Рандомизированное контролируемое исследование аналитики на базе искусственного интеллекта для выявления клинического ухудшения

Почему так сложно поддерживать безопасность пациентов в больнице

Когда пациентов госпитализируют, врачи и медсёстры прилагают много усилий, чтобы заметить ранние признаки того, что состояние человека может резко ухудшиться. Но человеческий глаз может не уловить тонкие изменения в частоте сердечных сокращений, дыхании или давлении, особенно на загруженных палатах. В этом исследовании поставили актуальный вопрос: может ли система искусственного интеллекта (ИИ), которая незаметно отслеживает жизненные показатели пациентов на фоне, действительно помочь предотвратить серьёзные неотложные ситуации — например, остановку сердца, дыхательную недостаточность или экстренную перевод в реанимацию?

Новый тип «радрара погоды» для пациентов

Исследовательская группа протестировала систему под названием CoMET, которая преобразует потоки данных с постов мониторинга, результаты лабораторных тестов и параметры, занесённые медсёстрами в карты, в наглядное представление риска. Каждый пациент отображается на большом экране как яркая иконка-комета: «головка» показывает текущий риск, а «хвост» — как этот риск менялся за последние три часа. Оценка 1 соответствует средней вероятности серьёзного события в следующие сутки; более высокие значения означают больший риск. В отличие от громких сигналов тревоги, система просто постоянно отображает информацию. Идея заключалась в том, что тихий, постоянно работающий обзор риска поможет персоналу раньше заметить тревожные тенденции и проверить пациентов до того, как произойдёт критическое ухудшение.

Испытание ИИ в реальных больничных палатах

Чтобы выяснить, действительно ли этот дисплей влияет на исходы, команда провела крупное рандомизированное контролируемое исследование на 85-местной палате кардиологии и кардиохирургии в университетской больнице. В исследование включили более десяти тысяч госпитализаций за почти два года, в период пандемии COVID-19. Вместо рандомизации отдельных пациентов исследователи рандомизировали группы палат. В некоторых группах дисплей CoMET был включён; в других действовала обычная практика без дисплея. Всем пациентам предоставляли стандартную медицинскую помощь — единственная разница заключалась в том, могли ли сотрудники видеть траектории риска на больших мониторах и в электронной медкарте. Никаких обязательных действий не вводили — клиницистов поощряли, но не обязовали реагировать при повышении оценок.

Что произошло с исходами пациентов

Главным показателем было количество часов в первые 21 день госпитализации, в течение которых пациенты оставались свободны от серьёзного ухудшения — таких событий, как смерть, экстренный перевод в отделение интенсивной терапии, экстренная интубация, остановка сердца или срочная операция. Большинство пациентов никогда не сталкивались с такими событиями и, следовательно, получили максимальный результат в 21 день без событий. В целом около 5% пациентов пережили серьёзное событие. Базовые прогнозные модели ИИ работали хорошо и даже превосходили распространённый шкальный раннего предупреждения, но при сравнении групп с включённым и выключенным дисплеем исследователи не обнаружили значимой разницы в часах без событий или уровне смертности. Среди небольшой подгруппы пациентов, у которых всё же произошло событие, у тех, кто находился в группе с дисплеем, перед этим обычно были более стабильные часы, но этот эффект оказался недостаточно сильным, чтобы считаться статистически убедительным.

Как человеческие решения размыли эксперимент

Одна из самых примечательных находок была связана не столько с математикой, сколько с поведением людей. В ходе испытания клиницисты часто перекладывали пациентов между койками: сотни пациентов переместились из коек обычного ухода в койки с включённым дисплеем и наоборот. При более детальном рассмотрении выяснилось, что более тяжёлые пациенты с большей вероятностью переводились в палаты с дисплеем ИИ. Иными словами, персонал, по-видимому, считал CoMET полезным и старался предоставить дополнительный мониторинг пациентам с повышенным риском, хотя дизайн исследования предполагал сохранение случайности распределения. Эти перемещения койек пришлось учитывать как цензуру в анализе, и они, вероятно, ослабили любой реальный эффект системы. К тому же исследование проходило в условиях напряжённости, вызванной пандемией COVID-19, что снизило частоту событий и добавило дополнительную сложность.

Что это значит для будущего ИИ в больницах

Для пациентов и их семей итог одновременно осторожен и обнадеживает. Это хорошо спроектированное исследование в реальных условиях показало, что простое добавление пассивного дисплея с прогнозом риска, без сигналов тревоги или строгих правил реакции, явно не улучшило такие исходы, как смертность или экстренные переводы в этих палатах. Тем не менее склонность клиницистов переводить более тяжёлых пациентов в койки с ИИ указывает на то, что они видели ценность в информации. Авторы делают вывод, что будущие исследования инструментов ИИ в больнице должны выходить за рамки точности и размера испытания: необходимо отслеживать, как клиницисты интерпретируют оценки риска, как команды коммуницируют и действуют на основе этих данных, а также как распределение коек, нагрузка и редкие события влияют на результаты. ИИ всё ещё может помочь заметить ухудшение на ранней стадии, но чтобы действительно повысить безопасность пациентов, разработчикам и исследователям потребуется сочетать умные алгоритмы с таким же вниманием к человеческому суждению, рабочему процессу и культуре в больнице.

Цитирование: Keim-Malpass, J., Ratcliffe, S.J., Clark, M.T. et al. A randomized controlled trial of artificial intelligence-based analytics for clinical deterioration. Sci Rep 16, 7345 (2026). https://doi.org/10.1038/s41598-026-39051-z

Ключевые слова: клиническое ухудшение, предиктивный мониторинг, ИИ в больнице, системы раннего предупреждения, кардиологическое отделение