Прогнозирование инфицированного некроза поджелудочной железы при остром панкреатите с помощью моделей машинного обучения и отбора признаков

Почему это важно для пациентов и их семей

Тяжёлые вспышки воспаления поджелудочной железы могут внезапно стать угрожающими жизни, когда участки органа отмирают и инфицируются. Врачи хорошо знают об этой опасности, но по-прежнему испытывают трудности с выявлением в первые дни болезни тех пациентов, у которых развивается такое осложнение. Это исследование демонстрирует, как грамотно сконструированные компьютерные модели, обученные на рутинных данных больницы, могут помочь врачам оценивать этот риск раньше и точнее, что потенциально позволяет корректировать лечение до того, как инфекция разовьётся.

Скрытая угроза в распространённой экстренной ситуации

Острый панкреатит — одно из самых частых желудочно-кишечных экстренных состояний в мире. Многие пациенты выздоравливают при поддерживающей терапии, но значительная часть развивает серьёзные проблемы, такие как скопления жидкости и участки омертвевшей ткани в и вокруг поджелудочной железы. Когда эти участки инфицируются — состояние, называемое инфицированным некрозом поджелудочной железы — риск отказа органов, длительной госпитализации и смерти резко возрастает. Поскольку инфекция обычно проявляется через несколько дней после госпитализации, клиницисты ищут способы раннего распознавания пациентов с высоким риском, используя данные, доступные в первые часы и дни.

Старые шкалы оценки против новых «умных» инструментов

В больницах уже применяют несколько шкал для оценки тяжести состояния при панкреатите, таких как APACHE II, BISAP и шкалы, основанные на КТ. Эти инструменты объединяют жизненные показатели, лабораторные тесты и данные визуализации в одно числовое значение. Хотя они полезны, они не были созданы специально для прогнозирования инфицированного некроза и часто не выявляют пациентов, которые позднее ухудшаются. В отличие от этого, современные методы машинного обучения могут одновременно анализировать гораздо больше переменных, улавливая тонкие закономерности и взаимодействия, которые упускают разработанные человеком шкалы. Ранние исследования применяли такие техники для прогнозирования общей тяжести заболевания, но редко — для инфекций некротической ткани, и нередко им не хватало строгой проверки на независимых группах пациентов или прозрачности в объяснении предсказаний моделей.

Создание системы раннего предупреждения на основе данных

Авторы проанализировали записи 728 взрослых, госпитализированных с первым эпизодом острого панкреатита в крупной китайской больнице в период с 2017 по 2023 год, исключив пациентов без ранней визуализации или анализов крови и тех, у кого были другие сопутствующие состояния. Большинство измерений — включая клинические анализы крови, маркёры воспаления и свертывания, а также клинические шкалы — собирались в течение 24 часов после поступления и всегда до установления диагноза инфицированного некроза. Исследователи обучили шесть различных моделей прогнозирования, включая несколько деревообразных методов, нейронную сеть и традиционные линейные подходы. Чтобы избежать переобучения, они использовали строгую форму перекрёстной проверки, при которой каждая модель неоднократно обучалась на одной части данных и тестировалась на другой, при этом автоматически отбирались только наиболее информативные признаки. Затем лучшие версии каждой модели были зафиксированы и оценены на полностью отдельной, более поздней группе из 166 пациентов, госпитализированных в 2022–2023 годах.

Чему компьютер научился о риске инфекции

Во всех моделях деревообразные подходы — особенно случайные леса — показали наиболее сильные и надёжные прогнозы того, кто разовьёт инфицированный некроз. Лучшая модель случайного леса явно превзошла широко используемую шкалу APACHE II, точнее разделяя пациентов на группы высокого и низкого риска и обеспечивая лучшие калиброванные вероятности риска. Чтобы «открыть чёрный ящик», команда использовала метод SHAP, который связывает предсказание для конкретного пациента с отдельными входными признаками. Этот анализ выделил некоторые маркёры крови, связанные со свёртыванием и воспалением — включая фибриноген, D-димер, интерлейкин-6 и C-реактивный белок — наряду с самой шкалой APACHE II как сильные предупредительные признаки. Напротив, более высокий уровень лимфоцитов и более благоприятные показатели концентрации крови и функции почек выглядели как защитные факторы. Эти закономерности соответствуют существующим медицинским представлениям о том, как тяжёлое воспаление, нарушение кровотока и ослабленный иммунитет способствуют развитию инфекции в повреждённой ткани поджелудочной железы.

От исследовательского инструмента к поддержке у постели больного

Исследование показывает, что интерпретируемая модель случайного леса, построенная на лабораторных тестах и клинической информации, которые уже собираются в больницах, может служить инструментом раннего предупреждения об инфицированном некрозе поджелудочной железы. Такая система не заменит клиническое суждение, но может отмечать пациентов, которым требуется более тщательное наблюдение, повторная визуализация, ранняя перевод в отделение интенсивной терапии или более осторожное использование антибиотиков и процедур. Поскольку работа выполнена в одном специализированном центре и основана на ретроспективных данных, её необходимо подтвердить и доработать в нескольких госпиталях и на разных группах пациентов. Если будущие исследования будут успешны, подобный прозрачный, основанный на данных калькулятор риска может стать частью повседневной помощи людям с острым панкреатитом, помогая врачам действовать раньше и точнее, когда ставки особенно высоки.

Цитирование: Xin, L., Yixuan, D., Bohan, H. et al. Predicting infected pancreatic necrosis in acute pancreatitis using machine learning models and feature selection. Sci Rep 16, 11338 (2026). https://doi.org/10.1038/s41598-026-38410-0

Ключевые слова: острый панкреатит, инфицированный некроз поджелудочной железы, машинное обучение, клиническое прогнозирование риска, случайный лес