EUVIMEDEUVIMED entdecken
VergleichsstudieOpen Access · CC BY 4.0

Diabetes and all-cause mortality in hemodialysis: A comparative survival analysis with complementary machine-learning methods

Diabetes und Gesamtmortalität bei Hämodialyse: vergleichende Überlebensanalyse mit ergänzenden Machine-Learning-Methoden

Berrak Itır Aylı iD, Çiğdem Ikhlef, Ebru Gök Oğuz, Nüket Paksoy

PLOS One · 04.11.2026 · 21 (11) · e0349639

DOI: 10.1371/journal.pone.0349639 ↗

Auf einen Blick

Bei 252 Patient:innen unter Erhaltungshämodialyse war Diabetes mit niedrigerem Überleben und höherer Mortalität verbunden. Innerhalb der Diabetes-Gruppe sagte HbA1c die Mortalität am stärksten voraus.

Fragestellung

Welche diabetesbezogenen klinischen Parameter sagen das Überleben bei Hämodialyse-Patient:innen am besten vorher?

Methode

Retrospektive Kohortenstudie mit Cox-Modellen, Propensity-Score-gewichteter Regression und Gradient-Boosted-Machine-Learning-Überlebensanalyse; Follow-up 68 Monate.

Ergebnisse

252 Patient:innen, 66 Todesfälle. Diabetes: log-rank p = 0,038; HR 1,68 (95 %-KI 1,02–2,75), adjustiert HR 1,52–1,66. HbA1c: adjustiertes HR 1,43 pro 1 % (95 %-KI 1,17–1,76), C-index 0,679 vs. 0,652.

Schlussfolgerung der Autor:innen

In dieser türkischen Hämodialyse-Kohorte zeigte Diabetes einen konsistenten ungünstigen Trend zu höherer Mortalität. HbA1c war der wichtigste modifizierbare Prädiktor.

Kernaussagen

  • Diabetes war mit höherer Mortalität unter Hämodialyse verbunden
  • HbA1c war der stärkste modifizierbare Prädiktor innerhalb der Diabetes-Gruppe
  • Keine unabhängige Vorhersage durch Retinopathie, diabetischen Fuß oder Diabetesdauer

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Vergleichsstudie in der Zeitschrift PLOS One, online erschienen am 04.11.2026. Verfasst von Berrak Itır Aylı und 3 weiteren Autor:innen. Beteiligte Einrichtung: Faculty of Life Sciences, University of Westminster, London, United Kingdom. Hauptthemen laut MEDLINE: Renal Dialysis, Machine Learning, Kidney Failure, Chronic, Diabetes Mellitus. Die Arbeit nennt 21 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Background

Diabetes mellitus is the leading cause of end-stage renal disease and confers excess mortality in patients on hemodialysis. However, which diabetes-specific clinical parameters best predict survival remains insufficiently explored.

Methods

This retrospective cohort study followed 252 patients receiving maintenance hemodialysis (126 with diabetes, 126 without) from three centres in Ankara, Turkey, over 68 months (January 2020–September 2025; 66 deaths). Mortality predictors were assessed using Cox proportional hazards models, propensity score–weighted regression, and gradient-boosted machine-learning survival analysis. Eleven diabetes-specific parameters were examined within the diabetes subgroup.

Results

Diabetes was associated with reduced survival (log-rank p = 0.038) and a 68% higher mortality hazard (HR 1.68, 95% CI 1.02–2.75). After multivariable adjustment, the association was attenuated but directionally consistent across all specifications (HR 1.52–1.66). Within the diabetes subgroup, HbA1c was the strongest modifiable predictor (adjusted HR 1.43 per 1%, 95% CI 1.17–1.76, p < 0.001), improving model discrimination (C-index 0.679 vs. 0.652). No other diabetes-specific parameter, including retinopathy, diabetic foot, and diabetes duration, independently predicted mortality.

Conclusion

In this Turkish hemodialysis cohort, diabetes showed a consistent adverse trend toward higher mortality. HbA1c was the dominant modifiable predictor, supporting the integration of structured glycaemic monitoring into routine hemodialysis care.

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Renal DialysisMachine LearningKidney Failure, ChronicDiabetes MellitusHumansFemaleRetrospective StudiesMaleMiddle AgedSurvival AnalysisAgedProportional Hazards ModelsTurkeyGlycated Hemoglobin

Substanzen

Glycated Hemoglobin

Autor:innen und Institutionen

  • Faculty of Life Sciences, University of Westminster, London, United Kingdom.
  • Department of Nephrology, Etlik City Hospital, Ankara, Türkiye.
  • Department of Nephrology, University of Health Sciences, Etlik City Hospital, Ankara, Türkiye.
  • Department of Public Health, Faculty of Medicine Hacettepe University, Ankara, Türkiye.

ORCID-Profile: Berrak Itır Aylı

Zitieren

APA

Aylı, B. I., Ikhlef, Ç., Gök Oğuz, E., & Paksoy, N. (2026). Diabetes and all-cause mortality in hemodialysis: A comparative survival analysis with complementary machine-learning methods. PLOS One, 21(11), e0349639. https://doi.org/10.1371/journal.pone.0349639

Vancouver

Aylı BI, Ikhlef Ç, Gök Oğuz E, Paksoy N. Diabetes and all-cause mortality in hemodialysis: A comparative survival analysis with complementary machine-learning methods. PLOS One. 2026;21(11):e0349639. doi:10.1371/journal.pone.0349639

BibTeX
@article{Ayl2026,
  author = {Aylı, Berrak Itır and Ikhlef, Çiğdem and Gök Oğuz, Ebru and Paksoy, Nüket},
  title = {Diabetes and all-cause mortality in hemodialysis: A comparative survival analysis with complementary machine-learning methods},
  journal = {PLOS One},
  year = {2026},
  volume = {21},
  number = {11},
  pages = {e0349639},
  doi = {10.1371/journal.pone.0349639}
}
Kostenlos starten →