Беспристрастная кластеризация пациентов с остро-на-хронической печёночной недостаточностью с использованием машинного обучения в реальной когорте ОРИТ

Почему это важно для людей с заболеваниями печени

Когда люди с длительным заболеванием печени внезапно тяжело заболевают, врачам нужно быстро оценить, кто находится в наибольшем риске смерти и кто может восстановиться. Сегодня такие решения опираются на шкалы, созданные на основе экспертного мнения и небольших исследований. В этой работе показано, как подход, основанный на данных и машинном обучении, может выявлять скрытые закономерности у реальных пациентов в отделении интенсивной терапии с остро-на-хронической печёночной недостаточностью, что потенциально указывает на более простые и точные способы определить, кому требуется наиболее активное лечение.

Сортировка тяжёлых пациентов без предварительных предположений

Исследователи изучили 1 256 пациентов ОРИТ с остро-на-хронической печёночной недостаточностью, определённой по североамериканским критериям, которые фокусируются на нарушениях функции мозга, лёгких, сердца и кровообращения, а также почек. Вместо того чтобы исходить из установленных печёночных шкал, они ввели 50 рутинно измеряемых клинических и лабораторных показателей в ненаблюдаемую модель машинного обучения под названием неотрицательная матричная факторизация. Этот метод ищет естественные группировки в данных, не сообщая заранее, какие признаки важны и сколько типов пациентов ожидать. Отдельный алгоритм использовали для проверки разных решений и выбора числа кластеров, которое лучше всего описывает данные.

Две чёткие группы с очень разными исходами

Во множестве вариантов метода кластеризации данные последовательно лучше всего разделялись на всего две группы пациентов. Победившая модель, известная как алгоритм Ли, дала высоко стабильные кластеры: одни и те же пациенты, как правило, попадали в одну группу даже при многократном повторном запуске модели. Сравнение выживаемости показало поразительные различия. В одном кластере 30-дневная смертность составляла примерно 70 %, а в другом — около 26 %. Эта простая схема с двумя кластерами предсказывала смертность лучше, чем традиционный подход подсчёта числа отказавших органов, хотя в обеих группах были пациенты с сочетанием органных недостаточностей.

Химия крови и метаболизм как ключевые сигналы

Чтобы понять, что разделяло кластеры, команда проанализировала, какие измерения сильнее всего влияли на группировку. Важную роль играли несколько знакомых маркеров критического состояния, такие как необходимость в вазопрессорах, уровень лактата в крови и креатинин (маркер функции почек). Но особенно заметным оказалось, что показатели кислотно-щелочного баланса крови — бикарбонат, pH, избыток основания, лактат и анионная разность — входили в число ключевых вкладчиков. Кластер с высоким риском имел тенденцию к более тяжёлым нарушениям кислотно-щелочного равновесия: более низкий pH и бикарбонат, большие дефициты основания и более высокие анионные разности, что согласуется с широкой метаболической нагрузкой и плохой тканевой оксигенацией. Эти шаблоны предполагают, что способность организма поддерживать химический баланс может быть столь же важной, как и то, какие органы отказали.

Проверка закономерности в других группах пациентов

Поскольку данные ОРИТ получены из одной системы здравоохранения и по одной дефиниции остро-на-хронической печёночной недостаточности, авторы проверили, сохраняются ли результаты в других условиях. Они применили ту же модель к пациентам, соответствующим европейскому определению синдрома, и к более широкой группе пациентов ОРИТ с декомпенсированным циррозом, многие из которых формально не соответствовали критериям остро-на-хронической печёночной недостаточности. В обоих случаях кластеризация снова разделила пациентов на две группы с аналогично большими разрывами в 30-дневной смертности, и те же переменные, связанные с кислотно-щелочным балансом, оставались центральными. Независимая база данных ОРИТ из многих больниц США, хотя и не имевшая данных о долгосрочных исходах, показала ту же структуру из двух кластеров и пересекающиеся ключевые переменные, что поддерживает надёжность подхода.

Что это может значить для будущего лечения

Исследование пока не даёт прикроватного инструмента, который напрямую улучшал бы выживаемость, и имеет ограничения, включая акцент на крайне тяжёлых пациентах ОРИТ и опору на ретроспективные данные. Тем не менее оно демонстрирует концепцию: беспристрастный, основанный на данных метод может выявлять клинически значимые подтипы в сложном состоянии, которое долгое время сопротивлялось простой классификации. Для пациентов и их семей основной вывод таков: кислотно-щелочной баланс крови — то, что врачи уже рутинно измеряют — может давать мощные подсказки о риске и восстановлении при тяжёлых печёночных кризах. При дальнейшем исследовании и проспективной проверке такие модели кластеризации могут помочь клиницистам раньше выявлять самых уязвимых пациентов и разрабатывать терапии, направленные на метаболические нарушения, определяющие их плохие исходы.

Цитирование: Zhang, M., Ji, F., Zu, J. et al. Unbiased clustering of acute-on-chronic liver failure patients using machine learning in a real-world ICU cohort. Nat Commun 17, 1670 (2026). https://doi.org/10.1038/s41467-026-68368-6

Ключевые слова: остро-на-хроническая печёночная недостаточность, машинное обучение, исходы в ОРИТ, кислотно-щелочной баланс, цирроз