Объяснимое машинное обучение на основе рутинных биомаркеров выявляет культурно‑подтверждённый бактериемический уросепсис

Почему это важно для повседневного здоровья

Большинство людей воспринимают инфекцию мочевыводящих путей как болезненную, но относительно простую проблему. Однако у некоторых пациентов бактерии выходят из мочевых путей в кровь, вызывая опасную системную реакцию — уросепсис, который может привести к отказу органов и смерти. Врачам важно как можно раньше выявить пациентов, движущихся к тяжёлому состоянию, но существующие постельные методы оценки и медленные посевы крови часто оставляют рискованную «слепую зону». В этом исследовании проверяли, могут ли обычные анализы крови в сочетании с объяснимыми методами машинного обучения выявлять таких пациентов в первые сутки госпитализации.

От обычной инфекции до угрожающего жизни состояния

Инфекции мочевыводящих путей — одни из самых частых бактериальных инфекций в мире. Часть таких случаев прогрессирует в уросепсис, когда реакция организма на инфекцию становится обширной и вредной. На ранней стадии пациенты с обычной инфекцией мочевыводящих путей и те, кто близок к уросепсису, могут выглядеть очень похоже: у них может быть лихорадка, боль и отклонения в анализах, но ещё нет явных признаков органной недостаточности, фиксируемых стандартными шкалами сепсиса. Посевы крови — необходимые для подтверждения попадания бактерий в кровоток — могут давать положительный результат через несколько дней. Авторы поэтому сосредоточились на практическом вопросе: можно ли обнаружить, используя только рутинные исследования, выполненные в первые 24 часа, какие госпитализированные пациенты с ИМВ уже имеют бактерии в крови?

Построение исследования на данных реальной клинической практики

Команда проанализировала записи 182 госпитализированных пациентов в одной больнице, у которых подозревали инфекцию мочевыводящих путей и у которых одновременно брали посевы мочи и крови. У всех были подтверждённые посевом инфекции в моче. Пациентов разделили на две группы: 89 человек с «бактериемическим уросепсисом», то есть с одинаковыми бактериями в крови и моче, и 93 пациента с инфекцией, ограниченной мочевым путём, у которых посевы крови остались отрицательными. Для каждого пациента исследователи собрали рутинные лабораторные данные — такие как маркеры воспаления, свертывания крови, функции почек и уровни белков — взятые в течение 24 часов после первого заказа посева. Ключевым было то, что использовалась только информация, доступная до получения результатов посевов, отражая ту неопределённость, с которой сталкиваются клиницисты в реальном времени.

Что показали ранние лабораторные тесты

Несколько показателей в крови заметно отличались между двумя группами. У пациентов с бактериемическим уросепсисом отмечались более высокие уровни прокальцитонина и C‑реактивного белка — оба индикатора выраженного воспаления, а также повышенные количество лейкоцитов, уровень глюкозы в крови, креатинин (маркер нагрузки на почки) и D‑димер, продукт распада тромбов, указывающий на активацию системы свертывания. В то же время у них были ниже уровни альбумина и общего белка, что свидетельствует о более «проницаемом» кровообращении и меньших резервах организма, а также сниженные числа тромбоцитов и лимфоцитов. По отдельности некоторые из этих тестов — особенно прокальцитонин — уже хорошо различали простую ИМВ и бактериемию, но ни один не был идеальным. Авторы предположили, что их комбинация с современными алгоритмами может выявить более тонкие закономерности и взаимодействия.

Обучение объяснимых моделей машинного обучения

Чтобы превратить разрозненные лабораторные значения в практический риск‑скор, исследователи обучили три разные модели: традиционную логистическую регрессию и две популярные древовидные модели машинного обучения — Random Forest и XGBoost. Около одной пятой пациентов случайным образом отводили в скрытый тестовый набор, а модели обучали на остальной части данных, тщательно избегая утечки информации о будущем. При оценке на невидимой выборке и Random Forest, и XGBoost показали «хорошую дискриминацию», то есть присваивали более высокие оценки риска пациентам с бактериемическим уросепсисом по сравнению с теми, у кого инфекция оставалась в мочевых путях. В целом наивысшую точность продемонстрировал XGBoost, но поскольку тестовая группа была относительно небольшой, его числовое преимущество над Random Forest не было статистически убедительным.

Открывание «чёрного ящика» прогноза

Распространённая критика машинного обучения в медицине — его «чёрный ящик». Чтобы с этим справиться, авторы использовали метод SHAP (Shapley Additive Explanations), чтобы показать, как каждый лабораторный тест вносил вклад в решение модели для каждого пациента. В этих объяснениях наиболее влиятельными признаками оказались D‑димер, количество тромбоцитов, прокальцитонин, возраст, ширина распределения эритроцитов по объёму, креатинин, лейкоциты и альбумин. Вместо одного «волшебного» показателя модели опирались на комбинации — например, высокая активность свертывания вместе с ярко выраженным воспалением и низким альбумином — которые повышали или понижали предсказанный риск. Такая прозрачность помогает клиницистам оценить, соответствует ли логика модели медицинскому пониманию, и может повысить доверие к её использованию у постели больного.

Что это может значить для ухода за пациентами

Исследование показывает, что простой набор рутинных анализов крови, интерпретируемых с помощью объяснимой модели машинного обучения, может помочь врачам распознать, у каких пациентов с ИМВ вероятна бактериемия, задолго до появления результатов посевов. На практике такой скор может запускаться автоматически в лабораторной или информационной системе больницы, как только появятся первые результаты анализов, побуждая к более тщательному наблюдению, повторным обследованиям или ранней корректировке антибиотикотерапии для пациентов с высоким риском. Вместе с тем у работы есть важные ограничения: она выполнена в одном центре, включает относительно небольшую выборку пациентов и фокусируется на культурно‑подтверждённой бактериемии, а не на всех формах сепсиса, включая культуры‑негативные случаи. Авторы подчёркивают, что их модель — многообещающий прототип, ещё не готовый к рутинному применению, и что требуются более крупные многоцентровые исследования, чтобы подтвердить её эффективность и влияние на исходы.

Цитирование: Zhang, YL., Yu, DX., Zheng, YY. et al. Explainable machine learning with routine biomarkers identifies culture-defined bacteremic urosepsis. Sci Rep 16, 11982 (2026). https://doi.org/10.1038/s41598-026-42178-8

Ключевые слова: уросепсис, инфекция мочевыводящих путей, биомаркеры сепсиса, машинное обучение в медицине, раннее выявление инфекций