«Этого пациента удастся спасти? Его нужно сразу отправлять в операционную — или сначала в реанимацию?»
Когда в больницу доставляют пациента, истекающего кровью, у медиков в считанные секунды возникает сразу множество вопросов.
Южнокорейские исследователи предложили модель, которая может служить опорой при таких решениях: для этого они проанализировали истории более чем 200 тыс. пациентов.
Совместная исследовательская группа под руководством профессора Ли Чжэ Мёна из отделения интенсивной терапии и травматологической хирургии университетской клиники Корё в Анам и профессора Пэк Сынмина из отделения интенсивной травматологической хирургии больницы Мокдон университета Ихва 7-го числа сообщила о разработке модели, прогнозирующей риск ранней смерти у пациентов с травмами с применением технологий машинного обучения на базе ИИ. При этом речь идёт не о готовом программном обеспечении, которое можно сразу установить в больнице, а скорее о прогностическом алгоритме: при вводе данных пациента он рассчитывает риск смерти в виде числового показателя.
Травмы при ДТП или падениях входят в число ведущих причин смертности во всём мире и особенно заметны среди молодёжи.
В таких случаях состояние пациента может резко ухудшиться за короткое время. Чтобы медики могли быстро начать лечение и правильно распределить ресурсы — реанимационные койки, операционные, запасы крови для переливания, — необходимо на раннем этапе точно выделять пациентов с высоким риском.
Однако на решение влияет слишком много факторов: обстоятельства аварии, локализация и тяжесть повреждений, возраст и исходное состояние организма, экстренная помощь, оказанная от места происшествия до больницы, а также ход лечения после поступления. Поэтому сделать такой вывод далеко не так просто, как кажется.
В большинстве прежних исследований анализировали небольшие массивы данных одной-двух больниц, из-за чего было трудно проверить, будет ли модель столь же хорошо работать в других клиниках или в другое время. Нередко также было сложно объяснить, на каких основаниях ИИ сделал тот или иной прогноз.
Прогностическая модель на основе 207 012 записей
Команда проанализировала 207 012 случаев из 237 616 записей общенациональной базы данных по тяжёлой травме, собранной Агентством по контролю и профилактике заболеваний (KDCA) в 2016–2020 годах, исключив неполные или противоречивые данные. Для построения модели использовали материалы 2016–2018 годов, а её фактическую эффективность проверили на данных 2019–2020 годов. То есть исследователи оценили, работает ли модель не только на уже известных записях, но и на новых пациентах, которых алгоритм «не видел» ранее.
Исследователи параллельно запустили и сравнили шесть методов машинного обучения: логистическую регрессию (Logistic Regression), k-ближайших соседей (k-NN), дерево решений (Decision Tree), случайный лес (Random Forest), многослойный перцептрон (MLP) и XGB.
Лучшие результаты показала модель XGB. По двум метрикам, отражающим способность отличать пациентов высокого риска от остальных, она набрала соответственно 0,985 и 0,957. Чем ближе показатель к 1, тем выше точность; значения выше 0,98 относятся к очень высоким для этой области. Второй по качеству моделью оказался случайный лес: 0,984 и 0,956 — практически сопоставимый уровень.
Даже на данных периода пандемии COVID-19 в 2020 году, когда вся система экстренной медицинской помощи испытывала серьёзные потрясения, модель XGB показала фактически тот же результат — 0,984. Это означает, что, как бы ни менялась внешняя обстановка, сама модель сохраняла стабильность и выполняла свою задачу.
На чём основана оценка риска
Команда также изучила, на каких основаниях модель принимает решение о риске. С помощью метода анализа SHAP исследователи поэлементно оценили, насколько каждый параметр влиял на итоговый вывод ИИ.
В результате ключевыми факторами, разделяющими риск смерти, оказались наличие остановки сердца до прибытия в больницу, балл по шкале тяжести повреждений, возраст и время до первого переливания крови. Примечательно, что эти факторы совпадают с теми данными, которые врачи приёмного отделения проверяют в первую очередь при встрече с пациентом.
Важно, что модель не просто выдаёт результат, но и позволяет понять, «почему она сочла риск высоким». Без понимания оснований медицинским работникам трудно доверять выводу и использовать его в практике.
Значимость исследования в том, что оно опирается на общенациональные публичные данные. Авторы оценили не только точность прогнозирования, но и способность объяснять решение (интерпретируемость), применимость в других больницах (масштабируемость), а также сохранение качества со временем и при изменении условий (обобщаемость). Это показывает потенциал использования модели не в одной конкретной клинике, а в самых разных условиях. Вместе с тем нынешние результаты получены на этапе ретроспективной проверки по прошлым записям; для внедрения в реальную больничную практику потребуется дополнительная валидация.
Профессор Ли Чжэ Мён заявил: «Ожидаем, что в дальнейшем это станет базовым материалом, который можно будет использовать для быстрого отбора пациентов по уровню риска в системе экстренной медицинской помощи и в клинической практике лечения травм». Профессор Пэк Сынмин отметил: «Мы подтвердили возможность системного отбора риска ранней смерти на основе общенациональных данных регистра травм», — и добавил: «В дальнейшем, после калибровки и проспективной валидации, мы намерены развить работу до исследований по интеграции AI-основанного отбора риска в систему экстренной медицинской помощи и травматологическую систему».
В приёмном покое решение, принятое за считанные секунды, отделяет жизнь от смерти. Это не означает, что модель немедленно появится во всех больницах, однако по мере того как подобные алгоритмы будут проходить проверку и постепенно внедряться на местах, сожалений «если бы тогда мы узнали чуть раньше» станет меньше.
Исследование опубликовано в международном журнале по экстренной и травматологической хирургии 《World Journal of Emergency Surgery》. Этот журнал относится к Q1 и входит примерно в верхние 2,6% (средний процентиль JIF 97,4) в областях хирургии и неотложной медицины.
