Прогнозирование места выписки у пациентов с болезнью Паркинсона с помощью машинного обучения; масштабное национальное когортное исследование

Почему выписка из больницы важна для людей с болезнью Паркинсона

Для семей, живущих с болезнью Паркинсона, госпитализация часто ставит тревожный вопрос: сможет ли их близкий вернуться домой, потребуется ли переезд в ухаживающее учреждение или возникнут угрозы для жизни? В этом исследовании применяются современные компьютерные инструменты, чтобы оценить эти шансы на ранних этапах госпитализации, давая врачам, пациентам и опекунам больше времени для планирования последующих шагов.

Анализ по госпиталям всей страны

Исследователи проанализировали записи крупной базы данных госпиталей США, охватывающей примерно четверть всех госпитализаций в стране. Они сосредоточились на более чем 280 000 людях в возрасте 50 лет и старше, госпитализированных с болезнью Паркинсона с конца 2017 до середины 2023 года. Для каждого человека учитывалось только первое госпитализационное событие в этот период, а окончательные исходы сгруппированы в три простые категории: возвращение домой, перевод в учреждение для ухода или смерть в больнице. Почти половина пациентов вернулась домой, примерно столько же были направлены в учреждения, и около одного из четырнадцати умерли до выписки.

Какие закономерности есть у тех, кто возвращается домой, и у тех, кто нет

Пациенты, отправленные в учреждения, как правило, были старше и имели более серьёзное медицинское состояние по сравнению с теми, кто возвращался домой. У них чаще встречалась деменция, затруднённое глотание, аспирационная пневмония или недавний перелом либо падение. Они также чаще были неженаты и поступали в больницу не прямо из дома, а из другого медицинского учреждения. Их госпитализации длились дольше, и им назначали больше реабилитационной терапии. Пациенты, умершие в больнице, имели самые высокие показатели деменции и тяжёлой легочной инфекции, что подчёркивает, как продвинутость болезни и осложнения влияют на исходы.

Обучение компьютеров распознавать риск

Чтобы превратить эти закономерности в практичные инструменты, команда обучила модели машинного обучения — тип компьютерных программ, которые учатся на данных — прогнозировать каждый из трёх исходов выписки. Используя большую часть госпитализаций для обучения моделей и оставшуюся часть для их тестирования, программы достигли хорошей точности для всех трёх категорий. Например, модель, прогнозировавшая возвращение домой, правильно разделяла случаи «дом» и «не дома» примерно в трёх четвертях наблюдений. Аналогичная модель для переводов в учреждения показала сопоставимую точность, а модель для прогнозирования внутрибольничной смерти сработала немного лучше. Эти модели проверяли на разных временных отрезках и при слегка отличающейся группировке типов страховки; их показатели сохранялись, что говорит о разумной стабильности моделей.

Простой балльный рейтинг риска перевода в учреждение

Поскольку врачам и медсёстрам нужны инструменты, которые они могут быстро понять, исследователи также разработали более простую и прозрачную шкалу риска, ориентированную на прогноз перевода в учреждение. Шкала использует семь легко узнаваемых признаков: наличие в анамнезе перелома, деменция, поступление как перевод из другого учреждения, история падений, тип страховки, семейное положение и регион страны, где находится больница. Каждый фактор добавляет или вычитает баллы, а сумма размещает пациентов в группы низкого, среднего или высокого риска. В этом исследовании у людей из группы низкого риска был примерно сорокапроцентный шанс направления в учреждение, тогда как у тех, кто попал в группу высокого риска, этот шанс приближался к трём из четырёх.

Что это означает для пациентов и их семей

Эти инструменты не определяют, куда конкретно должен отправиться человек после госпитализации, но могут служить ранним предупреждением. Выделяя пациентов с болезнью Паркинсона, у которых выше вероятность нуждаться в интенсивной поддержке или столкнуться с серьёзными осложнениями, модели и семиэлементный балльный показатель могут побудить к более ранним обсуждениям реабилитации, помощи на дому или долгосрочного ухода. Используемые вместе с клиническим суждением и предпочтениями семьи, такие подходы, основанные на данных, могут помочь больницам организовать более безопасные, персонализированные планы выписки и лучше направлять ограниченные ресурсы ухода тем, кто в них наиболее нуждается.

Цитирование: Kamo, H., Mehta, T.R., Remz, M. et al. Machine learning prediction of discharge destination in patients with Parkinson’s disease; a nationwide cohort study. npj Parkinsons Dis. 12, 120 (2026). https://doi.org/10.1038/s41531-026-01309-8

Ключевые слова: болезнь Паркинсона, выписка из больницы, машинное обучение, прогноз риска, послеострый уход