Квантовое машинное обучение для предсказания анастомотического свища: клиническое исследование

Почему это исследование важно для пациентов и врачей

Анастомотический свищ — опасное осложнение, которое может возникнуть после того, как хирурги соединяют концы кишечника: оно может привести к инфекции, новым операциям или даже к смерти. В этом исследовании поставлен своевременный вопрос: смогут ли новые инструменты, вдохновлённые квантовыми вычислениями, помочь врачам точнее выявлять пациентов с наибольшим риском по сравнению со стандартными статистическими и машинно-обучающими методами, используя те же небольшие, но тщательно собранные данные госпиталя?

Понимание серьёзного хирургического осложнения

Когда удаляется часть кишечника, хирурги соединяют оставшиеся концы в сшивку, называемую анастомозом. Если это соединение не заживает, содержимое кишечника может вытекать в брюшную полость, вызывая воспаление, сепсис и длительное, опасное восстановление. В изучённой больнице свищи возникали примерно у 14 процентов пациентов и были связаны до 40 процентов случаев смертности, связанной с операцией, поэтому даже небольшие улучшения в прогнозировании могут спасти жизни. Ранее исследования выявляли факторы риска, такие как диабет и курение, и показывали, что определённые хирургические приёмы и мониторинг могут снизить вероятность свища.

Что исследователи измеряли у реальных пациентов

Команда проанализировала записи 200 пациентов, перенёсших колоректальную операцию в 2015–2016 годах, у 28 из них развился свищ. Они изначально взяли 76 показателей на пациента, охватывающих хирургические решения и анамнез. Через подробное статистическое тестирование и обсуждения с хирургами их сузили до меньшего набора клинически значимых факторов. Четыре фактора выделялись: использовалась ли мягкая ректальная трубка (NoCoil) для разгрузки давления, сохранялась ли ключевая артерия, питающая кишечник (ACSP), а также наличие диабета (DM) и курения. На основе этих факторов были построены как традиционные предиктивные модели, так и квантовые нейронные сети на неизменённом, естественно несбалансированном наборе данных, чтобы смоделировать реальные условия госпиталя.

Как строили и тестировали квантово-вдохновлённые модели

Квантовые нейронные сети — это модели машинного обучения, которые исполняются на квантовых схемах, а не только на классическом коде. В этой работе их симулировали на обычном компьютере, но с добавлением реалистичного шума квантового оборудования, такого как случайные ошибки операций и ограниченная точность измерений. Информация о пациенте сначала кодировалась в квантовые состояния, а затем проходила через настраиваемые слои, имитирующие небольшую квантовую схему. Исследователи протестировали два основных дизайна схем и сочетали их с несколькими стратегиями оптимизации — некоторыми с градиентами и другими, опирающимися на эволюционный поиск — чтобы выяснить, какие комбинации лучше обучаются на данных в условиях шума.

Сравнение квантовых и классических предсказаний

Ключевое сравнение было проведено при чувствительности 83 процента — уровне, выбранном исходя из клинического приоритета: не пропускать пациентов, у которых разовьётся свищ, даже если это означает больше ложных тревог. При фиксированной чувствительности некоторые настройки квантовых нейронных сетей, особенно с использованием схемы EfficientSU2 с оптимизатором BFGS или схемы RealAmplitudes с CMA-ES, достигали специфичности до 66 процентов и отрицательной прогностической ценности до 96 процентов. Классические модели, включая логистическую регрессию и настроенный многослойный перцептрон, достигали примерно 44 процентов специфичности и 94 процента отрицательной прогностической ценности при той же чувствительности. Это означает, что квантовые модели давали меньше ложных срабатываний, при этом улавливая ту же долю реальных свищей.

Сильные стороны, ограничения и дальнейшие шаги

Хотя квантовые нейронные сети лучше разделяли пациентов на группы высокого и низкого риска, классические модели лучше калибровали вероятности: предсказанные ими процентные риски более адекватно соответствовали наблюдаемым исходам. Это делает классические подходы более пригодными для тонкой оценки риска, например при выборе между вариантами лечения. Исследование также ограничено скромным размером выборки и данными из одного центра, что может привести к завышенной оценке производительности модели на новых пациентах. Авторы подчёркивают, что необходимы более крупные многоцентровые исследования и испытания на реальном квантовом оборудовании, прежде чем такие инструменты можно будет применять в повседневной практике.

Что это значит простыми словами

Проще говоря, это исследование показывает, что квантово-стилизованные методы машинного обучения могут, по крайней мере в симуляции, помочь врачам скринировать пациентов на предмет опасного осложнения после операции на кишечнике, сокращая число ложных тревог по сравнению со стандартными методами. Однако традиционные модели по-прежнему дают более надёжные оценки риска в процентах. На текущем этапе квантовые нейронные сети выглядят многообещающе как дополнительная система раннего предупреждения, но их нужно подтвердить на больших группах пациентов и сопровождать чётко калиброванными оценками риска, прежде чем они смогут напрямую влиять на клинические решения.

Цитирование: Novák, V., Zelinka, I., Přibylová, L. et al. Quantum machine learning for predicting anastomotic leak: a clinical study. Sci Rep 16, 15518 (2026). https://doi.org/10.1038/s41598-026-44402-x

Ключевые слова: анастомотический свищ, квантовое машинное обучение, колоректальная хирургия, клиническое предсказание риска, медицинский ИИ