18 Ноября 2026 Среда

ИИ по данным рутинных анализов предсказывает органные осложнения у онкопациентов за месяцы до их обнаружения
Служба новостей
Мединдустрия Искусственный интеллект
Сегодня, 8:31

Фото: magnific.com / автор: magnific
458

В журнале npj Digital Medicine опубликованы результаты исследования, в котором трансформерная модель научилась прогнозировать конкретные осложнения лечения рака по продольным данным обычных лабораторных анализов. Авторы исходили из того, что панели, которые берутся во время практически каждого клинического визита, – общий анализ крови, метаболические панели, печеночные и почечные пробы, коагулограмма, маркеры воспаления – формируют плотные продольные записи, одновременно отражающие состояние нескольких систем органов. Эти данные универсально доступны и не создают дополнительной нагрузки на пациента, однако их временная структура, по оценке исследователей, остается недоиспользованной: существующие прогностические инструменты, включая шкалы CARG и CRASH, опираются на предтерапевтические значения, не обновляются по мере изменения физиологии и не различают отдельные типы осложнений.

Модель обучена на 2 777 595 измерениях 39 рутинных лабораторных показателей от 3 905 пациентов с множественной миеломой (1 855 человек) или раком яичников (2 050 человек), лечившихся в одном центре в 2000–2026 годах. Лабораторные траектории нарезались на неперекрывающиеся интервалы по 10–30 дней. У пациентов с хотя бы одной входной последовательностью медиана составила 16 агрегированных временных точек за 1 091 день. Пропущенные значения восполнялись отдельной моделью импутации (процесс замены ошибочных или противоречивых значений в наборах данных), а по итоговому набору данных наблюдалось 43,1% записей «показатель – временная точка». Прогноз охватывал 162 диагноза в восьми категориях: миелодиспластические синдромы, сердечно-сосудистые заболевания, болезни почек, грибковые и бактериальные инфекции, метастатическую болезнь, диабет 2-го типа и смерть от любых причин.

По данным авторов, модель превосходила базовые показатели распространенности в 1,5–6,1 раза. AUROC (показатель качества в машинном обучении) по сгруппированным исходам составляла от 0,65 для диабета 2-го типа до 0,75 для грибковых инфекций. Наиболее выраженное относительное обогащение наблюдалось для редких исходов: 6,1 раза для миелодиспластических синдромов, 3,1 раза для грибковых инфекций, 2,5 раза для болезней почек и 2,1 раза для метастатической болезни. При раздельной оценке отдельных сердечно-сосудистых исходов обогащение оказывалось выше, чем для группы в целом: 2,5 раза для хронической ишемической болезни сердца, 2,8 раза для фибрилляции предсердий и 3,3 раза для сердечной недостаточности. Авторы отдельно оговаривают, что при низкой распространенности высокие коэффициенты обогащения соответствуют скромной абсолютной точности, поэтому наряду с AUROC для всех исходов приводится редкие положительные случаи.

При оценке по горизонтам прогноза от 10 до 720 дней AUROC постепенно снижалась – с 0,682 на 10 днях до 0,644 на 720 днях. Болезни почек, метастатическая болезнь и грибковые инфекции сохраняли наибольшую дискриминацию на длинном горизонте (0,741, 0,725 и 0,752 соответственно), сердечно-сосудистые заболевания снижались с 0,787 до 0,682, а бактериальные инфекции и диабет 2-го типа – круче. Чтобы исключить эффект анализов, назначенных в контуре обследования, которое само привело к постановке диагноза, последовательности переоценивались после исключения событий в течение 30, 60, 90 и 180 дней от конца входного окна: дискриминация сохранялась на каждом разрыве для всех восьми групп, и ни один доверительный интервал не включал 0,5.

Биологическую осмысленность сигнала авторы проверяли, оценивая модель отдельно на подкогортах миеломы и рака яичников. Пять из восьми исходов генерализовались между подкогортами с разницей AUROC не более 0,07. Расхождения концентрировались в болезнеспецифичных осложнениях: аспергиллез легких фиксировался только в подкогорте миеломы (AUROC 0,84), кандидоз – в обеих (0,71 и 0,77), болезни почек показали умеренный разрыв (0,69 против 0,79), смерть от любых причин – разрыв в обратную сторону (0,76 против 0,63), а миелодиспластические синдромы разделились наиболее резко (0,93 против 0,50) при ограниченном числе случаев.

Робастность проверялась удалением пола, возраста, обоих признаков и лабораторной импутации: на внутреннем тестовом наборе каждое изменение сдвигало медианную AUROC менее чем на 0,005, тогда как ансамблирование давало −0,037; на внешних когортах те же абляции влияли сильнее, а общая дискриминация была ниже. Результат оставался устойчивым к схеме сэмплирования входных данных. Авторы подчеркивают, что модель использует только стандартные лабораторные панели, которые и так выполняются при онкологическом лечении, и не требует дополнительных тестов.

Ограничения связаны с ретроспективным дизайном, данными одного центра, пропусками в измерениях и различиями в кодировании исходов между базами. Тем не менее, результаты указывают, что временная структура рутинных анализов несет сигнал о риске конкретных органных осложнений задолго до их клинической регистрации.

Ранее исследователи из IBM Research, Медицинской школы Икана при медцентре Маунт-Синай (США) и других структур разработали модель глубокого обучения, которая по Т1-взвешенным изображениям МРТ головного мозга оценивает индекс массы тела и извлекает связанные с ним мозговые сигнатуры. Работа опубликована в npj Digital Medicine. Обучение провели на 45 702 участниках из шести независимых когорт: UK Biobank, HCP, HCP-Aging, ADNI, PPMI и PREDICT-HD.

Подписывайтесь на наши каналы: в MAX – Vademecum и Vademecum Live, в Telegram – Vademecum и Vademecum Live.

Источник: npj Digital Medicine

Исследование: обхват талии ниже 75 см и выше 95 см повышает риск смерти

Мединдустрия

Сегодня, 18:19

Суд оставил в силе обязательство поставщика фармоборудования выплатить структуре «Промомеда» 3,5 млн евро

Фарминдустрия

Сегодня, 17:18

В Минздраве Дагестана назначен новый временный руководитель

Мединдустрия

Сегодня, 16:35

Ученые: эндокринная заболеваемость в РФ выросла на 72,9% за 20 лет

Мединдустрия

Сегодня, 15:33

OpenAI представила компьютерных агентов для автоматизации клинических и административных процессов в здравоохранении

Мединдустрия

Сегодня, 14:53

Ректором Сибирского медуниверситета переизбран Евгений Куликов

Карьера

Сегодня, 14:11

Правительство скорректировало параметры финансирования профилактики ССЗ

Мединдустрия

Сегодня, 13:36

Минфин обновил правила отчетности о работе медучреждений

Мединдустрия

Сегодня, 12:42

Регулятор предложил продлить действие приказа о медосмотрах работников до 1 апреля 2028 года

Мединдустрия

Сегодня, 11:38

Минздрав предложил субсидировать закупку бронированных «скорых» для регионов с особыми режимами

Мединдустрия

Сегодня, 10:26