüm sertifikaları, telefonla takipler ve katılımcıların ulusal kimlik numaralarının Çin Hastalık Kontrol ve Önleme Merkezi tarafından yürütülen ulusal ölüm izleme sistemiyle eşleştirilmesi.
Hayatta kalma modelinin geliştirilmesi ve hiperparametre optimizasyonu
7 diyaliz merkezinden (dış test merkezi hariç) elde edilen veri seti, sabit rastgele tohum kullanılarak rastgele bir eğitim seti (%70, n = 645) ve iç doğrulama seti (%30, n = 274) olarak ayrıldı. Ayrıca, modelin genellenebilirliğini titizlikle değerlendirmek amacıyla Nanfang Hastanesinden alınan 210 hastadan oluşan bağımsız bir dış test seti ayrı tutuldu. Katılımcı akış diyagramı ve takip sonuçlarının dağılımı Ek Figürler 1 ve 2’de sunulmuştur. Her değişken için eksik veri oranları Ek Figür 3’te sunulmuştur. Veri seti ayrıldıktan sonra, eğitim kohortundaki eksik sürekli değişkenler beş implemantasyonlu çoklu imputasyon yöntemiyle dolduruldu. İmplantasyon değerleri tek bir tamamlanmış veri seti elde etmek için beş veri seti üzerinde ortalamaya alındı. Aynı işlem sonrasında iç doğrulama ve dış test setlerine ayrı ayrı uygulandı.
Toplam 42 temel değişken aday öngörücü olarak değerlendirildi. Öngörücü seçimi, eğitim kohortunda LASSO-Cox regresyonu ve hayatta kalma Boruta () kullanılarak gerçekleştirildi. LASSO-Cox regresyonu, beş katlı çapraz doğrulama ile yürütüldü ve çapraz doğrulamalı kısmi-olasılık sapmasını minimize eden λ’da (λ.min) sıfırdan farklı katsayılara sahip öngörücüler korundu. Hayatta kalma Boruta, permütasyon temelli değişken önemliliğini hesaplamak için 500 ağaç içeren rastgele bir hayatta kalma ormanı kullanılarak uygulandı. Her bir orijinal öngörücünün önemliliği, ilgili öngörücüleri belirlemek için rastgele permüt edilmiş gölge özelliklerin önemliliği ile karşılaştırıldı. Algoritma, 0.05 anlamlılık düzeyinde en fazla 100 yinelemede çalıştırıldı ve yalnızca “doğrulandı” olarak sınıflandırılan değişkenler korundu. Her iki yöntem de yalnızca eğitim kohortunda uygulandı. Öngörücü seti, herhangi bir model uyarlanmadan önce kesinleştirildi ve ne iç doğrulama ne de dış test kohortu bu aşamaya katıldı. Seçim kararlılığını değerlendirmek için eğitim kohortundan 50 bootstrap örneği oluşturuldu ve her iki öngörücü seçimi yöntemi de her örnekte tekrarlandı. Seçim sıklığı, her bir öngörücünün her iki yöntem tarafından da seçildiği bootstrap yinelemelerinin oranı olarak hesaplandı. LASSO-Cox regresyonu ve hayatta kalma Boruta tarafından birlikte seçilen öngörücüler, beş hayatta kalma tahmin modeli geliştirmek için kullanıldı: elastik ağ ile cezalandırılmış Cox regression (CoxNet), rastgele hayatta kalma ormanı (RSF), gradyan yükseltme hayatta kalma analizi (GBS), DeepSurv ve DeepHit. Bu modeller, tüm nedenden ölümlülük riskini tahmin etmek için takip süresi ve sansürlenme bilgisini dahil etti. Hiperoparametreler, yalnızca eğitim kohortunda rastgele arama ve beş katlı çapraz doğrulama kullanılarak optimize edildi. Her model için, en fazla dokuz hipooparametre yapılandırması, önceden tanımlanmış arama alanlarından değişmez rastgele seçildi. En iyi yapılandırma, beş kat arasındaki en yüksek ortalama Harrell’ın uyum indeksi (C-indeksi) temelinde seçildi ve eşitlikleri çözmek için daha düşük katlar arası değişkenlik kullanıldı. Katlar, durum (outcome) durumuna göre katmanlandırıldı. Aşırı uydurmayı azaltmak için model
karmaşıklık, doğrulama temeli hiperparametre optimizasyonu ve düzenleme ile kontrol edildi. Detaylı işlemler Ek Yöntemlerde sunulmaktadır.
Model değerlendirme ve karşılaştırma
Beş hayatta kalma modelinin prediktif performansı, iç doğrulama ve dış test kohortlarında değerlendirildi. Ayırt edicilik, Harrell’in C-endeksi ve 1, 3 ve 5 yılda zamana bağlı AUC’lerle değerlendirildi. Prediktion hatası, IPCW düzeltmeli Brier skorları ve bütünleştirilmiş Brier skoru (IBS) ile değerlendirildi. Kalibrasyon, kalibrasyon grafikleri, kesim noktaları ve eğimler kullanılarak değerlendirilirken, klinik yararlılık karar eğrisi analizi (DCA) ile değerlendirildi. 5 yılda doğruluk, F1-skoru, duyarlılık, özgüllük ve pozitif ve negatif prediktif değerler dahil ek sınıflandırma metrikleri hesaplandı. %95 güven aralıkları, 500 bootstrap yeniden örnekleme ile tahmin edildi. Eşleştirilmiş model karşılaştırmaları, eşleştirilmiş bootstrap yeniden örnekleme kullanılarak ve çoklu test için Holm düzeltmesi uygulanarak gerçekleştirildi. Detaylı değerlendirme işlemleri Ek Yöntemlerde sunulmaktadır.
Model yorumlanabilirliği
Seçilen model, dış test kohortunda SHapley Additive exPlanations (SHAP) kullanılarak yorumlandı. Küresel önem derecesi, mutlak SHAP değerlerinin ortalaması kullanılarak değerlendirilirken, öngörücülerin popülasyon ve bireysel düzeyde model çıktısına katkıları görselleştirmek için özet, bağımlılık, şelale ve kuvvet grafikleri kullanıldı. Bu yöntem, bireysel özelliklerin model çıktısındaki etkisini nicelendirir; burada daha yüksek mutlak SHAP değeri daha büyük bir önem derecesini ifade eder.
İstatistiksel analiz
Veri analizi R 4.5 sürümü ve Python 3.10 sürümü kullanılarak gerçekleştirildi. Süreklilik değişkenleri, Shapiro–Wilk testi ile değerlendirilen dağılımlarına göre uygun biçimde ortalamalar ± standart sapmalar (SS) veya medyanlar ile çeyrek aralıkları (ÇA) olarak ifade edildi. İki grup arasındaki karşılaştırmalarda süreklilik değişkenleri bağımsız örneklem t-testi veya Mann–Whitney U testi ile analiz edildi. Eğitim, iç validasyon ve dış test kohortları arasındaki karşılaştırmalarda süreklilik değişkenleri için tek yönlü varyans analizi (ANOVA), Welch ANOVA veya Kruskal–Wallis testi kullanıldı. Kategorik değişkenler sıklık ve yüzde olarak özetlendi ve uygun biçimde ki-kare testi veya Fisher kesin testi ile karşılaştırıldı. İki yönlü p-değeri <0,05 istatistiksel olarak anlamlı kabul edildi. Hayatta kalma modelleri Python ortamında scikit-survival, lifelines ve PyTorch kullanılarak uyarlandı; zaman bağımlı AUC, IPCW Brier skoru, kalibrasyon ve karar eğrisi rutinleri aynı ortam uygulandı; SHAP değerleri shap kütüphanesi ile hesaplandı. Rekabet riski duyarlılık analizi, böbrek nakli ve peritoneal diyalize geçişi rekabet olayları olarak ele alarak gerçekleştirildi. Fine–Gray alt dağılımlı risk modeli eğitim kohortunda uyarlandı ve dış test kohortunda değerlendirildi. Hastalar, kesme değeri olarak eğitim kohortundaki medyan tahmini risk kullanılarak yüksek ve düşük risk gruplarına ayrıldı; bu kesme değeri sonrasında dış test kohortuna uygulandı. Model performansı kümülatif insidans fonksiyonları (CIF’ler), risk stratifikasyonu ve 5 yıllık kalibrasyon ile değerlendirildi.
S Bulgular
Hast özellikleri
Çalışmaya dahil edilen toplam 1.129 MHD hastası, geliştirme kohortunda 919, dış test kohortunda 210 hastadan oluşmaktaydı (Akış şeması Ek Figür 1’de gösterilmiştir). Ortalama 4,53 yıllık takipte 67 hastanın takipten çıkarıldığı, 4 hastanın hemodiyalizden vazgeçtiği, 128 hastanın böbrek nakli geçtiği ve 8 hastanın peritoneal diyalize geçtiği görüldü (Ek Figür 2). Bu hastalar analizden çıkarılmak yerine ilgili olaylarının gerçekleştiği anda sansürlenmiştir.
Geliştirme kohortundaki 919 hastanın içinde 506 tanesi tüm nedenlere bağlı ölüm (55,1%) olmuştur. Ölüm gözlenmeyen hastalarla karşılaştırıldığında, ölen hastaların daha yaşlı olduğu ve kardiyovasküler hastalık (KVD) ve diabetes mellitus (DM) prevalansının daha yüksek olduğu görüldü. Aynı zamanda enfeksiyon belirteçlerinin yükseldiği ve daha kötü beslenme durumunun görüldüğü saptanmıştır (tümü için p < 0,05). Detaylı temel karakteristikler Tablo 1’de sunulmaktadır.
Tablo 1
| Karakteristikler | Toplam | Tüm nedenlere bağlı ölüm | p |
|---|---|---|---|
| Hayır | Evet |
| n | 919 | 413 | 506 |
|---|
| Demografikler |
|---|
| Erkek (%) | 532 (57,89) | 231 (55,93) | 301 (59,49) | 0,309 |
| Yaş, yıl | 55,60 [42,67, 66,80] | 43,96 [35,87, 54,56] | 64,33 [53,92, 71,40] | <0,001 |
| Mevcut alkol kullanımı (%) | 29 (3,16) | 13 (3,15) | 16 (3,16) | 1 |
| Mevcut sigara içimi (%) | 141 (15,34) | 72 (17,43) | 69 (13,64) | 0,134 |
| Komorbiditeler |
|---|
| KVD (%) | 174 (18,93) | 51 (12,35) | 123 (24,31) | <0,001 |
| DM (%) | 260 (28.29) | 52 (12.59) | 208 (41.11) | <0.001 |
| HP (%) | 795 (86.51) | 347 (84.02) | 448 (88.54) | 0.058 |
| İlaçlar |
|---|
| Antihipertansif (%) | 694 (75.52) | 308 (74.58) | 386 (76.28) | 0.602 |
| Fosfat düşürücü ilac (%) | 528 (57.45) | 254 (61.50) | 274 (54.15) | 0.03 |
| Eritropoietin veya demir takımı (%) | 887 (96.52) | 403 (97.58) | 484 (95.65) | 0.16 |
| Fizik muayene |
|---|
| Malnutrisyon açısından SGA (%) | 210 (22.85) | 65 (15.74) | 145 (28.66) | <0.001 |
| BMI, kg/m2 | 21.01 [18.89, 23.31] | 20.81 [18.73, 23.29] | 21.14 [19.21, 23.34] | 0.136 |
| WHR | 0.91 [0.86, 0.95] | 0.89 [0.84, 0.93] | 0.92 [0.87, 0.96] | <0.001 |
| TSF, mm | 10.07 [7.67, 14.67] | 10.50 [8.00, 15.00] | 10.00 [7.17, 14.60] | 0.152 |
| TSFWR | 0.13 [0.09, 0.18] | 0.14 [0.10, 0.19] | 0.13 [0.09, 0.17] | 0.001 |
| MAMC, cm | 19.99 [18.28, 21.81] | 20.17 [18.34, 22.05] | 19.88 [18.24, 21.66] | 0.147 |
| Nabız basıncı, mmHg | 59.00 [49.00, 72.00] | 54.00 [45.00, 63.00] | 65.00 [53.00, 77.00] | <0.001 |
| Laboratuvar parametreleri |
|---|
| ALB, g/L | 38.20 [36.10, 40.45] | 39.30 [37.00, 41.30] | 37.50 [35.40, 39.30] | <0.001 |
| PA, mg/L | 339 [281, 400] | 351 [301, 412] | 322 [260, 386] | <0.001 |
| TRF, g/L | 1.57 [1.33, 1.85] | 1.64 [1.39, 1.91] | 1.51 [1.30, 1.78] | <0.001 |
| CRP, mg/L | 2.80 [1.03, 7.26] | 1.70 [0.71, 4.07] | 3.97 [1.49, 9.54] | <0.001 |
| CR, μmol/L | 1,051 [867, 1,265] | 1,158 [982, 1,340] | 979 [784, 1,155] | <0.001 |
| UA, μmol/L | 491 [427, 565] | 497.00 [440, 569] | 484 [417, 558] | 0.011 |
| TG, mmol/L | 1.49 [1.01, 2.20] | 1.46 [1.01, 2.17] | 1.50 [1.00, 2.23] | 0.869 |
| CHOL, mmol/L | 4.00 [3.38, 4.71] | 3.85 [3.38, 4.50] | 4.06 [3.42, 4.81] | 0.024 |
| Potassium, mmol/L | 4.89 [4.35, 5.50] | 4.90 [4.40, 5.53] | 4.87 [4.30, 5.48] | 0.154 |
| Sodium, mmol/L | 139 [137, 142] | 140 [138, 142] | 139 [136, 142] | 0.001 |
| Calcium, mmol/L | 2.16 [2.00, 2.31] | 2.18 [2.00, 2.32] | 2.14 [2.01, 2.28] | 0.26 |
| Phosphorus, mmol/L | 2.10 [1.68, 2.55] | 2.15 [1.68, 2.59] | 2.09 [1.68, 2.51] | 0.436 |
| TCO2, mmol/L | 19.40 [16.50, 22.30] | 18.70 [16.30, 21.70] | 20.05 [16.80, 22.60] | 0.002 |
| HB, g/L | 105.39 (20.30) | 107.56 (20.25) | 103.61 (20.19) | 0.003 |
| WBC, ×10^9/L | 6.25 [5.03, 7.79] | 6.00 [4.79, 7.43] | 6.42 [5.23, 7.99] | 0.001 |
| Diyalizle ilgili parametreler |
|---|
| Kt/V | 1.31 [1.13, 1.52] | 1.36 [1.15, 1.56] | 1.27 [1.11, 1.47] | 0.001 |
| Diyaliz süresi, ay | 24.44 [12.39, 51.84] | 26.02 [12.78, 56.74] | 22.90 [11.98, 48.76] | 0.177 |
| Kalan idrar, ml | 100 [0, 300] | 100 [0, 300] | 100 [0, 350] | 0.666 |
| Gıda alımı verileri |
|---|
| DEI, kcal/kg/gün | 28.12 [22.60, 33.66] | 28.85 [23.57, 34.16] | 27.55 [21.83, 33.20] | 0.012 |
| DPI, g/kg/gün | 1.00 [0.79, 1.23] | 1.02 [0.80, 1.22] | 0.99 [0.79, 1.24] | 0.568 |
| DFaI, g/kg/gün | 0.55 [0.36, 0.78] | 0.59 [0.40, 0.80] | 0.54 [0.34, 0.77] | 0.032 |
| DCI, g/kg/gün | 4.79 [3.83, 5.79] | 5.03 [4.03, 5.83] | 4.68 [3.62, 5.76] | 0.01 |
| DFiI, g/kg/gün | 0.15 [0.11, 0.19] | 0.15 [0.11, 0.19] | 0.14 [0.11, 0.19] | 0.478 |
| DPPI, g/kg/gün | 0.00 [0.00, 0.00] | 0.00 [0.00, 0.01] | 0.00 [0.00, 0.00] | 0.021 |
| DAPI, g/kg/gün | 0.29 [0.22, 0.36] | 0.29 [0.22, 0.36] | 0.29 [0.23, 0.37] | 0.266 |
Çalışma katılımcılarının temel özellikleri.
Sürekli değişkenler medyan [çeyrekler arası aralık] veya ortalama ± SD olarak sunulmuştur.
Kategorik değerler sayı (yüzde) olarak sunulmuştur.
CVD, Kardiyovasküler Hastalık; DM, Diyabet Mellitus; HP, Hipertansiyon; SGA, Subjektif Küresel Değerlendirme; BMI, kütle indeksi; WHR, basen-bel oranı; TSF, triseptis deri katmanı; TSFWR, triseptis deri katmanı-bel oranı; MAMC, kol kas çevresi; ALB, albumin; PA, prealbumin; TRF, transferrin; CRP, C-reaktif protein; CR, kreatinin; UA, ürik asit; TG, trigliserid; CHOL, toplam kolesterol; TCO2, toplam karbondioksit; WBC, beyaz kan hücresi sayısı; HB, hemoglobin; DEI, diyet enerji alımı; DPI, diyet protein alımı; DFaI, diyet yağ alımı; DCI, diyet karbonhidrat alımı; DFiI, diyet lif alımı; DPPI, diyet bitkisel protein alımı (soya); DAPI, diyet hayvansal protein alımı.
Gelişim kohortu rastgele bir eğitim kümesi (n = 645) ve dahili doğrulama kümesi (n = 274) olarak ayrıldı. Bağımsız dış test kümesi 210 hastadan oluşuyordu; bunların 97’si (46,2’si) takip süresinde hayatını kaybetti. Üç veri kümesi üzerindeki temel özellikler Ek Tablo 1’de özetlenmiştir.
Özellik seçimi ve model geliştirme
Beş katmanlı çapraz doğrulama ile LASSO-Cox regresyonu, eğitim kümesinde özellik seçimi için 0,0332 optimal λmin değeri belirlemiştir (Şekil 1A,B). Survival Boruta, permütasyon önemliliğine dayanarak ilgili öngörücüleri belirlemek için ayrı ayrı uygulanmıştır (Şekil 1C). İki yöntem tarafından seçilen değişkenlerin kesişimi model geliştirmek için korunmuştur (Ek Tablo 2, 3’te sunulmuştur) ve seçim kararlılığı bootstrap yeniden örnekleme ile değerlendirilmiştir (Ek Şekil 4). Sonuç olarak yaş, DM, CVD, serum kreatinin (CR), nabız basıncı, prealbumin (PA), basen-bel oranı (WHR), albumin (ALB), C-reaktif protein (CRP), beyaz kan hücresi sayısı (WBC), hemoglobin (HB), triseptis deri katmanı-bel oranı (TSFWR), serum sodyumu ve transferrin (TRF) dahil olmak üzere 14 öngörücü belirlenmiştir. Bu öngörücüler daha sonra eğitim kümesinde beş hayatta kalma tahmin modeli olan CoxNet, RSF, GBS, DeepSurv ve DeepHit’i geliştirmek için kullanılmıştır. Her model için optimal hiperparametreler, modeller eğitilip optimize edildikten sonra elde edilmiştir (Ek Tablo 4, 5’te gösterilmiştir).
Şekil 1
Model değerlendirme
Dahili validasyon kohortunda, beş hayatta kalma modelinin tamamı orta düzeyde ayırt edicilik performansı göstermiş; C-endeksi 0,716 ile 0,736 arasında değişmiştir (Tablo 2). Şekil 2’de gösterildiği gibi, RSF en yüksek C-endeksi (0,736; 95% IG, 0,702–0,770) ve 5 yıllık zamana bağımlı AUC (0,821; 95% IG, 0,768–0,868) elde ederken, CoxNet en düşük bütünleştirilmiş Brier skoru (IBS, 0,166; 95% IG 0,149–0,180) ve 5 yıllık Brier skoru (0,183; 95% IG 0,162–0,205) vermiştir. GBS karşılaştırılabilir sayısal performans göstermiştir (C-endeksi, 0,731; 5 yıllık AUC, 0,811; IBS, 0,169; 5 yıllık Brier skoru, 0,187) ve Holm düzeltmesinden sonra bu ölçümlerde RSF veya CoxNet ile istatistiksel açıdan anlamlı fark yoktur (tüm düzeltilmiş p > 0,05, Ek Tablo 6’da gösterilmiştir). GBS aynı zamanda nispeten dengeli duyarlılık (0,757) ve özgüllük (0,741) göstermiş, F1-skoru 0,723 olmuştur (Ek Tablo 7’de gösterilmiştir). Dikkat çeken bir nokta, kalibrasyon eğiminin (1,079) RSF’ninkine (1,819) ve CoxNet’inke (1,351) birimden daha yakın olmasıdır. DCA, seçili eşik olasılıkları boyunca potansiyel klinik yararlılık önermektedir. Dengeli ayırt edicilik, tahmin hatası ve kalibrasyon performansı göz önüne alındığında, GBS’in daha ileri dış validasyon için umut verici bir aday olduğu düşünülmüştür.
Tablo 2
| Model | C-endeksi (95% IG) | 5-yıl AUC (95% IG) | IBS (95% IG) | 5-yıl brier (95% IG) |
|---|---|---|---|---|
| Dahili doğrulama kümesi | ||||
| CoxNet | 0.734 (0.702, 0.770) | 0.817 (0.769, 0.865) | 0.166 (0.149, 0.180) | 0.183 (0.162, 0.205) |
| RSF | 0.736 (0.702, 0.770) | 0.821 (0.768, 0.868) | 0.169 (0.156, 0.182) | 0.189 (0.171, 0.205) |
| GBS | 0.731 (0.694, 0.766) | 0.811 (0.750, 0.862) | 0.169 (0.154, 0.188) | 0.187 (0.163, 0.213) |
| DeepSurv | 0.727 (0.694, 0.760) | 0.815 (0.766, 0.866) | 0.171 (0.153, 0.186) | 0.191 (0.167, 0.211) |
| DeepHit | 0.716 (0.679, 0.750) | 0.791 (0.734, 0.838) | 0.193 (0.180, 0.204) | 0.234 (0.218, 0.249) |
| Harici test kümesi | ||||
| CoxNet | 0.710 (0.656, 0.762) | 0.753 (0.668, 0.821) | 0.150 (0.133, 0.168) | 0.170 (0.145, 0.198) |
| RSF | 0.747 (0.704, 0.786) | 0.787 (0.711, 0.852) | 0.144 (0.130, 0.159) | 0.163 (0.143, 0.184) |
| GBS | 0.748 (0.705, 0.790) | 0.799 (0.726, 0.861) | 0.141 (0.125, 0.158) | 0.156 (0.130, 0.185) |
| DeepSurv | 0.717 (0.667, 0.765) | 0.766 (0.681, 0.833) | 0.149 (0.131, 0.168) | 0.166 (0.141, 0.193) |
| DeepHit | 0.705 (0.657, 0.757) | 0.759 (0.680, 0.829) | 0.163 (0.147, 0.178) | 0.189 (0.171, 0.207) |
Dahili doğrulama ve harici test kümelerinde beş makine öğrenimi hayatta kalma modelinin tahmini performans.
Şekil 2
Dışsal test setinde GBS, en yüksek C-endeksi (0,748; %95 IG, 0,705–0,790) ve 5 yıllık AUC (0,799; %95 IG, 0,726–0,861) değerlerine ulaşarak olumlu öngörü performansını korudu. C-endeksi RSF ile (0,747) karşılaştırılabilir düzeydeyken, RSF 1 ve 3 yılda biraz daha yüksek AUC değerleri gösterdi. Önemli olan, GBS’nin tüm beş model arasında en düşük IBS’yi (0,141; %95 IG, 0,125–0,158) ve 5 yıllık Brier skorunu (0,156; %95 IG, 0,130–0,185) elde etmesidir. 5 yıllık kalibrasyon analizleri, modeller arasında öngörülen ve gözlemlenen ölüm riskleri arasında farklı düzeyde uyum olduğunu gösterdi. GBS, birime yakın bir kalibrasyon eğimi (0,951) sergiledi; ancak negatif kalibrasyon kesimi (−0,437), dışsal test kohortunda mutlak ölüm riskinin biraz fazla tahmin edildiğine işaret etti. Eşli karşılaştırmalar, GBS’nin C-endeksi, 5 yıllık AUC, 5 yıllık Brier skoru ve IBS açısından RSF ile karşılaştırılabilir performans gösterdiğini, Holm düzeltmesinden sonra tüm karşılaştırmalarda istatistiksel olarak anlamlı fark bulunmadığını (düzeltilmiş tüm p değerleri > 0,05) ortaya koydu. Buna karşılık, GBS’nin CoxNet ve DeepHit’e göre anlamlı derecede düşük 5 yıllık Brier skoruna, DeepHit’e göre ise anlamlı derecede düşük IBS’ye sahip olduğu bulundu (düzeltilmiş tüm p değerleri < 0,05; Supplementary Table 6’da gösterilmiştir). Bu bulgular, GBS’nin bağımsız bir kohortta öngörü performansını koruduğunu ve potansiyel genellenebilirliğini desteklediğini göstermektedir. Olumlu genel öngörü performansına dayanarak GBS, sonraki SHAP analizi için seçildi.
Model açıklanabilirliği
GBS modeli, dış test kohortunda yorumlamak için SHAP analizi ile değerlendirildi. SHAP özet grafikleri (Şekil 3A,B) öngörücileri mutlak SHAP değerlerinin ortalamasına göre sıraladı; yaş, PA ve DM model öngörülerine en büyük katkıyı gösterdi. Yüksek yaş, DM veya KD varlığı, yükselmiş nabız basıncı, WHR, WBC ve CRP ve düşük PA, CR, HB, ALB, TRF, sodyum ve TSFWR değerleri genel olarak yüksek 5 yıllık ölüm riski ile ilişkilendirildi. SHAP bağımlılık grafikleri (Şekil 3C), bireysel öngörücü değerlerle modeller çıktısına katkıları arasındaki ilişkileri daha ayrıntılı olarak ortaya koydu. Bu bulgular, GBS modelinin risk tahminleri üretirken farklı öngörücileri kullandığını açıklar; nedensel veya koruyucu etkiler kurmaz. SHAP şelge grafiği ile bireysel düzeyde açıklama Tam Ek Şekil 5’te sunuldu.
Şekil 3
Hassaslık analizi
Rekabet riski hassaslık analizinde, böbrek nakli ve peritoneal diyalize geçiş rekabet olayları olarak değerlendirildi. Fine–Gray modeli, dış test kohortunda yüksek riskli (n = 92) ve düşük riskli (n = 118) gruplar arasında ölüm kümülatif insidansında belirgin ayrışma gösterdi. Beş yıllık kalibrasyon, tahmin edilen ve gözlemlenen ölüm riskleri arasında makul uyum, bazı ideal kalibrasyondan sapmalar ile birlikte gösterdi (Tam Ek Şekil 6). Bu bulgular, ölüm riski stratifikasyonunun ayrı bir rekabet riski analizinde belirgin olmaya devam ettiğini işaret ediyor.
Tartışma
Bu uzun süreli takiple yürütülen prospektif çok merkezli kohort çalışmasında, MHD alan hastalarda tüm nedenlere bağlı ölüme yönelik beş makine öğrenimi hayatta kalma modeli geliştirdik ve dışsal olarak doğruladık. 14 erişilebilir klinik, biyokimyasal ve antropometrik öngörücüyü birleştiren GBS, bağımsız dışsal test kohortunda 0.748 C-endeksi, 5 yıllık zamana bağlı AUC 0.799 ve en düşük IBS değerine ulaşarak olumlu genel öngörme performansını gösterdi. Ayırdedici performansı diğer modellerden istatistiksel olarak üstün olmasa da, GBS ayırdedicilik, öngörme hatası ve kalibrasyon açısından olumlu bir denge sergiledi ve bireyselleştirilmiş ölü riski katmanlandırılmasındaki potansiyelini destekledi. Buna ek olarak, SHAP analizi, komorbidite yükünü, sistemik iltihabı, beslenme durumunu, kardiyovasküler disfonksiyonu ve vücut kompozisyonunu yansıtan öngörücülerin katkılarını öne çıkararak MHD hastalarında ölü riski öngörmesinde klinik açıdan yorumlanabilir bulgular sundu.
SHAP analizi, beslenme, inflamasyon, kardiyovasküler ve vücut kompozisyonu ile ilgili öngörücülerin GBS modeli tarafından üretilen ölüm riski tahminlerine katkılarını öne çıkardı. Bu bulgular, böbrek yetmezliği hastalarında beslenme yetersizliği, kronik inflamasyon ve aterosklerotik kardiyovasküler hastalık arasındaki karşılılı ilişkileri vurgulayan malnütrisyon-inflamasyon-atheroskleroz (MIA) çerçevesiyle geniş ölçüde uyumludur. Önemli olan, birden fazla MIA ile ilişkili faktörün varlığının hemodiyaliz hastalarında tüm nedenlere bağlı ölümle artışıyla ilişkilendirilmesiidir. Kronik inflamasyon, kısmen oksidatif stres aracılığıyla protein katabolizması, endotelyal disfonksiyon ve aterosklerotik süreçlere katkıda bulunabilir; beslenme eksikliği ve inflamasyon ise kardiyovasküler riski artırmak için etkileşebilir. Protein-enerji tükenmesi, ileri böbrek hastası hastalarında yaygındır ve ALB, PA ve TRF gibi dolaşımdaki protein seviyelerinin düşüklüğüyle birlikte yağ ve kas rezervlerinin tükenmesini içerebilir. Bu beslenme ve inflamasyon anormallikleri, MHD hastalarında kötü sonuçlarla ilişkilendirilmiştir. Bu bulgularla tutarlı olarak, analizimizde daha düşük PA, ALB ve TRF seviyeleri ile birlikte daha yüksek CRP ve WBC seviyeleri, SHAP analizinde daha yüksek model tarafından tahmin edilen ölüm riskiyle ilişkilendirilmiştir. Dikkat çezilen bir nokta olarak, PA genel SHAP öneminde ikinci sırayı almış olup, MHD hastalarında prognostik önemiyle ilgili önceki bulgularla uyumludur. Benzer şekilde, yakın zamanda yapılan bir hemodiyaliz kohort çalışması, daha yüksek TRF seviyelerinin daha iyi beslenme durumu ve iyileşmiş hayatta kalma ile ilişkilendirildiğini bildirmiştir. Ayrıca, daha yüksek dar pulse basıncı, diyabet ve mevcut CVD, önceki bulgularla tutarlı olarak daha yüksek tahmin edilen ölüm riskine katkıda bulunmuştur.
Döngüsel biyomarker’ların ötesinde, CR ve antropometrik indisler vücut kompozisyonuyla ilgili ek bilgiler sağlayabilir. Yüksek CR, muhtemelen daha büyük kas rezervlerini yansıtarak daha düşük tahmini ölüm riski ile ilişkilendirildi; bu bulgu, MHD hastalarındaki önceki bulgularla (31–34) uyumludur. Antropometrik indisler arasında, yüksek WHR, merkezi obezitenin prognozsal önemleriyle uyumlu olarak artmış tahmini risk ile ilişkilendirildi. Benzer şekilde, düşük TSFWR, muhtemelen çevre alt deri yağının bel çevresiyle karşılaştırıldığında daha düşük olmasını yansıtarak daha yüksek tahmini risk ile ilişkilendirildi. Yakında yapılan bir NHANES çalışması, düşük TSFWR’yi tüm nedenlere bağlı ölümle artmış riskle ilişkilendirdi; ancak bu ilişkinin MHD hastalarındaki prognozsal değeri daha fazla doğrulamaya ihtiyaç duymaktadır.
Ayrıca, düşük serum sodyumu, hemodiyaliz hastalarında hiponatremi ve sıvı dengesizliğini ölümle ilişkilendiren önceki kanıtlarla uyumlu olarak artmış tahmini ölüm riski ile ilişkilendirildi. Bu bulgular bir araya geldiğinde, GBS modelinin prognozsal bilgiyi birden fazla klinik alanda entegre ettiği öne sürülmektedir. SHAP analizi model yorumlanabilirliğini artırsa da, bulguları kausal veya biyolojik etkiler kurmamaktadır. Açıklanabilir yapay zeka, bireyselleştirilmiş risk değerlendirmesini kolaylaştırabilir; ancak rutin uygulamadan önce etkisinin klinik etkisinin daha fazla doğrulanması ve prospektif olarak değerlendirilmesi gerekmektedir.
MHD hastaları için ölüm tahmini modelleri, önceki çalışmalar tarafından konvansiyonel istatistiksel yaklaşımlar kullanılarak geliştirilmiştir. Li ve arkadaşları, 6 aylık sağkalımı tahmin etmek için Cox tabanlı bir nomogram geliştirdi; Noppakun ve arkadaşları yaşlı MHD hastalarında bir ölüm tahmini modeli ortaya koydu; Floege ve arkadaşları ise Avrupa bir hemodiyaliz kohortunda bir ölüm risk skoru geliştirdi ve dışsal olarak validate etti (4–6). Klinik olarak faydalı olsalar da, konvansiyonel regresyon modelleri, açıkça belirtilmedikçe karmaşık doğrusal olmayan ilişkileri ve etkileşimleri tam olarak yakalayamayabilir.
Bayes ağları, rastgele ormanlar, XGBoost ve yorumlanabilir yaklaşımlar dahil olmak üzere ML yöntemleri, hemodiyaliz hastalarında ölüm tahmini için ayrıca kullanılmıştır (7–10). Örneğin, Sheng ve ark. (), XGBoost kullanarak ilk yıl içi ölüm tahmininde 0.83–0.85 AUC değerleri bildirmiştir. Ancak birkaç önceki model, hayatta kalma süresi ve sansürlemeyi açıkça dikkate almak yerine, sabit süreli ölüm sınıflandırmasına odaklanmıştır. Daha sonraları ML hayatta kalma modelleri incelenmiştir. Noh ve ark., Koreli hemodiyaliz kohortunda hayatta kalma bagging için 0.776 C-endeksi bildirirken, Huerfano ve ark. yaşlı diyaliz hastalarında beş hayatta kalma algoritasını karşılaştırmış; DeepSurv 0.692 C-endeksi ve 0.145 IBS değerine ulaşmıştır (, ). Bu çalışmalar ML hayatta kalma modellerinin potansiyelini göstermekle birlikte, besinsel, inflamatuar ve vücut kompozisyonuyla ilgili göstergelerin kapsamlı entegrasyonu nispeten sınırlı kalmıştır.
Bu çalışmaların üzerine kurarak, uzun süreli takipli ileriye dönük çok merkezli Çinli MHD kohortunda beş ML hayatta kalma modelini geliştirdik ve karşılaştırdık. Besinsel ve inflamatuar işaretleri, konvansiyonel klinik değişkenlerle ve yağ dağılımıyla ilgili antropometrik indislerle birleştirdik. Hem penalize regresyon hem de doğrusal olmayan, hayatta kalma temelli önem değerlendirmesi tarafından desteklenen öngörücüleri belirlemek için, birbirini tamamlayan güçlülerinden yararlanarak birleşik LASSO–Cox ve Survival Boruta yaklaşımı kullanıldı. Modellerin performansı ayırt edicilik, tahmin hatası, kalibrasyon ve klinik yararlılık açısından, bağımsız dış validasyon ile değerlendirildi. Sağlamlığı değerlendirmek ve öngörücülerin ölüm riski tahminlerine katkılarını karakterleştirmek için rekabet riski hassasiyet analizi ve SHAP yorumlaması ayrıca gerçekleştirildi.
Bununla birlikte, birkaç kısıtlamanın kabul edilmesi gerekmektedir. İlk olarak, modeller öncelikle tabanlı klinik, laboratuvar ve antropometrik değişkenlere dayanmaktaydı; uzunlamasına değişiklikleri veya öngörücü performansı daha da artırabilecek yeni biyomarkerları içermiyordu. İkinci olarak, modeller bağımsız bir dış test kohortunda değerlendirilmiş olsa da, nispeten küçük örneklem boyutu (n = 210) performans tahminlerinin kesinliğini sınırlamıştır. Ayrıca, katılan tüm merkezler Güney Çin’de yer almakta ve bu durum genellenirliliği diğer popülasyonlarla sınırlamış olabilir. Son olarak, SHAP analizi model yorumlanabilirliğini artırsa da, bulguları klinik kararları yönlendirmek için yalnız başına kullanılmamalıdır. Bu modellerin klinik yararlılığını ve rutin uygulamaya olası entegrasyonunu değerlendirmek için daha fazla ileri görüşlü uygulama ve etkili çalışmalar gerekmektedir.
Sonuç
Sonuç olarak, 14 kolay erişilebilir klinik, laboratuvar ve antropometrik öngörücü faktör kullanarak MHD hastalarında uzun süreli ölüm riskinin öngörülmesi için yorumlanabilir bir GBS ML modeli geliştirdik ve dışarıdan validite ettik. Model, genel olarak uygun ayrıştırma ve kalibrasyon göstermiş; SHAP analizi ise beslenme, inflamasyon, kardiyovasküler ve vücut kompozisyonu ile ilişkili faktörlerin öngörülen ölüm riskine katkılarına dair içgörü sağlamıştır. Bu bulgular, bu yaklaşımın MHD hastalarında bireyselleştirilmiş risk stratifikasyonundaki potansiyelini desteklemekle birlikte, rutin uygulamadan önce daha geniş çaplı dış validite ve ileri görüşlinik değerlendirme gerekmektedir.
İfadeler
Veri erişilebilirliği ifadesi
Bu makalenin sonuçlarını destekleyen ham veriler, authors tarafından gereksiz bir çekinme olmaksızın erişime sunulacaktır.
Ahlak ifadesi
İnsanlarla yürütülen çalışmalar, Nanfang Hastanesi Tıbbi Ahlak Komitesi tarafından onaylanmıştır. Çalışmalar, yerel mevzuat ve kurumsal gereksinmelere uygun olarak yürütülmüştür. Katılımcılar, bu çalışmaya katılmak için yazılı bilgilendirilmiş onaylarını vermiştir.
Yazar katkıları
XT: Metodoloji, İnceleme ve Düzenleme, Orijinal Metnin Yazılması, Görselleştirme, Resmi Analiz. YY: İnceleme ve Düzenleme, Görselleştirme, Orijinal Metnin Yazılması, Doğrulama. ZP: İnceleme ve Düzenleme. YW: Denetim, İnceleme ve Düzenleme, Metodoloji. ZY: Metodoloji, İnceleme ve Düzenleme, Denetim. SY: Veri Yönetimi, İnceleme ve Düzenleme. YuL: Veri Yönetimi, İnceleme ve Düzenleme. YoL: İnceleme ve Düzenleme, Veri Yönetimi. YZ: İnceleme ve Düzenleme, Veri Yönetimi. YK: İnceleme ve Düzenleme, Veri Yönetimi. QW: İnceleme ve Düzenleme, Veri Yönetimi. SH: Veri Yönetimi, İnceleme ve Düzenleme. YaL: İnceleme ve Düzenleme, Veri Yönetimi. AL: Veri Yönetimi, İnceleme ve Düzenleme. FL: Veri Yönetimi, İnceleme ve Düzenleme. ML: Kaynaklar, Doğrulama, Veri Yönetimi, İnceleme ve Düzenleme, Proje Yönetimi, Denetim, Finansman Edinimi.
Fonlandırma
Yazar(lar), bu çalışmanın ve/veya yayımlanmasının için finansal destek alındığını beyan etti. Bu çalışma, Çin Ulusal Ana Araştırma ve Geliştirme Programı (2021YFC2500200 ve 2021YFC2500204); Guangdong Eyaleti Ana Teknolojiler Araştırma ve Geliştirme Programı (2023B1111030004); Southern Medical University Nanfang Hastanesi Klinik Araştırma Fonu (2019CR021; 2023CR038); Southern Medical University Klinik Araştırma Programı (LC2019ZD005; LC2024NF003); Çin Ulusal Doğal Bilimler Fonu (82470760); Southern Medical University Nanfang Hastanesi Başkanlık Fonu (2022H013); Üniversitelere Disiplin Yetenekleri Getirme Programı, 111 Planı (D18005) tarafından desteklenmiştir.
Teşekkürler
Çalışmaya katkılarından dolayı katılımcılara, araştırmacılara ve personele teşekkür ederiz.
Çıkar çatışması
Yazar(lar), bu çalışmanın, potansiyel bir çıkar çatışması olarak değerlendirilebilecek herhangi bir ticari veya finansal ilişkinin ortada olmadığı koşullarda yürütüldüğünü beyan etti.
Üretken Yapay Zeka beyanı
Yazar(lar), bu makalenin oluşturulmasında Üretken Yapay Zekânın kullanılmadığını beyan etmiştir.
Bu makaledeki şekillerle birlikte sağlanan alternatif metinler (alt text) Frontiers tarafından yapay zekânın desteğiyle oluşturulmuş olup, mümkün olduğunca yazarların gözden geçirmesini de içeren makul çabalar doğruluk açısından alınmıştır. Herhangi bir sorunu tespit ederseniz, lütfen bizimle iletişime geçin.
Yayıncının notu
Bu makalede ifade edilen tüm iddialar yalnızca yazarların görüşlerini yansıtır ve bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini mutlaka temsil etmez. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.
Ekleme materiali
Bu makalenin ekleme malzemesi çevrimiçi olarak şu adreste bulunabilir: https://www.frontiersin.org/articles/10.3389/fnut.2026.1956147/full#supplementary-material
-
1.
Flythe JEW, Atnick S. Dialysis for chronic kidney failure: a review. JAMA. (2024) 332:1559–73. doi: 10.1001/jama.2024.16338
-
2.
Bello AK, Okpechi IG, Osman MA, Cho YH, Tay H, Jha V ve ark. Epidemiology of haemodialysis outcomes. Nat Rev Nephrol. (2022) 18:378–95. doi: 10.1038/s41581-022-00542-7,
-
3.
de Jager DJ, Grootendorst DC, Jager KJ, van Dijk PC, Tomas LM, Ansell D ve ark. Cardiovascular and noncardiovascular mortality among patients starting dialysis. JAMA. (2009) 302:1782–9. doi: 10.1001/jama.2009.1488,
-
4.
Li Jiang, Li Ji, Shen H, Jiang S, Ouyang H ve diğerleri. Çin’de yeni başlayan diyaliz hastalarının 6 aylık hayatta kalma oranını öngören nomogramın geliştirilmesi ve geçerliliğinin değerlendirilmesi. BMC Nephrol. (2022) 23:234. doi: 10.1186/s12882-022-02864-x,
-
5.
Noppakun K, Nochaiwong S, Tantraworasin A, Khorana J, Susantitaphong P, Lumpaopong A ve diğerleri. Bakım diyalizindeki yaşlı hastalarda ölüm oranları ve klinik bir öngörü modeli: 17.354 Asyalı hastayı içeren büyük bir gözlemsel kohort çalışması. Am J Nephrol. (2024) 55:136–45. doi: 10.1159/000535669
-
6.
Floege J, Gillespie IA, Kronenberg F, Anker SD, Gioni I, Richards S ve diğerleri. Bir Avrupa diyaliz kohortundan öngören ölüm risk skorunun geliştirilmesi ve geçerliliğinin değerlendirilmesi. Kidney Int. (2015) 87:996–1008. doi: 10.1038/ki.2014.419,
-
7.
Siga MM, Ducher M, Florens N, Roth H, Mahloul N, Fouque D ve diğerleri. Hemodiyaliz hastalarında Bayesian ağı kullanarak neden-olanyaygın ölümün öngörüleri. Nephrol Dial Transplant. (2020) 35:1420–5. doi: 10.1093/ndt/gfz295,
-
8.
Gotta V, Tancev G, Marsenic O, Vogt JE, Pfister M. Kronik hemodiyalizdeki genç hastalarda ölüm için anahtar öngörücülerin belirlenmesi: bir makine öğrenimi yaklaşımı. Nephrol Dial Transplant. (2021) 36:519–28. doi: 10.1093/ndt/gfaa128,
-
9.
ShuPWangXWenZChenJXuF. SHAP’ın makine öğrenmesi ile birleştirilerek bakım hemodiyaliz hastalarında ölüm riskinin öngörülmesi: retrospektif bir çalışma. Front Med (Lausanne). (2025) 12:1615950. doi: 10.3389/fmed.2025.1615950,
-
10.
ShengKZhangPYaoXLiJHeYChenJ. İlk yıl içinde hemodiyaliz hastalığında görülen ölüm için prognostik makine öğrenmesi modelleri: geliştirme ve geçerlilik çalışması. JMIR Med Inform. (2020) 8:e20578. doi: 10.2196/20578,
-
11.
NohJParkSYBaeWKimKChoJHLeeJ ve ark. Hemodiyaliz hastalarında erken ölümün öngörülmesi: Güney Kore’de ulusal bir prospektif kohort kullanılarak derin öğrenme yaklaşımı. Sci Rep. (2024) 14:29658. doi: 10.1038/s41598-024-80900-6,
-
12.
HuerfanoMHuerfanoEPiragautaNSanabriaM. Yaşlı diyaliz hastalarında kişiselleştirilmiş hayatta kalma tahmini: makine öğrenmesinin geleneksel hayatta kalma analizi ile birleştirilmesi. BMC Nephrol. (2026) 27:593. doi: 10.1186/s12882-026-05121-7,
-
13.
RupertoMBarrilG. Yaşlı hemodiyaliz hastalarında beslenme durumu, iltihaplanma ve vücut kompozisyonunun klinik önemi: vaka-kontrol çalışması. Nutrients. (2023) 15:5036. doi: 10.3390/nu15245036,
-
14.
Dekker MJE, Konings C, Canaud B, van der Sande FM, Stuard S, Raimann JG et al. Beslenme bozukluğu, iltihaplanma ve sıvı aşırı yüklenmesi arasındaki etkileşimler ve yaygın hemodiyaliz hastalarında hayatta kalma ile ilişkileri. J Ren Nutr. (2018) 28:435–44. doi: 10.1053/j.jrn.2018.06.005,
-
15.
Ishwaran H, Kogalur U. Rastgele hayatta kalma ormanlarının tutarlılığı. Stat Probab Lett. (2010) 80:1056–64. doi: 10.1016/j.spl.2010.02.020,
-
16.
Katzman JL, Shaham U, Cloninger A, Bates J, Jiang T, Kluger Y. DeepSurv: Cox oransal riskler derin sinir ağı kullanarak kişiselleştirilmiş tedavi öneri sistemi. BMC Med Res Methodol. (2018) 18:24. doi: 10.1186/s12874-018-0482-1,
-
17.
Lundberg SM, Erion G, Chen H, DeGrave A, Prutkin JM, Nair B et al. Ağaçlar için açıklanabilir yapay zeka ile yerel açıklamalardan küresel anlayışa. Nat Mach Intell. (2020) 2:56–67. doi: 10.1038/s42256-019-0138-9,
-
18.
He Y, Lu Y, Yang S, Li Y, Yang Y, Chen J et al. Bakım hemodiyalizini alan hastalarda besleninsel bitkisel protein ve ölüm: bir kohort çalışması. Am J Kidney Dis. (2021) 78:649–657.e1. doi: 10.1053/j.ajkd.2021.03.023,
-
19.
Yang, Qin, Li, Lei, Li, Yang ve ark. Bakım hemodiyaliz hastalarında diyet enerji alımı ile ölüm riski arasındaki ilişki: Çok merkezli kohort çalışması. Br J Nutr. (2020) 123:437–45. doi: 10.1017/S0007114519002861,
-
20.
Zhong, Lin, Yang, Huang, Lan, Xia ve ark. Bakım hemodiyaliz hastalarında diyet karbohidrat alımı ile ölüm riski arasındaki ilişki: Çok merkezli kohort çalışması. Clin Kidney J. (2025) 18:sfaf124. doi: 10.1093/ckj/sfaf124,
-
21.
Sanchez-Pinto, Venable, Fahrenbach ve Churpek. Klinik prediktif modelleme için değişken seçimi yöntemlerinin karşılaştırılması. Int J Med Inform. (2018) 116:10–7. doi: 10.1016/j.ijmedinf.2018.05.006,
-
22.
Kalantar-Zadeh, Ikizler, Block, Avram ve Kopple. Diyaliz hastalarında beslenme-bozulma-kompleks sendromu: Nedenleri ve sonuçları. Am J Kidney Dis. (2003) 42:864–81. doi: 10.1016/j.ajkd.2003.07.016,
-
23.
Stenvinkel, Heimbürger, Lindholm, Kaysen ve Bergström. Kronik böbrek yetmezliğinde iki tip beslenme bozukluğu var mı? Beslenme bozukluğu, iltihaplanma ve ateroskleroz arasındaki ilişkiler için kanıtlar (MIA sendromu). Nephrol Dial Transplant. (2000) 15:953–60. doi: 10.1093/ndt/15.7.953,
-
24.
Sueta D, Okimoto S, Sakamoto K, Akasaka T, Tabata N, Kaikita K et al. Yüksek ölüm oranının malnütrisyon-iltihap-ateroskloroz sendromunun doğrulanması: topluluk tabanlı gözlemsel çalışma. Int J Cardiol. (2017) 230:97–102. doi: 10.1016/j.ijcard.2016.12.072
-
25.
Stenvinkel P. Son evre böbrek hastalığında iltihaplanma, oksidatif stres ve endotelyal disfonksiyon arasındaki etkileşimler. J Ren Nutr. (2003) 13:144–8. doi: 10.1053/jren.2003.50018
-
26.
Himmelfarb J, Stenvinkel P, Ikizler TA, Hakim RJ. Üremideki fil: kardiyovasküler hastalığın birleştirici kavrimi olarak oksidan stres. Kidney Int. (2002) 62:1524–38. doi: 10.1046/j.1523-1755.2002.00600.x
-
27.
Ikizler TA, Burrowes JD, Byham-Gray LD, Campbell KL, Carrero JJ, Chan W et al. KDOQI kronik böbrek hastalığında beslenme için klinik uygulama kılavuzu: 2020 güncellemesi. Am J Kidney Dis. (2020) 76:S1–S107. doi: 10.1053/j.ajkd.2020.05.006
-
28.
Rambod M, Kovesdy CP, Bross R, Kopple JD, Kalantar-Zadeh K. Hemodiyaliz alan hastalarda serum prealbümin ve zaman içindeki değişimlerinin klinik sonuçlar ve hayatta kalma ile ilişkisi. Am J Clin Nutr. (2008) 88:1485–94. doi: 10.3945/ajcn.2008.25906
-
29.
Mizuiri S, Nishizawa Y, Doi T, Okubo A, Morii K, Shigemoto K et al. Hemodiyaliz hastalarında serum transferin düzeyleri, malnütrisyon belirteçleri ve hayatta kalma arasındaki ilişkiler. Hemodial Int. (2026) 30:207–14. doi: 10.1111/hdi.70018
-
30.
Klassen PS, Lowrie EG, Reddan DM, DeLong ER, Coladonato JA, Szczech LA ve ark. Bakım hemodiyalizine alınan hastalarda nabız basıncı ile ölüm arasındaki ilişki. JAMA. (2002) 287:1548–55. doi: 10.1001/jama.287.12.1548,
-
31.
Kalantar-Zadeh K, Block G, Humphreys MH, Kopple JD. Bakım dializ hastalarında kardiyovasküler risk faktörlerinin ters epidemiyolojisi. Kidney Int. (2003) 63:793–808. doi: 10.1046/j.1523-1755.2003.00803.x,
-
32.
Patel SS, Molnar MZ, Tayek JA, Ix JH, Noori N, Benner D ve ark. Kronik böbrek hastalığında kas kütlesinin bir göstergesi olarak serum kreatinin: kesitsel bir çalışma ve literatür taramasının sonuçları. J Cachexia Sarcopenia Muscle. (2013) 4:19–29. doi: 10.1007/s13539-012-0079-1,
-
33.
Kalantar-Zadeh K, Streja E, Vovesdy CP, Oreopoulos A, Noori N, Jing J ve ark. Hemodiyaliz alan hastalarda vücut boyutu ve kas kütlesinin ikincil göstergeleri ile ilişkili obezite paradoksu ve ölüm. Mayo Clin Proc. (2010) 85:991–1001. doi: 10.4065/mcp.2010.0336,
-
34.
Moreau-Gaudry X, Guebre-Egziabher F, Jean G, Genet L, Lataillade D, Legrand E ve ark. Serum creatinin hemodiyaliz hastalarında vücut kitle indeksi ölüm tahminini iyileştirir: ARNOS çalışmasından 1 yıllık prospektif kohort analizi. J Ren Nutr. (2011) 21:369–75. doi: 10.1053/j.jrn.2010.08.005,
-
35.
Postorino M, Marino C, Trip G, Zoccali C ve CREDIT (Kalanya Diyaliz ve Nakil Kaydı) Çalışma Grubu. Son evre böbrek hastalığında abdominal obezite ve nedensel ile kardiovasküler ölüm. J Am Coll Cardiol. (2009) 53:1265–72. doi: 10.1016/j.jacc.2008.12.040,
-
36.
Yang Y, Zhang H, Lan X, Qin X, Huang Y, Wang J ve ark. Düşük BMI ve yüksek bel-kalça oranı hemodiyaliz hastalarında ölüm riski ile ilişkilidir: çok merkezli prospektif kohort çalışması. Clin Kidney J. (2022) 16:167–75. doi: 10.1093/ckj/sfac210,
-
37.
Yang L, Ge Y, Zhu Q, Zhang Q, Wang L, Wang X ve ark. Yağ dağılımı ve BMI’nin kombinasyonu obeziteyi yeniden tanımlar: NHANES sonuçları. J Cachexia Sarcopenia Muscle. (2025) 16:e70013. doi: 10.1002/jcsm.70013,
-
38.
Nigwekar S, Wenger J, Thadhani R, Bhan I. Bakım hemodiyaliz hastalarında hiponatremi, mineral metabolizması ve ölüm: bir kohort çalışması. Am J Kidney Dis. (2013) 62:755–62. doi: 10.1053/j.ajkd.2013.02.367
-
39.
Waikar S, Curhan G, Brunelli S. Bakım hemodiyalizinde düşük serum sodyum konsantrasyonu ile ilişkili ölüm. Am J Med. (2011) 124:77–84. doi: 10.1016/j.amjmed.2010.07.029,
-
40.
Pinter J, Canaud B, Mayne K J, Stuard S, Moissl U, Kooman J ve ark. Abnormal sıvı durumu, plazma sodyum bozuklukları ve düşük diyalizat sodyumun hemodiyalizasyon hastalarında mortalite ile ilişkisi. Clin J Am Soc Nephrol. (2024) 19:1444–52. doi: 10.2215/CJN.0000000000000552,
-
41.
Fang X, Xu Y, Zhao Y, Li L, Cheng Z, Zhang Z ve ark. Geleneksel taramanın ötesinde: biyomarkerlar ve AI ile kalp yetmezliğinin teşhisinin geleceği. iNew Medicine. (2026) 2:e70051. doi: 10.1002/inm3.70051
Özet
Anhtar kelimeler
hemodiyalizasyon, mortalite, beslenme durumu, tahmin modeli, SHAP (SHapley Additive exPlanations) analizi, hayatta kalma makine öğrenimi
Başvuru
Tian X, Yang Y, Peng Z, Wang Y, You Z, Yang S, Li Y, Lu Y, Zhao Y, Kong Y, Wan Q, Huang S, Liu Y, Liu A, Liu F ve Liang M (2026) Hemodiyalizasyon hastalarında uzun süreli mortalitenin makine öğrenimi hayatta kalma modelleriyle tahmini: SHAP tabanlı yorumlama içeren ön görülü çok merkezli çalışma. Front. Nutr. 13:1956147. doi: 10.3389/fnut.2026.1956147
Müracat tarihi
02 Ağustos 2026
Gözden geçirme tarihi
28 Ekim 2026
Kabul tarihi
30 Ekim 2026
Yayınlanma tarihi
11 Kasım 2026
Cilt
13 – 2026
Werner Cordier, University of Pretoria, Güney Afrika
Xunliang Li, Second Hospital of Anhui Medical University, Çin
Jumoke Ajayi, Bemidji State University, Amerika Birleşik Devletleri
© 2026 Tian, Yang, Peng, Wang, You, Yang, Li, Lu, Zhao, Kong, Wan, Huang, Liu, Liu, Liu ve Liang.
Bu, Creative Commons Atıf Lisansı (CC BY) koşulları altında açık erişimli bir makaledir. Orijinal yazar(lar)ın ve telif hakkı sahib(lar)ının isimlendirilmesi ve bu dergideki orijinal yayının atıf edilmesi şartıyla, kabul edilen akademik uygulamalara uygun olarak diğer platformlarda kullanım, dağıtım veya çoğaltma izinlidir. Bu koşullara uymayan herhangi bir kullanım, dağıtım veya çoğaltma izinlidir.
*İletişim: Min Liang, nfyylm@163.com
† Bu yazarlar bu çalışmaya eşit katkıda bulunmuştur.
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini kesin olarak yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.