Анализ машинного обучения s-EASIX для прогнозирования 30-дневной смертности у пациентов с сепсисом на данных MIMIC-IV

Почему это важно для пациентов с тяжелыми инфекциями

Сепсис — угрожающий жизни ответ на инфекцию — ежегодно уносит миллионы жизней во всем мире, часто в течение нескольких дней после поступления в отделение интенсивной терапии (ОИТ). Врачи остро нуждаются в более надежных способах выявления пациентов, которые тихо движутся к полиорганной недостаточности, даже когда стандартные лабораторные показатели выглядят лишь слегка ненормальными. В этом исследовании представлен простой индекс на основе крови, отслеживаемый во времени, а не в одну точку, и показано, что динамика этого индекса может прогнозировать, кто находится в наибольшем риске смерти в течение 30 дней. Сочетая современные методы анализа данных с рутинными лабораторными результатами, работа открывает путь к более раннему и персонализированному лечению сепсиса.

Простой балл из повседневных анализов крови

Исследование сосредоточено на показателе, называемом упрощенным индексом активации и стресса эндотелия, или s-EASIX. Он вычисляется всего по двум рутинным показателям крови: лактатдегидрогеназе (ЛДГ), маркере повреждения клеток и метаболического стресса, и тромбоцитам — мелким фрагментам клеток, участвующим в свертывании крови. Вместе эти показатели отражают, насколько сильно повреждена внутренняя оболочка сосудов — эндотелий — при сепсисе. Когда этот слой выходит из строя, нарушается кровоток в мельчайших сосудах, органы отекают или кровоточат, и риск смерти резко возрастает. В отличие от многих экспериментальных маркеров, требующих дорогих лабораторных методов, s-EASIX можно вычислить по тестам, которые больницы уже выполняют почти для каждого пациента в ОИТ.

Отслеживание подъёмов и спадов показателя во времени

Вместо того чтобы оценивать s-EASIX только в день поступления в ОИТ, авторы изучили его изменения в течение первого месяца болезни. Используя большую публичную базу данных MIMIC-IV с записями из реанимации, они выделили 8113 взрослых с сепсисом, у которых было как минимум три измерения ЛДГ и тромбоцитов. С помощью статистического метода, группирующего пациентов по схожим временным траекториям, исследователи выявили пять различных «траекторий» s-EASIX: группа с низким стабильным уровнем, группа со средним стабильным уровнем, группа с высоким, но быстро падающим уровнем, группа со средним, но устойчиво растущим уровнем и очень высокая группа, которая снижалась лишь медленно. Эти паттерны отражали непрерывную борьбу между инфекцией, воспалением, повреждением сосудов и способностью организма к восстановлению.

Какие паттерны предвещают опасность

Когда исследователи связали эти пять паттернов с выживаемостью, различия оказались поразительными. Пациенты, у которых s-EASIX был высоким, но быстро падал в последующие дни, имели 30-дневную смертность, сопоставимую с пациентами, чьи показатели оставались низкими или умеренными на протяжении всего периода. Напротив, два пути развития оказались особенно зловещими: средний уровень, который продолжал расти, и очень высокий уровень, который снижался лишь незначительно. С учетом возраста, тяжести болезни, применяемой поддержки органов и многих других факторов, у этих двух групп риск смерти в течение 30 дней был примерно в два — три раза выше, чем у группы с низким стабильным уровнем. Взаимосвязь сохранялась и у мужчин, и у женщин, у пациентов с и без искусственной вентиляции легких, а также независимо от применения антикоагулянтов. Молодые взрослые с такими «плохими» траекториями находились в особенно повышенной группе риска, что может указывать на мощный, но неправильно направленный иммунный ответ, подавляющий сосуды.

Обучение машин распознавать опасные паттерны

Чтобы проверить, могут ли компьютеры использовать траектории s-EASIX для улучшения прогноза, команда построила несколько моделей машинного обучения, которые объединяли класс траектории с другими клиническими данными. Они обучили и оценили шесть различных подходов и обнаружили, что метод LightGBM показал лучшие результаты. Валидационная группа пациентов показала, что эта модель с высокой точностью и надежной калибровкой различала выживших и невыживших, то есть предсказанные вероятности хорошо соответствовали реальным исходам. Отдельный метод, SHAP-анализ, затем использовали, чтобы «раскрыть» эту "черную коробку" и показать, какие входные параметры влияли на решения модели. Траектория s-EASIX оказалась одной из наиболее влиятельных переменных наряду с возрастом и суммарным баллом органной недостаточности, что подчеркивает ее центральную роль в оценке риска при сепсисе.

Что это значит для ухода у кровати пациента

Для неспециалистов вывод таков: то, как простой основанный на крови показатель стресса меняется во времени, рассказывает более сильную историю, чем любое одно измерение. Постоянно высокий или устойчиво растущий s-EASIX указывает на то, что сосуды подвергаются непрерывной атаке, микроциркуляция терпит неудачу, и органы приближаются к коллапсу — задолго до того, как это станет очевидно по рутинным жизненным показателям. В принципе, отслеживание такой траектории может помочь бригадам ОИТ раньше выявлять пациентов высокого риска, настраивать интенсивность наблюдения и терапии и, возможно, корректировать вмешательства, влияющие на свертываемость и здоровье сосудов. Хотя исследование ретроспективно и основано на данных одной системы больниц и требует внешней валидации, оно подчеркивает многообещающий и легко доступный инструмент для превращения сырых лабораторных данных в систему раннего предупреждения при сепсисе.

Цитирование: Kong, Z., Liu, Y., Chen, H. et al. Machine learning analysis of s-EASIX for predicting 30-day mortality in sepsis patients from MIMIC-IV. Sci Rep 16, 8842 (2026). https://doi.org/10.1038/s41598-026-40400-1

Ключевые слова: сепсис, эндотелиальная дисфункция, прогнозирование риска, машинное обучение, реанимация