Прогностическая модель тромбоза, связанного с PICC, у пациентов с сепсисом на основе алгоритма XGBoost

Почему это важно для пациентов и их семей

Многие люди с угрожающими жизни инфекциями, такими как сепсис, зависят от длинных гибких трубок, вводимых в вены, чтобы получать лекарства и питание. Эти линии, называемые PICC, жизненно важны, но иногда могут вызывать опасные кровяные сгустки. В исследовании показано, как врачи использовали современный вычислительный подход для прогнозирования, у каких пациентов с сепсисом наиболее вероятно образование тромбов вокруг таких линий, с целью предотвратить осложнения до их появления.

Катетеры, которые помогают, но иногда вредят

Пациентам с сепсисом часто требуются недели внутривенных антибиотиков, жидкостей и питания. Периферически установленный центральный катетер (PICC) вводят через вену в руке и направляют к сердцу, чтобы это было возможно. Несмотря на удобство, PICC могут нарушать кровоток и раздражать стенку сосуда, что способствует образованию тромбов. Такие сгустки могут блокировать вены, удлинять пребывание в отделении интенсивной терапии и в тяжелых случаях отрываться и попадать в легкие. До настоящего времени клиницистам было трудно заранее определить, у каких пациентов риск выше, поскольку одновременно вовлечены многие разные состояния здоровья и показатели крови.

Использование больших данных и умных алгоритмов

Исследователи использовали крупную открытую базу данных критической помощи из крупного американского госпиталя, содержащую подробные записи более чем о 94 000 случаев стационарного лечения в отделении интенсивной терапии в период с 2008 по 2022 год. Из этого ресурса они выделили 8 128 взрослых с сепсисом, у которых PICC находился не менее двух дней и которые не имели некоторых осложняющих состояний, таких как злокачественные заболевания крови. Среди этих пациентов у 538 развился тромб, связанный с катетером, большинство — в первый месяц после установки. Команду разделили на две группы: одну для обучения компьютерной модели и другую для проверки её работы на новых случаях.

Что модель выяснила о риске тромбов

Чтобы заметить закономерности, слишком сложные для простых правил, команда использовала подход XGBoost — вид машинного обучения, объединяющий множество небольших деревьев решений в единый сильный предиктор. Модели передавали информацию, которую врачи обычно собирают: возраст, пол, результаты анализов крови, сопутствующие заболевания и длительность нахождения PICC. Модель выдавала вероятность того, что у конкретного пациента разовьется тромб. Точность оценивали по площади под кривой оператора приём/ошибка (AUC), стандартной метрике для прогнозирующих инструментов. Значения около 0,76 как в обучающей, так и в тестовой выборках указывают, что модель хорошо различала пациентов с более высоким и более низким риском.

Заглядывая внутрь «черного ящика»

Обычное беспокойство в отношении машинного обучения заключается в том, что оно похоже на «черный ящик». Чтобы это прояснить, исследователи использовали метод интерпретируемости SHAP, чтобы оценить, насколько каждый фактор смещает предсказание в сторону повышенного или пониженного риска. Наиболее влиятельными признаками оказались количество лейкоцитов, число тромбоцитов, перенесённый инфаркт миокарда, гемоглобин, функция почек, время нахождения PICC, возраст, лёгкая болезнь печени, показатель свертываемости крови — протромбиновое время, и диабет без тяжёлых осложнений. В совокупности эти факторы рисуют картину возрастания риска тромбов при высокой воспалительной активности, нарушениях кроветворения и свертывания, а также при длительном нахождении катетера в вене. Анализ кривой принятия клинических решений дополнительно показал, что использование модели для выбора профилактики принесёт больше пользы пациентам, чем лечение всех подряд или никого.

Что это может значить у постели больного

В повседневной практике эта работа предполагает, что врачи могут использовать рутинно доступную информацию, чтобы оценить вероятность развития тромба, связанного с PICC, у пациента с сепсисом до появления проблем. Пациенты с высоким риском могли бы получить более тщательное наблюдение, сокращение времени нахождения катетера, особые типы катетеров или раннюю профилактическую антикоагулянтную терапию, в то время как пациенты с низким риском могли бы избежать ненужного лечения. У исследования есть ограничения — оно выполнено на данных одной системы госпиталей и основано на ретроспективных данных, а не на проспективном клиническом испытании — но это конкретный шаг к более персонализированному и безопасному использованию жизнеобеспечивающих внутривенных линий у одних из самых тяжёлых пациентов.

Цитирование: Hao, W., She, Ty., Yuan, Zn. et al. A predictive model for PICC-related thrombosis in sepsis patients using XGBoost algorithm. Sci Rep 16, 14378 (2026). https://doi.org/10.1038/s41598-026-44999-z

Ключевые слова: сепсис, PICC — катетер, кровяной тромб, машинное обучение, реанимация