Мультимодальная ИИ‑модель для предсказания 28‑дневной смертности пациентов с пневмонией при выписке из неотложного отделения: многоцентровое исследование

Почему это исследование важно для обычных пациентов

Пневмония — одно из самых смертельных инфекционных заболеваний в мире, однако в загруженном отделении неотложной помощи врачам часто приходится в считанные минуты решать, можно ли отпустить пациента домой или требуется интенсивное госпитализированное лечение. В этом исследовании изучают, может ли искусственный интеллект (ИИ), объединяя данные рентген‑снимка грудной клетки с рутинной медицинской информацией, точнее предсказывать, кто находится в группе высокого риска смерти в течение 28 дней — что помогло бы клиницистам не выписывать домой уязвимых пациентов и не госпитализировать зря тех, кто имеет низкий риск.

Как сегодня организована помощь при пневмонии

Когда пациент попадает в отделение неотложной помощи с подозрением на пневмонию, врачи опираются на симптомы, жизненные показатели, анализы крови и рентген грудной клетки, чтобы оценить тяжесть состояния. На протяжении многих лет используют простые балльные шкалы, такие как CURB‑65, которые суммируют факторы вроде возраста, артериального давления и спутанности сознания, чтобы оценить вероятность смерти в ближайший месяц. Эти шкалы легко вычислять, но они игнорируют многие данные, которые сейчас рутинно собирают, и не используют богатую информацию, скрытую в рентген‑снимках. В результате некоторые пациенты, которые затем ухудшаются, на бумаге изначально выглядят как «низкорисковые».

Объединение изображений и данных

Недавние достижения глубинного обучения позволяют компьютерам «читать» рентген‑снимки грудной клетки и количественно определять такие находки, как жидкость в плевральной полости или подозрительные очаги. Исследователи задали вопрос: улучшит ли прогнозирующую модель, если в неё подать численные результаты анализа изображений, сгенерированные ИИ, вместе со стандартными данными отделения неотложной помощи. Для этого они использовали записи почти 2 900 обращений по поводу пневмонии в крупной больнице Южной Кореи и данные большой базы MIMIC‑IV в США. Для каждого визита собирали три основных типа информации: традиционные элементы CURB‑65, числовую интерпретацию рентгена, выполненную ИИ, и автоматически фиксируемые клинические данные — жизненные показатели, потребность в кислороде и рутинные лабораторные результаты, снятые до выписки пациента из отделения неотложной помощи.

Построение и тестирование ИИ‑модели

Команда сравнила несколько подходов, включая традиционную статистическую модель и современные методы машинного обучения, рассчитанные на анализ временных исходов (time‑to‑event). Их самый мощный метод, называемый случайным лесом для выживаемости (random survival forest), обучали выявлять сложные шаблоны, связывающие объединённые данные с вероятностью смерти в течение 28 дней. Создавали версии модели с разными наборами входных данных: только традиционный балл, только находки изображения, только клинические переменные, смесь балла и клинических данных и, наконец, модель «все признаки», включающую всё. Эффективность оценивали главным образом по тому, насколько хорошо каждая модель правильно ранжировала пациентов от низкого к высокому риску — показателю, известному как индекс конкордантности.

Что модель выявила о риске

Модель, использовавшая всю доступную информацию — компоненты традиционного балла, интерпретацию рентгена ИИ и подробные клинические данные — показала наилучшие результаты. Она значительно чаще правильно ранжировала пациентов по риску, чем один лишь CURB‑65. Даже по сравнению с моделью, использовавшей богатые клинические данные, но игнорировавшей информацию с изображений, добавление вывода рентгена дало измеримое улучшение. Возраст и акуитет триажа оказались сильнейшими предикторами, что согласуется с клиническим опытом: пожилые и более тяжёлые пациенты переносят болезнь хуже. В то же время признаки на изображениях, такие как вероятность выпота в плевре и небольшие узелки, также вошли в число наиболее влиятельных факторов, что показывает: ИИ извлекает полезные сигналы из рентгенов, которые стандартные шкалы упускают. При группировке пациентов на «высокий» и «низкий» риск их полная модель идентифицировала почти всех пациентов, умерших в течение 28 дней, при схожем числе ложных тревог по сравнению с традиционной шкалой.

Разработано для интеграции в рабочие процессы больницы

Важно, что система была спроектирована для работы с информацией, которую больницы уже автоматически собирают. Она использовала демографические данные, жизненные показатели, уровень кислородной поддержки и лабораторные значения из электронной медкарты, плюс вывод ИИ‑инструмента для рентгена грудной клетки, который уже применялся в рутинной практике. Исследователи сознательно исключили элементы, требующие дополнительной человеческой оценки или ручного ввода, такие как постельная оценка спутанности сознания, чтобы не увеличивать нагрузку на врачей. Они также применяли методы объяснимости, чтобы проверить, что поведение модели имеет клинический смысл, и итеративно уточняли, какие переменные включать, опираясь как на математическую значимость, так и на экспертную оценку. Такое сочетание машинного анализа и человеческого контроля нацелено на повышение доверия и облегчение внедрения у кровати больного.

Что это может значить для пациентов и больниц

Исследование показывает, что ИИ‑модель, объединяющая интерпретации рентгена грудной клетки с рутинными данными отделения неотложной помощи, может точнее выявлять пациентов с пневмонией, находящихся в высоком риске смерти в течение месяца, по сравнению с устоявшимися балльными шкалами. На практике такая система может помочь бригадам неотложной помощи распределять ограниченные койки в стационаре тем, кто в них действительно нуждается, обеспечивать своевременное лечение уязвимых пациентов, которых иначе могли бы отпустить домой, и безопасно снижать число госпитализаций для тех, кто имеет действительно низкий риск. Хотя работа требует более широкого тестирования в других больницах и с разным программным обеспечением для анализа изображений, она указывает на будущее, в котором тихо работающие алгоритмы поддерживают, а не заменяют клиницистов, превращая повседневные данные в более точные и индивидуализированные оценки риска.

Цитирование: Hwang, S., Heo, S., Hong, S. et al. Multimodal AI-based 28-day mortality prediction of pneumonia patients at ED discharge: a multicenter study. Sci Rep 16, 11761 (2026). https://doi.org/10.1038/s41598-026-42378-2

Ключевые слова: пневмония, отделение неотложной помощи, искусственный интеллект, рентген грудной клетки, прогнозирование риска