Прогнозирование осложнений и смертности у пациентов с инфарктом миокарда с помощью модели графовой нейронной сети

Почему важно раннее прогнозирование проблем после инфаркта

Пережить инфаркт — это лишь начало. В первые дни после инфаркта у пациентов внезапно могут развиться опасные осложнения, такие как нарушение сердечного ритма, отёк лёгких или даже разрыв стенки сердца. Эти кризисы часто наступают без явных предупреждений, но им обычно предшествуют небольшие изменения в анализах крови, артериальном давлении или в приёме препаратов. В данном исследовании изучается, может ли продвинутая форма искусственного интеллекта в реальном времени просеивать госпитальные записи и сигнализировать, какие пациенты движутся к критическому состоянию, давая врачам шанс вмешаться до наступления необратимых последствий.

Новый способ «читать» медицинскую карту

Большинство существующих инструментов прогнозирования для пациентов с инфарктом опираются на несколько показателей, зафиксированных при поступлении, и отвечают на один грубый вопрос: умрёт пациент или нет? Они не учитывают, как состояние пациента меняется в течение часов и дней, и рассматривают каждого пациента как изолированный случай. Команда авторов подошла иначе. Они создали модель, которая рассматривает электронную медицинскую карту пациента как насыщенный рассказ, объединяющий возраст, анамнез, лабораторные тесты, электрокардиограммы и лечение в первые 72 часа госпитализации. Вместо предсказания одного исхода модель стремится прогнозировать 12 различных осложнений и риск смерти до выписки.

Давая похожим пациентам «общаться» друг с другом

Суть подхода — метод, называемый графовой нейронной сетью, который можно рассматривать как способ дать похожим пациентам возможность «обмениваться» информацией. Каждый пациент — это узел в сети, а связи проводят между теми, чьи записи похожи. Модель не фиксирует эти связи жёстко; она адаптирует число соседей каждого пациента в зависимости от того, насколько распространён или редок его профиль в данных. Это особенно важно для необычных, но смертельно опасных случаев, например разрыва сердечной стенки, где любые дополнительные подсказки от похожих прошлых пациентов могут улучшить оценку риска.

Наблюдение за быстрыми колебаниями и медленными сдвигами

Помимо связывания пациентов, модель внимательно отслеживает, как меняется их состояние во времени. Одна ветвь сосредоточена на краткосрочных колебаниях показателей, таких как уровень натрия или жизненно важных параметров в первые три дня. Другая ветвь рассматривает более медленные тенденции, например, устойчивый рост или падение лабораторного показателя. Особый механизм «внимания» затем решает, как объединить эти два взгляда в единый портрет траектории пациента. Этот объединённый образ, вместе с фоновыми данными о пациенте, передаётся через сеть пациентов для получения отдельных оценок риска по каждому потенциальному осложнению и по смерти.

Насколько хорошо работает система

Авторы проверили модель на записях 1700 пациентов, лечившихся от инфаркта, используя повторные перекрёстные проверки, чтобы избежать переобучения. В среднем способность модели различать пациентов, у которых разовьётся то или иное осложнение, была умеренной и заметно превосходила два сильных метода для сравнения. Особенно точно модель прогнозировала внутрибольничную смертность, достигая показателя (AUC 0.88), что сопоставимо с результатами ранних исследований на основе более традиционных методов машинного обучения. Система хуже справлялась с редкими или тонкими состояниями, где доступно меньше примеров для обучения и сигнал в данных слаб, что привело к низким оценкам по некоторым осложнениям и умеренному балансу между истинными и ложными тревогами в целом.

Открывая «чёрный ящик» для врачей

Чтобы помочь клиницистам доверять и понимать систему, авторы исследовали, на какие факторы модель опирается в первую очередь. Возраст выявился как ключевой фактор риска, так же как уровни натрия в крови и схемы приёма некоторых препаратов, например антикоагулянтов и лекарств, стабилизирующих сердечный ритм — выводы, хорошо согласующиеся с существующими медицинскими представлениями. Анализируя внутренние «карты внимания», они показали, как модель выделяет конкретные дни и лабораторные тренды у пациентов с высоким риском, предлагая визуальное объяснение своих предупреждений. Вместе с тем исследование признаёт важные ограничения: все данные поступали из одной больницы, некоторые осложнения встречались редко, и использовались только структурированные данные из записей — без сырых кардиограмм или изображений.

Что это означает для пациентов

Проще говоря, работа демонстрирует, что система ИИ может просматривать подробную госпитальную карту пациента с инфарктом, отслеживать, как его состояние меняется по часам, и выдавать раннее предупреждение о ряде опасных осложнений, особенно о риске смерти. Хотя инструмент не идеален и требует проверки в других госпиталях и доработки для редких проблем, он выходит за рамки универсальных балльных систем в сторону персонализированных предупреждений по конкретным исходам. При корректной доработке и безопасной интеграции в больничные системы такие модели могут помочь командам по уходу сконцентрировать внимание и профилактические мероприятия на пациентах, которые особенно нуждаются в этом в критические первые дни после инфаркта.

Цитирование: Guo, D., Zhang, Z., Zhou, D. et al. Predicting complications and mortality in myocardial infarction patients using a graph neural network model. Sci Rep 16, 5886 (2026). https://doi.org/10.1038/s41598-026-36798-3

Ключевые слова: инфаркт миокарда, прогнозирование осложнений, графовая нейронная сеть, электронные медицинские записи, риск смертности