Разработка веб‑платформы для прогнозирования риска падений у пациентов с сердечно‑сосудистыми заболеваниями с помощью машинного обучения

Почему важно сохранять пациентов с сердечными заболеваниями на ногах

Для миллионов людей среднего и пожилого возраста с проблемами сердца и сосудов простой спотыкание дома может стать катализатором целой цепочки медицинских осложнений. Тяжёлое падение может привести к переломам, госпитализации и серьёзному ухудшению состояния уже хрупкого сердца. В этом исследовании поставили вопрос, помогут ли современные компьютерные методы врачам заранее определить, какие пациенты с сердечно‑сосудистыми заболеваниями наиболее подвержены падениям, и принять своевременные меры для повышения их безопасности и независимости.

Как связаны проблемы с сердцем и падения

Падения — одна из ведущих причин несчастных случаев и смертности среди пожилых людей во всём мире; они несут значительную эмоциональную и финансовую нагрузку для семей и систем здравоохранения. Одновременно сердечно‑сосудистые заболевания становятся всё более распространёнными по мере старения населения, и многие пациенты с сердечными проблемами особенно уязвимы. Скрытые нарушения работы сердца могут нарушать давление, равновесие и выносливость ещё до явных симптомов. Когда люди с сердечно‑сосудистыми заболеваниями падают, у них выше вероятность осложнений, необходимости операции и рисков в ходе восстановления. Поэтому прогнозирование риска падений в этой группе является актуальной задачей общественного здравоохранения.

Преобразование больших опросных данных в инструмент оценки риска

Исследователи использовали крупное национальное исследование китайских взрослых в возрасте 45 лет и старше, которое отслеживает состояние здоровья, образ жизни и социальные факторы со временем. Из этого богатого набора данных они выделили 1 784 человека с сердечно‑сосудистыми заболеваниями и наблюдали их в течение двух лет, чтобы выяснить, у кого были зарегистрированы падения. Были проанализированы 40 потенциальных предикторов — от возраста, образования, качества сна и настроения до медицинских состояний, таких как болезни почек и ревматизм, а также боли, прошлых падений и показателей силы и когнитивных функций. Тщательная очистка данных, обработка пропусков и балансировка групп с падениями и без падений подготовили данные для продвинутого анализа.

Чему научились «умные» модели

Вместо опоры только на традиционные статистические формулы команда протестировала шесть различных методов машинного обучения, которые способны выявлять сложные закономерности в данных. Метод LASSO помог сократить множество переменных до девяти наиболее информативных. Это были возраст, уровень образования, качество сна, заболевания почек, ревматизм, боль, удовлетворённость жизнью, депрессия и история падений. Среди шести моделей наилучшие результаты показал алгоритм Light Gradient Boosting Machine — он точнее всего разделял пациентов на более и менее рискованные как в основной выборке, так и в предыдущей волне опроса, использованной для внешней валидации. Чтобы «раскрыть чёрный ящик» машинного обучения, команда использовала инструмент объяснения, показывающий, насколько каждый фактор повышает или понижает риск.

Факторы риска, которые ощущаются и поддаются изменению

Результаты объяснения показали, что старший возраст и прошлые падения являются самыми сильными признаками риска, в то время как болезни почек, ревматические проблемы, боль и депрессия также повышают вероятность падения. С другой стороны, больше лет обучения, лучшее качество сна и более высокая удовлетворённость жизнью обычно защищают от падений. Примечательно, что люди с лишь относительно хорошим качеством сна могут оказаться в особенно высокорисковой группе, возможно потому, что они остаются активными, но при этом страдают от тонких нарушений равновесия или внимания. Многие из этих факторов легко спросить при приёме в клинике или даже при скрининге в сообществе, что делает модель практичной для занятых работников здравоохранения.

От прогноза к простому веб‑инструменту

Чтобы перейти от теории к практике, авторы превратили свою лучшую модель в удобную веб‑платформу. Врач или работник здравоохранения может ввести возраст пациента, образование, качество сна, настроение, боль, наличие заболеваний почек и ревматизма, удовлетворённость жизнью и историю падений и получить оценку вероятности падения в ближайшие два года. Хотя инструмент не заменяет медицинскую оценку, он предоставляет структурированный способ выделить пациентов с сердечно‑сосудистыми заболеваниями, которые могут наибольшей степени выиграть от тренировок силы, проверки безопасности дома, лечения настроения или более тщательного наблюдения.

Что это значит для повседневной жизни

Это исследование показывает, что грамотное использование имеющихся опросных данных и методов машинного обучения может помочь выявить пациентов с сердечно‑сосудистыми заболеваниями, у которых наибольшая вероятность падения. Сосредоточившись на небольшом наборе понятных факторов, модель остаётся применимой в реальных клиниках, при этом учитывая сложные зависимости в данных. При продуманном использовании такие инструменты могут способствовать более персонализированным планам профилактики, снижению опасных падений и помощи людям с заболеваниями сердца в сохранении стойкости на ногах и улучшении качества жизни с возрастом.

Цитирование: Dong, J., Yang, X., Zhang, Z. et al. Development of a web platform for predicting fall risk in cardiovascular patients using machine learning. Sci Rep 16, 15665 (2026). https://doi.org/10.1038/s41598-026-43482-z

Ключевые слова: сердечно‑сосудистые заболевания, риск падений, машинное обучение, пожилые люди, прогнозирование риска