Интегративное мультимодальное гибридное слияние данных для прогнозирования летальности

Почему важны более умные прогнозы в реанимации

Когда у пациента в отделении интенсивной терапии внезапно прекращает нормально работать почка, врачам приходится быстро решать, кто находится в наибольшем риске смерти и кому требуется наиболее интенсивное лечение. Сегодня эти решения в значительной степени опираются на опыт и на шкалы, построенные по ограниченному набору данных о пациенте. В этом исследовании поставлен простой, но важный вопрос: если позволить искусственному интеллекту одновременно анализировать разные виды больничных данных — сигналы сердца, лабораторные анализы и заметки врачей — сможет ли он точнее предупреждать о том, что пациент с острым повреждением почек действительно находится в опасности?

Видеть пациента с разных сторон

Острое повреждение почек (ОПП) — распространённое и опасное состояние: в течение жизни оно затрагивает примерно одного из десяти людей и способствует десяткам тысяч смертей ежегодно. Клиники уже просматривают множество потоков информации — жизненные показатели, анализы крови, записи электрокардиограмм и длинные текстовые заметки — чтобы оценить, улучшается ли состояние больного или ухудшается. Однако большинство компьютерных инструментов используют лишь один из этих потоков данных за раз, например только лабораторные значения или одну оценочную шкалу. Это похоже на попытку понять сложный фильм, слушая только диалоги или смотря без звука. Авторы поставили задачу создать систему ИИ, которая, по сути, могла бы «посмотреть весь фильм», объединив три ключевых типа информации, собираемые в современных отделениях интенсивной терапии.

Преобразование разрозненных больничных данных в общий язык

Команда использовала большие общедоступные базы данных из учебной больницы США. Структурированные записи из набора данных MIMIC-IV содержали миллионы записей о жизненных показателях, результатах лабораторных тестов, процедурах, диагнозах и демографических данных. Данные электрокардиограмм (ЭКГ) добавляли детальные «моментальные снимки» электрической активности сердца. Тексты врачебных записей предоставляли богатые описания симптомов, лечений и клинических впечатлений. Каждый тип данных требовал серьёзной очистки: удаляли шум и выбросы в лабораторных и мониторинговых данных, фильтровали и нормализовали сырые сигналы ЭКГ, удаляли заголовки и идентификаторы из заметок перед тем, как подать их в языковую модель, похожую на те, что используются в современных чат-ботах. Для табличных значений авторы сжали десятки тысяч возможных измерений до 500 особенно информативных признаков, сгруппированных по клинически понятным темам, таким как функция почек, ферменты печени, артериальное давление, дыхательный статус и неврологические показатели.

Смешивание нескольких потоков данных с помощью ИИ

Сердцем работы было то, как эти очень разные входы объединяются. Исследователи сравнили три стратегии. При «раннем слиянии» все входы переводили в числовые векторы, затем сразу комбинировали и пропускали через глубокую нейронную сеть, вдохновлённую моделями распознавания изображений. При «позднем слиянии» каждый тип данных сначала проходил через свою специализированную сеть — одну для таблиц, одну для ЭКГ, одну для текста — и только затем выходы объединялись. В их «гибридном» подходе пути для табличных данных и ЭКГ сливались раньше, а текстовые заметки добавлялись на более позднем этапе. Механизмы внимания — программные компоненты, которые учатся фокусироваться на наиболее информативных частях каждого входа — помогали сетям решать, какие сигналы из каждой модальности важнее всего для прогнозирования выживания.

Насколько хорошо модель предсказывала риск смерти?

Авторы сначала протестировали более простые модели, использующие только один тип данных за раз. Эти модели с единственным источником показывали приемлемые результаты, но каждая пропускала важные случаи: текстовые модели, например, часто не улавливали пациентов, которые впоследствии умирали, а модели на основе ЭКГ сильно варьировали в зависимости от способа обучения. Когда все три источника данных были объединены, производительность явно улучшилась. Лучшая гибридная модель слияния достигла площади под ROC-кривой (AUC) примерно 0,96 и точности более 93% при прогнозировании того, умрут ли пациенты с ОПП в отделении интенсивной терапии во время госпитализации. Это существенно превосходит большинство предыдущих исследований в области, где обычно сообщали об AUC ниже 0,90. Статистические проверки показали, что гибридная стратегия давала наиболее стабильные и сбалансированные результаты, сокращая как пропущенные смерти, так и ложные тревоги по сравнению с другими методами слияния.

Обещания, оговорки и что это значит для пациентов

Для неспециалиста главный вывод прост: инструменты ИИ, которые одновременно анализируют множество аспектов состояния пациента, могут надежнее предвидеть опасность, чем инструменты, сосредоточенные на одном потоке данных. Для пациентов с ОПП в реанимации это может означать более ранние предупреждения, более целенаправленное лечение и лучшее использование ограниченных ресурсов отделения интенсивной терапии. Вместе с тем авторы подчёркивают, что их исследование основано на данных лишь одной больничной системы и на сложных «чёрных ящиках», которые трудно интерпретировать клиницистам. Они призывают к дальнейшей работе над объяснимостью таких инструментов, обработкой пропущенных данных, когда не все тесты доступны, и проверкой справедливости алгоритмов по отношению к разным группам пациентов. Несмотря на эти оговорки, исследование иллюстрирует, как объединение чисел, волн и слов может дать компьютеру более целостное, близкое к человеческому, представление о тяжело больных пациентах — и потенциально помочь спасти жизни.

Цитирование: Abuhamad, H., Zainudin, S. & Abu Bakar, A. Integrative multimodal hybrid data fusion for mortality prediction. Sci Rep 16, 5803 (2026). https://doi.org/10.1038/s41598-026-36296-6

Ключевые слова: острое повреждение почек, реанимация, мультимодальное машинное обучение, прогнозирование смертности, клиническая поддержка принятия решений