Прогнозирование концентрации тромбоцитов по измерениям ROTEM с помощью машинного обучения

Почему важны быстрые проверки тромбоцитов

Когда у пациента идёт кровотечение во время операции или в отделении интенсивной терапии, врачам нужно быстро решить, следует ли проводить переливание тромбоцитов, чтобы помочь крови свернуться. Стандартные лабораторные тесты точно считают тромбоциты, но часто занимают час и более, замедляя срочные решения. Прикроватные устройства, отслеживающие образование сгустка в реальном времени, работают гораздо быстрее, однако они не показывают напрямую, сколько тромбоцитов в крови. В этом исследовании проверяют, могут ли компьютерные модели преобразовать эти быстрые прикроватные измерения в надёжную информацию о критически низких уровнях тромбоцитов.

Краткий взгляд на свертывание в реальном времени

Современные тесты у постели пациента, такие как ротационная тромбоэластометрия (ROTEM), наблюдают за тем, как образуется сгусток от первых признаков свертывания до момента, когда сгусток становится плотным, а затем разрушается. Эти тесты дают кривые и числовые показатели, отражающие прочность и устойчивость сгустка, но не фактическое количество тромбоцитов. Ранее исследования показали, что некоторые показатели ROTEM связаны с уровнем тромбоцитов, однако простые формулы на основе одного значения ROTEM недостаточно точно предсказывали количество тромбоцитов для принятия клинических решений. Авторы поставили вопрос, смогут ли более продвинутые компьютерные методы, учитывающие множество признаков ROTEM одновременно, добиться лучшего результата.

Построение компьютерных моделей на данных больниц

Команда собрала 2333 парных анализа крови из четырёх университетских больниц, все они были взяты у хирургических или реанимационных пациентов в период с 2014 по 2023 год. Для каждого случая у них был полный набор измерений ROTEM и лабораторный подсчёт тромбоцитов, выполненный в течение трёх часов. После тщательной очистки данных и заполнения пропусков они подали 29 связанных с ROTEM переменных в несколько методов машинного обучения. Некоторые модели пытались предсказать точную концентрацию тромбоцитов, в то время как другие решали более простые вопросы: ниже ли количество тромбоцитов 100 миллиардов на литр или ниже 50 миллиардов на литр — уровни, которые широко используются в качестве порогов безопасности при операциях и критическом кровотечении.

Насколько хорошо модели считали тромбоциты

При попытке оценить точное количество тромбоцитов все модели машинного обучения превзошли старые однострочные формулы, основанные на одном значении ROTEM. Лучший подход, стековый ансамбль, объединяющий несколько методов, по-прежнему демонстрировал лишь умеренную точность. Его прогнозы в среднем отличались от истинного количества примерно на 40 миллиардов тромбоцитов на литр, что авторы считают слишком неточным для уверенного принятия решений о дозировании. Графики сопоставления прогнозируемых и реальных показателей, а также статистические проверки смещения и разброса подтвердили, что модели часто ошибались для отдельных пациентов, даже если улавливали общие тенденции.

Лучше получается обнаруживать критически низкие уровни

Гораздо лучше модели справлялись с более простой и клинически важной задачей: помечать пациентов с явно низким количеством тромбоцитов. Для обнаружения показателей ниже 100 миллиардов на литр модели случайного леса и ансамблевые модели достигали высоких значений стандартной меры качества теста — площади под кривой. Они особенно хорошо подходили для исключения низких тромбоцитов: при «безопасном» результате вероятность того, что пациент действительно выше порога, была очень высокой. Результаты были ещё сильнее для обнаружения уровней ниже 50 миллиардов на литр, где ансамблевая модель снова выделялась. Эти выводы сохранялись при разных способах оценки точности и явно превосходили полагание на единственное значение, выведённое из ROTEM.

Что это может значить у постели пациента

Авторы заключают, что текущие модели машинного обучения пока недостаточно точны, чтобы заменить лабораторный подсчёт тромбоцитов, поскольку их оценки точного числа слишком разнообразны для отдельных пациентов. Однако те же модели очень хорошо отвечают на двоичный вопрос — опустились ли тромбоциты ниже ключевых порогов безопасности. В ситуациях с срочным кровотечением такое быстрое прикроватное руководство может помочь врачам безопасно отложить или избежать переливания тромбоцитов, пока они ждут лабораторных результатов, сокращая как задержки в лечении, так и ненужное воздействие препаратов крови.

Цитирование: Brooks, R., Noitz, M., Mahečić, T.T. et al. Machine learning based prediction of platelet concentration from ROTEM measurements. Sci Rep 16, 15854 (2026). https://doi.org/10.1038/s41598-026-45743-3

Ключевые слова: количествo тромбоцитов, тромбоцитопения, ROTEM, машинное обучение, переливание тромбоцитов