Модели машинного обучения на основе данных скорой помощи улучшают сортировку инсультов до прибытия в больницу

Почему важны более быстрые решения при инсульте

Каждая минута на счету, когда у человека инсульт. Клетки мозга быстро гибнут, и шансы снова ходить, говорить и жить самостоятельно уменьшаются с каждой задержкой. При этом многие инсульты вначале замечают не врачи, а фельдшеры в машине скорой помощи. В этом исследовании проверяли, могут ли компьютеры, обученные на прошлых случаях, помочь службам экстренной помощи обнаруживать инсульты раньше и быстрее направлять пациентов в подходящую больницу — что теоретически может сохранить участки мозга и улучшить долгосрочное качество жизни.

Что происходит до поступления в больницу

Путь пациента с инсультом обычно начинается с вызова 9-1-1. Диспетчеры решают, какую помощь направить, а бригады скорой помощи затем осматривают пациентов дома или на месте происшествия. Они фиксируют базовые данные, такие как возраст и вес, а также жизненные показатели: частоту сердечных сокращений, артериальное давление, частоту дыхания, уровень кислорода и степень бодрствования. Эти показатели часто снимают до того, как пациент попадает в больницу. Исследователи задали простой вопрос: достаточно ли надежны и полны эти ранние измерения, чтобы компьютер мог в реальном времени использовать их для выявления возможных инсультов?

Как проводилось исследование

Команда проанализировала 8 221 поездку скорой помощи, связанную с 4 333 взрослыми пациентами, доставленными в крупную больницу в окрестностях Чикаго в период 2015–2020 годов. Только около 2 процентов таких случаев подтвердились как инсульты, и почти две трети из них были тяжелыми — пациенты попадали в отделение интенсивной терапии или на аппараты искусственной вентиляции. Исследователи сопоставили данные, которые бригады скорой фиксировали на месте, с теми, что измеряли в больнице вскоре после прибытия. Частота сердечных сокращений, артериальное давление, уровень сахара в крови, насыщение кислородом и простой балл сознания были доступны для большинства пациентов и в целом совпадали с показателями больницы, что свидетельствует о том, что данные из машины скорой хорошо отражали реальное состояние пациентов.

Обучение компьютеров распознавать опасность

Используя эти доврачебные показатели вместе с базовой информацией о вызове 9-1-1 и месте подъема пациента, исследователи обучили несколько типов моделей машинного обучения решать две задачи: отличать инсульты от неинсультных состояний и выделять тяжелые инсульты среди всех случаев. Они протестировали три распространенных подхода — случайный лес, XGBoost и простую нейронную сеть — на отдельных наборах данных, чтобы оценка моделей была честной. Поскольку инсульты встречались редко, модели настроили так, чтобы они уделяли дополнительное внимание малому числу случаев инсульта, и тщательно проверили, чтобы прогнозируемые риски соответствовали реальным вероятностям.

Насколько хорошо работали инструменты

Во всей выборке поездок скорой лучшей моделью для обнаружения любых инсультов оказалась модель XGBoost, а для выявления тяжелых инсультов — модель случайного леса. Эти инструменты были хороши в ранжировании пациентов по вероятности инсульта и, при настройке на разумный порог, выявляли больше инсультов, чем существующие методы скрининга в службах скорой помощи, при этом по‑прежнему избегая большинства ложных тревог. Например, в одной рабочей точке модель для инсульта правильно определяла примерно две трети случаев инсульта и правильно исключала почти девять из десяти случаев без инсульта. Наиболее влиятельными признаками были знакомые клинические сигналы: повышенное артериальное давление, изменения сознания, аномальный пульс, более старший возраст и коды вызова 9-1-1, указывающие на симптомы, похожие на инсульт, такие как внезапная слабость или нарушение речи.

Что это может означать для пациентов

Поскольку инсульты относительно редки среди всех пациентов скорой помощи, даже хорошо работающая модель будет давать некоторые ложные срабатывания. На практике это означает, что часть пациентов, отмеченных как «возможный инсульт», в итоге им инсульт не окажется. Авторы считают, что для неотложной ситуации, где время критично, такая компромиссная стратегия может быть оправдана, если сигнал лишь побуждает к более быстрой оценке, а не заменяет человеческое суждение. Их результаты указывают, что инструменты машинного обучения могут служить дополнительными «глазами» на тех данных, которые бригады уже собирают, помогая фельдшерам и больницам выявлять пациентов с повышенным риском, которых иначе могли бы пропустить.

Куда движется эта работа

Проще говоря, исследование показывает, что показатели, зафиксированные в салоне скорой помощи, могут питать интеллектуальные компьютерные инструменты, помогающие решать, кто может находиться в состоянии инсульта и насколько срочно ему нужна специализированная помощь. Эти системы не предназначены для самостоятельной постановки диагноза, а для поддержки фельдшеров и врачей неотложной помощи при быстрых решениях о том, куда направлять пациента и как оперативно мобилизовать бригады по борьбе с инсультом. При улучшении обмена данными, более полном документировании и тестировании в разных регионах такие инструменты могли бы помочь большему числу людей попасть в правильную больницу быстрее и выйти после инсульта с меньшими остаточными повреждениями.

Цитирование: Saban, M., Hiura, G., de la Peña, P. et al. Machine learning models powered by emergency medical services data enhance stroke triage in prehospital settings. Sci Rep 16, 7139 (2026). https://doi.org/10.1038/s41598-026-37069-x

Ключевые слова: сортировка при инсульте, службы экстренной медицинской помощи, машинное обучение, доврачебная помощь, искусственный интеллект в медицине