Продольное моделирование состояния после COVID‑19 в течение трех лет: подход машинного обучения с использованием клинических, нейропсихологических и биологических маркеров

Почему затяжные симптомы COVID по‑прежнему имеют значение

Миллионы людей по всему миру продолжают ощущать недомогание через месяцы и даже годы после заражения COVID‑19. Это состояние, часто называемое длительным COVID или Пост‑COVID‑19 синдромом, может вызывать сильную усталость, «мозговой туман», нарушения сна и другие симптомы, которые трудно зафиксировать стандартными медицинскими тестами. Описанное здесь исследование сопровождало группу взрослых в течение трех лет после инфекции и использовало современные компьютерные методы для поиска в их крови, клинических обследованиях и тестах на когнитивные функции закономерностей, которые показывают, как меняется долгий COVID со временем и какие показатели лучше всего отражают восстановление или продолжающуюся болезнь.

Наблюдение пациентов на длительном отрезке

Исследователи в Германии привлекли 93 взрослых с подтвержденной инфекцией SARS‑CoV‑2 и сохраняющимися неврологическими или нейропсихологическими жалобами. Эти участники, большинство из которых — в среднем возрасте, прошли четыре обследования: примерно через 6, 14, 23 и 38 месяцев после первоначальной инфекции. На каждом визите они заполняли подробные анкеты по усталости, настроению и сну; проходили краткие и более углубленные тесты внимания, памяти и скорости мышления; а также сдавали образцы крови для широкого набора лабораторных измерений. Сюда входили стандартные показатели здоровья, признаки воспаления, активности иммунной системы и специализированные белки, высвобождаемые при повреждении клеток мозга.

Даем компьютерам искать скрытые закономерности

Вместо того чтобы рассматривать по очереди отдельные симптомы или анализы крови, команда обратилась к машинному обучению — отрасли искусственного интеллекта, способной просеивать множество переменных одновременно и выявлять тонкие взаимосвязи. Они обучили ряд компьютерных моделей отвечать на конкретный вопрос: может ли алгоритм, опираясь на совокупность данных одного визита, определить, к какому году наблюдения относится этот визит? Иными словами, выглядит ли профиль человека на 6‑й месяц заметно иначе, чем через 2 или 3 года? Исследователи аккуратно обработали пропущенные значения, использовали перекрестную проверку, чтобы избежать переобучения на небольшой выборке, и сравнили разные семейства моделей — от простых решающих деревьев до сложных методов градиентного бустинга.

Какие признаки лучше всего «определяют время»

Модели показали впечатляющие результаты. При сравнении визитов, отстоящих во времени сильнее — например, первого и четвертого — некоторые алгоритмы корректно определяли год в значительно более чем 90 процентах случаев. Даже между более близкими по времени точками точность оставалась высокой, лишь несколько снижаясь между третьим и четвертым визитами, что указывает на более медленные изменения профилей пациентов на поздних этапах. Наиболее успешными оказались методы на основе деревьев с градиентным бустингом, хорошо выявляющие нелинейные закономерности. Чтобы приоткрыть «черный ящик» и понять, что обуславливало решения, команда применила инструменты объяснимости — SHAP и LIME — которые ранжируют признаки по вкладу в предсказание.

Иммунные подсказки, «мозговой туман» и меняющаяся важность признаков

В разных анализах вырисовывалась согласованная картина. Уровни воспалительных молекул в крови — особенно некоторые интерлейкины, такие как IL‑2, IL‑8 и IL‑10 — оказались среди сильнейших маркеров, разделяющих ранние и поздние наблюдения. Показатели антительного ответа организма на вирус, в частности антитела к спайк‑белку (что также отражает вакцинацию с течением времени), также были мощными индикаторами. Со стороны когнитивных функций важными оказались тесты на вербальную память и поиск слов, а также шкалы усталости и сонливости, особенно на ранних этапах после инфекции. С течением времени иммунные маркеры, как правило, приобретали большую значимость в моделях, тогда как некоторые нейропсихологические показатели становились менее центральными, что свидетельствует о том, что биологические драйверы долгого COVID могут эволюционировать на протяжении лет.

Что это значит для пациентов и помощи

Для неспециалистов ключевое сообщение в том, что длительный COVID — это не просто расплывчатое множество жалоб. При тщательном отслеживании на протяжении нескольких лет объективные сигналы в крови и в тестах на когнитивные функции меняются таким образом, что компьютеры способны это надежно распознавать. Исследование показывает, что сочетание иммунных маркеров, уровней антител и целевых оценок когнитивных функций и усталости могло бы помочь врачам отслеживать, кто восстанавливается, кто остается под рискeм длительных проблем и какие пациенты потенциально выиграют от новых методов лечения, нацеленных на иммунную систему. Хотя до внедрения этих инструментов в рутинную практику нужны дополнительные и более масштабные исследования, работа демонстрирует, как искусственный интеллект может превратить запутанную реальность длительного COVID в более ясную и практически применимую информацию для пациентов и клиницистов.

Цитирование: Walders, J., Wetz, S., Costa, A.S. et al. Longitudinal modeling of Post-COVID-19 condition over three years: A machine learning approach using clinical, neuropsychological, and fluid markers. Sci Rep 16, 6517 (2026). https://doi.org/10.1038/s41598-026-37635-3

Ключевые слова: длительный COVID, машинное обучение, воспаление, когнитивные симптомы, иммунные биомаркеры