Применение XGBoost и логистической регрессии для прогнозирования смертности через 90 дней у пожилых пациентов с тяжелой острой почечной недостаточностью

Почему это исследование важно для семей и пациентов

Острая почечная недостаточность — это внезапная утрата функции почек, которая часто поражает пожилых людей в отделениях интенсивной терапии. Она может превратить серьёзное заболевание в угрожающий жизни кризис, и многие семьи и врачи испытывают трудности в оценке, какие пациенты находятся в наибольшем риске смерти в последующие недели. В этом исследовании поставлен простой, но важный вопрос: могут ли современные методы, основанные на данных, помочь врачам точнее определить, какие пожилые пациенты с тяжёлой почечной недостаточностью наиболее уязвимы в ближайшие три месяца, чтобы уход за ними можно было лучше адаптировать?

Кто был включён в исследование и что команда собиралась сделать

Исследователи проанализировали данные 7 500 человек старше 60 лет, госпитализированных в отделение интенсивной терапии в Бостоне в период с 2008 по 2019 год и развивших тяжёлую острую почечную недостаточность. Примерно 1 150 из этих пациентов умерли в течение 90 дней, что подчёркивает, насколько смертельно это состояние для пожилых людей. Используя этот большой массив реальных больничных данных, команда сравнила два подхода к преобразованию информации с койки пациента — таких как возраст, артериальное давление, диурез и шкалы тяжести болезни — в предсказание того, кто будет жив через три месяца.

Два разных способа «считывать» данные

Первый метод, логистическая регрессия, — давняя статистическая рабочая лошадка в медицинских исследованиях. Он ищет линейные зависимости между факторами риска и исходами и ценится тем, что врачи легко видят, как каждый фактор, например возраст или артериальное давление, повышает или понижает риск. Второй метод, называемый XGBoost, принадлежит к более молодой семье инструментов машинного обучения. Вместо одной прямой он строит множество небольших деревьев решений, которые вместе могут уловить сложные, нелинейные закономерности в данных — например, когда риск резко растёт только при совпадении нескольких факторов. Благодаря этому XGBoost теоретически может извлечь больше предсказательной силы из тех же больничных данных, хотя его сложнее интерпретировать «с первого взгляда».

Что модели выяснили о риске

Оба подхода получили одни и те же тщательно очищенные данные и были протестированы с помощью строгих многократных перекрёстных проверок, чтобы избежать переобучения. Несколько признаков последовательно выделялись как сильно связанные со смертностью в пределах 90 дней. К ним относились степень тяжести состояния при поступлении в ОРИТ (отражённая в шкале APSIII), низкий объём мочи, более старший возраст, низкий уровень кислорода в крови и необходимость в вазопрессорах — препаратах для повышения кровяного давления. Наличие запущенного рака с метастазами также значительно увеличивало вероятность смерти. В совокупности эти факторы рисуют картину более хрупких пациентов, чьи организмы одновременно испытывают сразу несколько нагрузок.

Какой метод прогнозирования оказался лучше

При прямом сравнении обе модели хорошо отделяли выживших пациентов от тех, кто умер. Однако XGBoost показал слегка лучшее качество: по стандартной метрике точности — площади под кривой — он набрал 0,851 против 0,838 у логистической регрессии. Анализ кривых решений, способ оценки полезности модели для реальных клинических выборов, например решения об усилении лечения, показал, что XGBoost обеспечивает более высокий чистый выигрыш в более широком диапазоне клинических сценариев. Он также дал в среднем меньшие ошибки прогноза. Чтобы сделать эту сложную модель более понятной у койки пациента, команда создала «разборный» график, показывающий для конкретного пациента, как каждый фактор сдвигает предсказанный риск вверх или вниз.

Что это может означать для оказания помощи

Для непрофессионала ключевая идея такова: современные вычислительные методы могут помочь врачам с приемлемой точностью оценивать, какие пожилые пациенты в ОРИТ с внезапной почечной недостаточностью находятся в наибольшем риске смерти в течение трёх месяцев. В этом исследовании новейший метод машинного обучения немного превзошёл традиционный подход, особенно когда многие факторы здоровья взаимодействовали сложным образом. Тем не менее оба инструмента опираются на уже собираемую в больницах информацию — такую как диурез, возраст, тяжесть болезни, артериальное давление и наличие запущенного рака — и предназначены для поддержки, а не замены клинического суждения. При дополнительной валидации в разных больницах такие модели могли бы способствовать более своевременным разговорам о прогнозе, помогать при расстановке приоритетов в условиях ограниченных ресурсов интенсивной терапии и побуждать к более тщательному мониторингу и индивидуализированному лечению тех пациентов, чьи почки и общее состояние наиболее нестабильны.

Цитирование: Zeng, J., Zhu, Y., Ye, F. et al. ‌Application of XGBoost and logistic regression in predicting 90 days mortality for elderly severe acute renal failure patients. Sci Rep 16, 7077 (2026). https://doi.org/10.1038/s41598-026-37828-w

Ключевые слова: острая почечная недостаточность, пожилые пациенты в ОРИТ, прогнозирование смертности, машинное обучение в медицине, логистическая регрессия против XGBoost