Воспроизводимое прогнозирование подтипов сахарного диабета 2-го типа с помощью машинного обучения

Цель и гипотеза: Кластерная классификация сахарного диабета 2-го типа (СД2), отражающая патофизиологические механизмы и генетическую предрасположенность, может помочь подобрать индивидуальную и эффективную терапию. Классификация Ahlqvist наиболее тщательно валидирована благодаря высокой способности прогнозировать осложнения диабета, однако результаты классификации не всегда сохраняются с течением времени, а для неё нужны показатели HOMA2, которые обычно не определяют в клинической практике и стандартных когортных исследованиях. Мы разработали модель машинного обучения для устойчивой во времени классификации пациентов с СД2 по подтипам Ahlqvist.

Методы: В когорту 1 вошли 619 японцев с СД2; данные случайным образом разделили на обучающую и тестовую выборки в соотношении 7:3. Для внешней валидации использовали данные когорты 2, включавшей 597 пациентов с СД2. Сначала участников распределили по четырём подтипам с помощью неконтролируемой кластеризации методом k-средних на основании переменных, использованных в классификации Ahlqvist: возраста на момент постановки диагноза, ИМТ, HbA1c, HOMA2-B и HOMA2-IR. Подтипами были тяжёлый инсулинодефицитный диабет (SIDD), тяжёлый инсулинорезистентный диабет (SIRD), лёгкий диабет, связанный с ожирением (MOD), и лёгкий возраст-ассоциированный диабет (MARD). Для прогнозирования подтипа СД2 применили алгоритм случайного леса для многоклассовой классификации, использовав 15 переменных. Матрицу близости, рассчитанную алгоритмом случайного леса, визуализировали методом равномерной аппроксимации и проекции многообразий. Затем на предполагаемой подвыборке с отсутствующими показателями, связанными с инсулином, оценили прогностическую эффективность модели во внешней когорте, устойчивость классификации подтипов с течением времени и способность прогнозировать осложнения диабета.

Результаты: Точность классификации подтипов СД2 составила 94% (AUC ≥0,99; показатель F1 — гармоническое среднее точности и полноты — ≥0,9); при внешней валидации она составила 86,3%. При использовании алгоритма импутации точность классификации в предполагаемой подвыборке с отсутствующими показателями, связанными с инсулином, составила 82,9%. При медиане наблюдения 11,6 года (диапазон 4,5–18,3) кластеры, полученные с помощью модели, характеризовались различным накопленным риском диабетической ретинопатии при SIDD и хронической болезни почек при SIRD; аналогичные различия наблюдались и для подтипов, выделенных методом k-средних. После исключения участников с низкой вероятностью классификации, отнесённых к неопределённому кластеру, точность прогноза повысилась. У таких участников согласованность классификации подтипов составила 100% для SIDD, 68,6% для SIRD, 94,4% для MOD и 97,9% для MARD — выше, чем при исходной кластеризации методом k-средних.

Выводы: Новая модель машинного обучения для прогнозирования подтипов СД2 по классификации Ahlqvist может применяться в клинической практике и когортных исследованиях: она классифицирует пациентов при отсутствии показателей HOMA2 и с течением времени позволяет прогнозировать контроль гликемии, осложнения диабета и результаты лечения, используя общедоступные переменные. Необходимы дальнейшие исследования, чтобы оценить применимость модели в многоэтнических популяциях и клинической практике.