Прогнозирование тяжелых обострений у азиатских пациентов с бронхоэктазами на основе ИИ с использованием реестра KMBARC

Почему это важно для повседневного здоровья

Для людей с хроническими заболеваниями лёгких внезапные обострения, требующие обращения в отделение неотложной помощи, могут быть пугающими и опасными для жизни. Врачи пытаются выявить тех, кто находится в наибольшей группе риска, но существующие инструменты в основном созданы на данных европейских пациентов и могут плохо подходить для азиатских больных. В этом исследовании поставлен простой, но важный вопрос: сможет ли современный искусственный интеллект, обученный на корейских пациентах с бронхоэктазией, лучше предсказывать, у кого вероятно произойдет тяжёлое обострение в ближайший год?

Взгляд на упорное заболевание лёгких

Бронхоэктазия — хроническое состояние, при котором дыхательные пути в лёгких расширяются и повреждаются, что приводит к ежедневному кашлю, густой мокроте и частым инфекциям грудной клетки. При внезапном ухудшении симптомов — усиливается одышка, увеличивается количество мокроты, иногда появляется кровь — пациентам может потребоваться неотложная помощь или госпитализация. Такие тяжёлые приступы связаны с повышенным риском осложнений и смерти и создают значительную нагрузку на больницы. Предсказание таких событий заранее могло бы позволить врачам скорректировать лечение, тщательнее наблюдать пациентов и, возможно, предотвратить часть госпитализаций.

От простых балльных шкал к более интеллектуальному прогнозу

До сих пор врачи часто опирались на шкалы оценки, такие как BSI и FACED, чтобы судить о тяжести бронхоэктазии и оценивать долгосрочный риск. Эти инструменты суммируют баллы на основе возраста, результатов легочных тестов, распространённости поражения лёгких на снимках и наличия определённых инфекций. Они работают достаточно хорошо, но рассматривают каждый пункт линейно: каждый балл всегда учитывается одинаково, и шкалы не полностью отражают, как разные факторы могут сочетаться и усиливать риск. Кроме того, они были созданы на европейских когортах, где перенесённый туберкулёз встречается реже, чем во многих азиатских странах, что вызывает опасения, что важные региональные факторы могут быть упущены.

Построение модели ИИ на данных корейских пациентов

Чтобы решить эту проблему, исследователи использовали данные 492 взрослых пациентов с бронхоэктазией, включённых в национальный корейский реестр, все они наблюдались в течение одного года. За этот период у 56 пациентов (примерно 11 процентов) случилось тяжёлое обострение, потребовавшее неотложной помощи или госпитализации. Для каждого пациента команда собрала десятки признаков в исходной точке: возраст, вес, курение, сопутствующие заболевания лёгких, цвет и объём мокроты, инфекции, такие как Pseudomonas aeruginosa, данные крови, функция лёгких, история предыдущих обострений и составные шкалы, такие как BSI и FACED. Затем они обучили три типа компьютерных моделей — extreme gradient boosting, логистическую регрессию и нейронную сеть типа multilayer perceptron (MLP) — чтобы предсказывать, у кого произойдет тяжёлое событие.

Насколько хорошо показал себя искусственный интеллект?

Модели тестировали с помощью тщательной кросс-валидации: данные разделяли на обучающую, валидационную и независимую тестовую выборки, сохраняя схожую долю тяжёлых случаев в каждой подсекции. Поскольку у большинства пациентов не было тяжёлого приступа, команда сосредоточилась на метриках, хорошо работающих при таком дисбалансе, в частности на площади под ROC-кривой (AUROC) и F1-мере, которая балансирует чувствительность и точность. Среди всех подходов модель MLP показала лучшие результаты: она правильно выявила 95 процентов пациентов, у которых позже произошло тяжёлое обострение, и 95 процентов тех, у кого его не было. Её AUROC 0,98 немного превосходил как традиционные шкалы, так и другие модели ИИ, что указывает на высокую способность разделять пациентов с высоким и низким риском.

Что модель «узнала» о риске

Чтобы избежать эффекта «чёрного ящика», авторы применили метод SHAP, который ранжирует, насколько каждый входной признак смещает прогноз в сторону более высокого или более низкого риска. Анализ показал, что общий балл BSI оставался сильным фактором, но характеристики мокроты (объём и степень изменения цвета), история предыдущих тяжёлых обострений и перенесённые инфекции лёгких, такие как туберкулёз и пневмония, также сыграли важную роль. Важно, что модель улавливала сочетания признаков: например, у пациентов с перенесённым туберкулёзом и очень гнойной мокротой прогнозируемый риск был значительно выше, чем при учёте каждого фактора по отдельности. Эти нелинейные закономерности как раз то, что простые балльные шкалы трудно отразить.

Что это значит для пациентов и врачей

Исследование показывает, что по крайней мере в этой корейской когорте инструмент ИИ, адаптированный под местных пациентов, может повысить способность врачей предвидеть опасные обострения бронхоэктазии по сравнению с широко используемыми шкалами. Для человека с бронхоэктазией это однажды может означать более персонализированный уход — более частое наблюдение, профилактическая антибиотикотерапия или другие назначения, нацеленные на тех, кого модель отмечает как группу высокого риска. Однако авторы подчёркивают, что это ранний этап. Пациенты в основном были из крупных профильных стационаров, и модель ещё не тестировалась в других странах или в обычной клинической практике. Прежде чем такой ИИ сможет руководить реальными решениями, ему потребуется внешняя валидация и постоянная доработка. Тем не менее результаты дают многообещающий взгляд на то, как сочетание подробных клинических данных и современных алгоритмов может сделать предсказание жизненно опасных атак лёгких более точным — и, возможно, более предотвращаемым.

Цитирование: Yang, B., Kim, SH., Kim, GH. et al. AI based prediction of severe exacerbation in Asian bronchiectasis patients using the KMBARC registry. Sci Rep 16, 11017 (2026). https://doi.org/10.1038/s41598-026-38968-9

Ключевые слова: бронхоэктазия, искусственный интеллект, острое обострение, прогнозирование риска, корейский реестр