Исследование по созданию базы данных по интервенционным сердечно-сосудистым заболеваниям и предсказанию риска послеоперационной смертности

Почему это важно для пациентов и их семей

Сердечно-сосудистые вмешательства могут спасать жизни, но они также сопряжены с реальным риском, особенно для пожилых и более больных пациентов. Один из главных вопросов после процедуры — «какова вероятность того, что я или мой близкий умрёт в течение нескольких месяцев после операции?» Это исследование показывает, как аккуратно организованные больничные данные и современная модель искусственного интеллекта (ИИ) могут помочь врачам точнее оценивать этот риск, чтобы тщательнее наблюдать уязвимых пациентов и быстрее вмешиваться при первых признаках осложнений.

От разрозненных записей к полноценной истории пациента

Традиционно информация о кардиологических пациентах разбросана по разным системам больницы — лабораторные результаты в одном месте, визуализация в другом, а записи наблюдений где-то ещё. Большая часть данных представлена свободным текстом и не стандартизирована, что затрудняет восприятие полной картины как компьютерам, так и врачам. Исследователи решили эту задачу, создав специализированную базу данных по сердечно-сосудистым вмешательствам в крупной больнице провинции Чжэцзян, Китай. В течение года они собрали детализированные структурированные данные от 728 пациентов, перенёсших малоинвазивные сердечные процедуры, и в конечном счёте сосредоточились на 638 случаях с полной информацией от госпитализации до шести месяцев после операции. Такой «полный цикл» отражает, кто эти пациенты, что происходит до и во время вмешательства и как проходит их восстановление.

Что входит в базу данных по сердечному риску

База данных объединяет информацию из нескольких клинических систем — электронных медицинских записей, лабораторных систем, платформ визуализации и клиник последующего наблюдения. Команда сгруппировала данные в четыре основных блока: базовые сведения о пациенте и анамнез; исследования и сканы, выполненные до операции; то, что происходило во время процедуры; и показатели послеоперационного наблюдения, такие как жизненно важные параметры, анализы крови и оценки способности к повседневной жизни. Затем данные очистили — удалили поля с большим количеством пропусков, разумно заполнили небольшие пробелы и преобразовали текстовые категории (например, курит/не курит, было ли кровотечение) в числовые коды, удобные для анализа компьютером. Также они свели несколько сопутствующих заболеваний в единый показатель сопутствующей патологии, что облегчает представление общего бремени болезни у каждого пациента.

Обучение ИИ модели раннему распознаванию тревожных сигналов

Упорядочив данные, исследователи поставили конкретный вопрос: можно ли на основе всей этой информации предсказать, кто умрёт в течение шести месяцев после процедуры? Всего 41 из 638 пациентов умер в этот период, что делает задачу прогнозирования особенно сложной — выживших намного больше, чем умерших, и многие модели имеют склонность игнорировать редкие, но критически важные случаи высокого риска. Сначала команда использовала метод отбора признаков, чтобы выбрать 30 наиболее информативных переменных по всей траектории пациента. В них вошли факторы вроде возраста, индекса массы тела, бремени сопутствующих заболеваний, отдельных показателей крови, деталей операции (например, длительность пребывания инструментов) и последующих измерений, таких как функция почек и печени и оценки способности к повседневной жизни.

Гибридный ИИ-движок, созданный для скорости и точности

Для анализа этих временных данных исследователи разработали гибридную модель, объединяющую две техники ИИ. Первая, известная как сеть долгой краткосрочной памяти (LSTM), хороша в отслеживании временных закономерностей — например, как меняются лабораторные показатели до и после операции — но при самостоятельном использовании она может работать медленнее и быть склонной к переобучению. Вторая, называемая широкой обучающей системой (broad learning system), быстро выстраивает связи между признаками без тяжёлой настройки весов, характерной для глубоких сетей. В их конструкции данные жизненного цикла пациента сначала проходят через временно-чувствительную часть модели, затем через шаг регуляризации для снижения переобучения и, наконец, в слой широкой обучения, который оперативно рассчитывает итоговый прогноз. Такая структура сохраняет сильные стороны глубокого обучения, одновременно сокращая его слабые стороны.

Что результаты значат для практической медицины

При сравнении гибридной модели с тремя распространёнными нейронными подходами новый дизайн показал явное преимущество. Он правильно классифицировал пациентов примерно в 87% случаев и, что важно, выявлял более 93% тех, кто действительно умер в течение шести месяцев — ключевое преимущество, когда цель состоит в том, чтобы не пропустить пациентов высокого риска. Проще говоря, организация больничных данных в специализированную базу по вмешательствам на сердце и их прогон через адаптированную ИИ-модель позволяют врачам получать более надёжные ранние предупреждения о том, каким пациентам требуется повышенное внимание после процедуры. Хотя исследование выполнено в одной больнице и требует проверки в других центрах, оно указывает на будущее, в котором более умелое использование данных и специализированные инструменты прогнозирования помогут сделать сердечные вмешательства безопаснее и восстановление — надёжнее.

Цитирование: Qi, P., Hu, C., Li, Y. et al. Study on establishment of cardiovascular interventional disease database and prediction of postoperative mortality risk. Sci Rep 16, 12493 (2026). https://doi.org/10.1038/s41598-026-39788-7

Ключевые слова: сердечно-сосудистая интервенция, послеоперационный риск, прогнозирование смертности, медицинские базы данных, искусственный интеллект в здравоохранении