Мультиклассовая система машинного обучения с учетом стоимости для послеоперационной нейрохирургической триажи (Neuro-TACTIC)

Почему это важно для пациентов и больниц

После операции по удалению опухоли мозга врачам нужно быстро решить, где пациенту восстанавливаться: в обычной палате, в отделении промежуточной помощи или в отделении интенсивной терапии. Отправлять всех в реанимацию кажется самым безопасным вариантом, но это очень дорого и перегружает ограниченный персонал. Отправлять слишком мало пациентов туда можно упустить ранние признаки серьёзных осложнений. В этом исследовании представлен новый компьютерный инструмент под названием Neuro-TACTIC, который призван помочь больницам прозрачно и гибко балансировать безопасность пациентов и дефицит ресурсов.

Проблема поиска подходящей койки

Нейрохирургические пациенты подвержены внезапным осложнениям, таким как кровотечение, отёк мозга или дыхательные проблемы. Поэтому во многих больницах по умолчанию помещают таких пациентов в отделение интенсивной терапии после операции, хотя на самом деле лишь меньшинству требуется такой уровень поддержки. Ранние инструменты прогнозирования в основном рассматривали решение как простую двоичную задачу: реанимация против всего остального. Они также оптимизировались по абстрактной статистической точности, не отражая чётко реальные последствия чрезмерного или недостаточного использования коек в реанимации.

Трёхступенчатая лестница ухода

Neuro-TACTIC переосмысливает задачу как трёхуровневую лестницу: обычная палата, отделение промежуточной помощи и отделение интенсивной терапии. Исследователи проанализировали записи 1 072 взрослых пациентов, которым планово удаляли опухоль мозга, а также дополнительную выборку из 81 пациента из более позднего периода. Для каждого человека они собрали 27 показателей, включая возраст, индекс массы тела, сопутствующие заболевания, размер и локализацию опухоли и подробности самой операции — например, её продолжительность и положение пациента. Затем они обучили модель машинного обучения (усиленные деревья решений) прогнозировать, какой уровень мониторинга действительно потребовался пациенту на основе событий и осложнений, возникших впоследствии.

Оценка стоимости коек и упущенных проблем

Ключевая идея Neuro-TACTIC — настраиваемый параметр, обозначенный ζ, который позволяет больнице выразить, как она ценит безопасность по сравнению с ресурсами. Модель использует две «невидимые» шкалы: одна описывает, насколько трудозатратно каждое звено ухода, используя соотношение медсестра:пациент в качестве прокси для стоимости; другая описывает, насколько вредно, если пациента, нуждающегося в более высоком уровне ухода, поместили слишком низко. Смешивая эти две шкалы с помощью ползунка ζ, инструмент можно настроить так, чтобы он в большей степени экономил время персонала или минимизировал пропущенные осложнения. При очень низком значении ζ модель почти всех направляет в обычную палату. По мере увеличения ζ больше пациентов сначала направляется в промежуточную помощь, а при более высоких значениях — в реанимацию. Важно, что такое плавное поведение было похоже как в основной, так и в независимой группах пациентов, что говорит о стабильности правил, а не их хрупкости.

Чему компьютер научился о риске

Чтобы система оставалась понятной, команда изучила, какие характеристики пациентов сильнее всего влияют на решения модели. При разных способах измерения важности пять факторов постоянно выделялись: продолжительность операции, размер опухоли, положение пациента во время операции, индекс массы тела и возраст. Длительные операции и большие опухоли сдвигали прогноз в сторону более интенсивного мониторинга. Эти результаты согласуются с предыдущими медицинскими исследованиями, которые также отмечали эти факторы как ключевые показатели риска, что повышает доверие к поведению модели. Однако некоторые из этих данных — особенно окончательная продолжительность операции — известны только по завершении процедуры, поэтому текущая версия лучше подходит для решения о размещении пациента сразу после операции, а не для планирования за несколько дней до неё.

К чему это ведет дальше

Neuro-TACTIC пока не готов самостоятельно руководить уходом, но показывает, что трёхуровневый настраиваемый подход к послеоперационному размещению технически осуществим. Модель достигает умеренной точности при разделении пациентов на низкий, средний и высокий риск и ведёт себя последовательно при перемещении ползунка «безопасность против стоимости». Для пациентов и больниц долгосрочное обещание — это инструмент поддержки принятия решений, который можно адаптировать под местный уровень персонала и готовность к риску, помогая гарантировать, что койки реанимации достаются тем, кто в них наиболее нуждается, в то время как другие безопасно восстанавливаются в менее интенсивных условиях. Прежде чем это станет возможным, авторы подчёркивают необходимость больших многоцентровых исследований и практических испытаний, чтобы подтвердить как клинические преимущества, так и экономию ресурсов.

Цитирование: Naser, P.V., Fischer, M., Peregrino, R.D. et al. A cost-sensitive multiclass machine learning framework for postoperative neurosurgical triage (Neuro-TACTIC). Sci Rep 16, 9847 (2026). https://doi.org/10.1038/s41598-026-45092-1

Ключевые слова: нейрохирургическая триажа, отделение интенсивной терапии, послеоперационный мониторинг, машинное обучение, распределение медицинских ресурсов