Sprawność fizyczna jako kluczowy predyktor przeżycia po niewydolności serca

Monitorowanie i leczenie niewydolności serca (HF) stanowi wyzwanie w każdej grupie wiekowej. Opracowano kilka modeli prognostycznych, takich jak Atrial fibrillation, Hemoglobin, Elderly, Abnormal renal parameters, Diabetes mellitus (AHEAD) oraz BIOlogy Study to TAilored Treatment in Chronic Heart Failure (BIOSTAT) compact, które pozwalają oszacować prawdopodobieństwo przeżycia na podstawie parametrów klinicznych, m.in. obecności arytmii, niedokrwistości, wieku, cukrzycy czy frakcji wyrzutowej. Wcześniejsze badania wykazały jednak, że narzędzia te, opracowane głównie dla populacji europejskich i północnoamerykańskich, konsekwentnie zaniżają ryzyko zgonu u starszych pacjentów z Azji Wschodniej. Pojawiło się zatem pytanie, czy uwzględnienie dodatkowych czynników mogłoby poprawić trafność predykcji przeżycia.

Zespół badaczy z Juntendo University opracował nowy model służący do przewidywania długoterminowego przeżycia po hospitalizacji z powodu HF. Projekt był prowadzony przez prof. Tetsuyę Takahashiego i dr. Kandziego Yamadę z Faculty of Health Science oraz dr. Nobuyukiego Kagiyamę z Graduate School of Medicine. W badaniu wykorzystano algorytmy uczenia maszynowego w celu identyfikacji najistotniejszych zmiennych prognostycznych. Wyniki opublikowano 3 lutego 2026 r. w tomie 67 czasopisma The Lancet Regional Health – Western Pacific.

Odnosząc się do ograniczeń dotychczasowych modeli oceny ciężkości HF, dr Yamada podkreślił, że opierają się one przede wszystkim na parametrach kardiologicznych i biomedycznych, często niedoszacowując znaczenia czynników pozasercowych, takich jak sprawność fizyczna, kruchość (frailty) czy stan odżywienia. Tymczasem są to kluczowe determinanty rokowania u osób starszych, a w przeciwieństwie do niezmiennych czynników, takich jak wiek, mogą stanowić cele interwencji rehabilitacyjnych i opieki wspierającej.

Badacze wykorzystali dane z ogólnokrajowego rejestru J-Proof HF, obejmującego pacjentów w podeszłym wieku leczonych z powodu HF w 96 ośrodkach w Japonii. Analizie poddano 9 700 chorych hospitalizowanych między grudniem 2020 r. a marcem 2022 r., którzy zostali wypisani ze szpitala. Na tej podstawie wytrenowano algorytm eXtreme Gradient Boosting (Full XGBoost) w celu przewidywania ryzyka zgonu w ciągu roku od zakończenia leczenia szpitalnego.

Następnie opracowano uproszczony model (Top-20 XGBoost), wykorzystujący 20 najważniejszych zmiennych wyłonionych w pierwszym modelu. Co istotne, aż 7 z tych 20 zmiennych dotyczyło sprawności fizycznej oraz innych czynników pozasercowych. W analizie szczególnie wysoką rangę uzyskały wskaźniki BI (Barthel Index) oraz SPPB (Short Physical Performance Battery). Jak zaznaczył dr Yamada, oceny oparte na wykonaniu określonych zadań funkcjonalnych, takie jak BI i SPPB, cechują się większą powtarzalnością niż subiektywne oceny aktywności dnia codziennego, a także w sposób bardziej bezpośredni odzwierciedlają ograniczenia funkcjonalne pacjenta.

Oba modele XGBoost wykazały podobną dokładność w przewidywaniu rocznego ryzyka zgonu. Model Top-20 XGBoost skuteczniej klasyfikował jednak pacjentów według poziomu ryzyka w porównaniu z modelami AHEAD i BIOSTAT compact. Ponieważ został opracowany na podstawie ogólnokrajowej kohorty japońskiej, może stanowić narzędzie lepiej dopasowane do specyfiki populacji starszych pacjentów z HF w Japonii.

Zastosowanie modelu Top-20 XGBoost umożliwia odejście od podejścia „jednego schematu dla wszystkich” w opiece nad starszymi pacjentami z HF. Lekarze i inni przedstawiciele zawodów medycznych mogą dzięki niemu precyzyjniej identyfikować osoby wymagające ściślejszego monitorowania lub bardziej zindywidualizowanej opieki po wypisie ze szpitala. Może to również przyczynić się do bardziej racjonalnego wykorzystania zasobów systemu ochrony zdrowia. Silna pozycja parametrów sprawności fizycznej w modelu podkreśla znaczenie rehabilitacji ruchowej jako integralnego elementu długoterminowego leczenia HF oraz potencjalną wartość utrzymywania jak najlepszej sprawności przed i po hospitalizacji.

Jak podsumował dr Yamada, sprawność fizyczna w momencie wypisu ze szpitala jest krytycznie ważnym czynnikiem determinującym przeżycie, porównywalnym pod względem znaczenia z klasycznymi czynnikami ryzyka sercowo-naczyniowego. Badanie to wskazuje na konieczność włączania kompleksowej oceny geriatrycznej i funkcjonalnej do rutynowego postępowania oraz stratyfikacji ryzyka u starszych pacjentów z HF.

Autorzy podkreślają, że model wymaga dalszej walidacji, zarówno w Japonii, jak i w innych krajach. Trwają jednak prace nad narzędziem opartym na Top-20 XGBoost, które pozwoli lekarzom i innym profesjonalistom medycznym wprowadzać dane kliniczne pacjenta i uzyskiwać precyzyjną estymację rocznego ryzyka zgonu.

Źródło: The Lancet Regional Health – Western Pacific, Machine learning prediction of 1-year mortality in older patients with heart failure: A nationwide, multicenter, prospective cohort study
DOI: http://dx.doi.org/10.1016/j.lanwpc.2026.101808