Predykcja zakażonej martwicy trzustki w ostrym zapaleniu trzustki przy użyciu modeli uczenia maszynowego i selekcji cech

Dlaczego to ma znaczenie dla pacjentów i rodzin

Ciężkie epizody zapalenia trzustki mogą nagle stać się zagrożeniem dla życia, gdy fragmenty narządu obumierają i ulegają zakażeniu. Lekarze doskonale znają to ryzyko, ale w pierwszych dniach choroby wciąż trudno im przewidzieć, którzy pacjenci zmierzają ku temu powikłaniu. Badanie pokazuje, że starannie zaprojektowane modele komputerowe, nauczone na rutynowych danych szpitalnych, mogą pomóc lekarzom oszacować to ryzyko wcześniej i dokładniej, co potencjalnie umożliwia podjęcie działań zanim dochodzi do zakażenia.

Ukryte niebezpieczeństwo w częstym przypadku nagłym

Ostre zapalenie trzustki jest jednym z najczęstszych nagłych przypadków w gastroenterologii na świecie. Wielu pacjentów wraca do zdrowia przy leczeniu podtrzymującym, ale znacząca mniejszość rozwija poważne komplikacje, takie jak zbiorniki płynu i obszary martwicy w obrębie i wokół trzustki. Gdy te obszary martwe ulegają zakażeniu – stan nazywany zakażoną martwicą trzustki – ryzyko niewydolności narządów, długiego pobytu w szpitalu i śmierci rośnie gwałtownie. Ponieważ zakażenie zwykle pojawia się dopiero kilka dni po przyjęciu, klinicyści szukają sposobów rozpoznania pacjentów wysokiego ryzyka wcześniej, korzystając z informacji dostępnych w pierwszych godzinach i dniach.

Stare skale versus nowe inteligentne narzędzia

W szpitalach już stosuje się kilka skal oceniających ciężkość choroby u pacjentów z zapaleniem trzustki, takich jak APACHE II, BISAP czy wskaźniki oparte na tomografii komputerowej. Narzędzia te łączą parametry życiowe, badania laboratoryjne i obrazowanie w jedną wartość. Choć pomocne, nie zostały stworzone specjalnie do prognozowania zakażonej martwicy i często nie wykrywają pacjentów, którzy później się pogarszają. W przeciwieństwie do nich nowoczesne metody uczenia maszynowego potrafią przetwarzać znacznie więcej zmiennych jednocześnie, wychwytując subtelne wzorce i interakcje, które umykają tradycyjnym skalom. Wcześniejsze badania stosowały takie techniki do oceny ogólnej ciężkości choroby, rzadziej zaś do prognozowania zakażenia martwiczej tkanki, a często brakowało im rygorystycznego testowania na odrębnych grupach pacjentów lub jasnego wyjaśnienia, jak modele dochodzą do swoich przewidywań.

Budowa systemu wczesnego ostrzegania opartego na danych

Autorzy przeanalizowali dane 728 dorosłych przyjętych z pierwszym epizodem ostrego zapalenia trzustki w dużym chińskim szpitalu w latach 2017–2023, po wykluczeniu pacjentów bez wczesnych badań obrazowych lub badań krwi oraz tych z innymi komplikującymi schorzeniami. Większość pomiarów, w tym morfologia krwi, markery stanu zapalnego i krzepnięcia oraz wyniki skal klinicznych, zebrano w ciągu 24 godzin od przyjęcia i zawsze przed rozpoznaniem zakażonej martwicy. Badacze wytrenowali sześć różnych modeli predykcyjnych, w tym kilka metod opartych na drzewach decyzyjnych, sieć neuronową i tradycyjne podejścia liniowe. Aby uniknąć przeuczenia, zastosowali rygorystyczny sposób weryfikacji krzyżowej, w którym każdy model wielokrotnie trenowano na jednej części danych i testowano na innej, przy jednoczesnym automatycznym wyborze najbardziej informatywnych cech. Następnie zamrozili najlepsze wersje modeli i ocenili je na zupełnie odrębnej, późniejszej grupie 166 pacjentów przyjętych w latach 2022–2023.

Czego komputer nauczył się o ryzyku zakażenia

We wszystkich modelach najlepsze, najbardziej wiarygodne prognozy dostarczyły metody oparte na drzewach – szczególnie random forest. Najlepszy model random forest wyraźnie przewyższał powszechnie stosowaną skalę APACHE II, lepiej rozróżniając pacjentów o wysokim i niskim ryzyku oraz dając lepiej skalibrowane prawdopodobieństwa ryzyka. Aby przybliżyć działanie „czarnej skrzynki”, zespół zastosował technikę SHAP, która przypisuje predykcję konkretnego pacjenta poszczególnym cechom wejściowym. Analiza wskazała pewne markery krzepnięcia i zapalenia we krwi — w tym fibrynogen, D-dimer, interleukinę-6 oraz białko C-reaktywne — obok samego wyniku APACHE II jako silne sygnały ostrzegawcze. Natomiast wyższe liczby limfocytów oraz korzystniejsze wskaźniki stężenia krwi i czynności nerek wydawały się mieć charakter ochronny. Wzorce te odpowiadają istniejącej wiedzy medycznej o tym, jak silne zapalenie, zaburzenia przepływu krwi i osłabiona odporność sprzyjają zakażeniu uszkodzonej tkanki trzustki.

Od narzędzia badawczego do wsparcia przy łóżku pacjenta

Badanie sugeruje, że interpretowalny model random forest, zbudowany w oparciu o badania laboratoryjne i informacje kliniczne już zbierane w szpitalach, mógłby służyć jako narzędzie wczesnego ostrzegania przed zakażoną martwicą trzustki. Taki system nie zastąpi osądu klinicznego, ale mógłby wskazywać pacjentów wymagających uważniejszego monitorowania, powtarzanych badań obrazowych, wcześniejszej konsultacji na oddziale intensywnej terapii lub ostrożniejszego stosowania antybiotyków i procedur. Ponieważ prace pochodzą z jednego ośrodka referencyjnego i opierają się na danych historycznych, wymagają potwierdzenia i dopracowania w wielu szpitalach i różnych populacjach pacjentów. Jeśli przyszłe badania potwierdzą wyniki, tego rodzaju przejrzysty, oparty na danych kalkulator ryzyka mógłby stać się częścią codziennej opieki nad osobami przyjmowanymi z ostrym zapaleniem trzustki, pomagając lekarzom działać szybciej i precyzyjniej, gdy stawka jest najwyższa.

Cytowanie: Xin, L., Yixuan, D., Bohan, H. et al. Predicting infected pancreatic necrosis in acute pancreatitis using machine learning models and feature selection. Sci Rep 16, 11338 (2026). https://doi.org/10.1038/s41598-026-38410-0

Słowa kluczowe: ostre zapalenie trzustki, zakażona martwica trzustki, uczenie maszynowe, kliniczne prognozowanie ryzyka, random forest