Модель машинного обучения для прогнозирования послеоперационного сепсиса у острых хирургических пациентов: многоцентровое проспективное исследование

Почему это важно для пациентов и их семей

Сепсис — это угрожающая жизни реакция на инфекцию, которая может развиться после экстренной операции, особенно у пожилых людей. Врачи знают, что раннее выявление риска сепсиса может спасти жизни, но тяжело оценить, кто наиболее уязвим в спешке перед срочной операцией. В этом исследовании изучается, может ли компьютерное распознавание закономерностей, отрасль искусственного интеллекта, называемая машинным обучением, просеять рутинные больничные данные и отметить пожилых пациентов, у которых с высокой вероятностью разовьется сепсис после экстренной операции, давая командам дополнительное время для действий.

Сепсис и опасности после экстренной операции

Сепсис — одна из ведущих причин смерти в мире, связанная с миллионами случаев и несколькими миллионами смертей ежегодно. Экстренная операция добавляет дополнительную нагрузку: пациенты часто бывают старше, более истощённые и уже тяжело больны к моменту поступления в операционную. Инфекции могут развиться или быстро ухудшиться после вмешательства, а симптомы порой похожи на нормальное послеоперационное восстановление, пока состояние пациента внезапно не ухудшается. Традиционные контрольные списки и шкалы помогают, но они не были специально разработаны для пожилых людей, которым требуется срочная операция, и могут пропускать тех, кто находится в наибольшей группе риска.

Превращение рутинных больничных данных в ранние сигналы тревоги

Исследователи использовали данные большого итальянского исследования пациентов в возрасте 65 лет и старше, перенесших экстренные операции в 29 больницах. Из более чем 150 зарегистрированных показателей они сосредоточились только на сведениях, доступных до операции: возраст, сопутствующие заболевания, функциональное состояние, жизненные показатели, базовые анализы крови и показатели хрупкости. Пациентов пометили как с сепсисом или без него на основе прикроватной шкалы qSOFA, которая использует частоту дыхания, артериальное давление и умственное состояние для выделения опасной инфекции. Всего было проанализировано 2563 пациента, из которых 119 соответствовали критериям сепсиса после операции.

Как строились и тестировались компьютерные модели

Команда сравнила несколько типов моделей машинного обучения, включая логистическую регрессию, метод k ближайших соседей, случайные леса и градиентный бустинг. Чтобы не вводить себя в заблуждение, они использовали строгий двухслойный метод тестирования, известный как вложенная кросс-валидация: в каждом прогоне часть пациентов выделялась как тестовая группа, а модели настраивались только на оставшихся данных. Также учитывали редкость сепсиса, аккуратно балансируя набор данных, восполняя небольшие пробелы в информации и стандартизируя измерения. Оценка качества производилась с помощью привычных показателей: точности (насколько модель права в целом), чувствительности и специфичности, которые показывают, как часто модель правильно выявляла или исключала сепсис.

Что модели показали о риске сепсиса

Все модели машинного обучения явно превзошли простую стратегию, предполагающую, что у никого не разовьется сепсис. Среди отдельных моделей случайные леса и градиентный бустинг показали лучшее сочетание выявления сепсиса и минимизации ложных тревог, с общей точностью выше 95 процентов и высокой способностью отличать пациентов высокого риска от низкого. Исследователи также объединили четыре основных модели в ансамбль, который принимал решение по большинству голосов их прогнозов. Этот комбинированный подход достиг очень высокой точности, хорошей чувствительности и отличного уровня уверенности при объявлении пациента низкорисковым: очень немногие люди, у которых позже развился сепсис, были пропущены системой раннего предупреждения.

Что это может значить в больнице

Если это подтвердят в будущих исследованиях, такой инструмент оценки риска до операции мог бы предоставить хирургическим командам практический чек-лист на основе данных. До того как пожилой человек попадёт в операционную, модель могла бы тихо просканировать его рутинную информацию и предложить, кому требуется более тщательное наблюдение, ранняя антибиотикотерапия или иное послеоперационное сопровождение. Это могло бы помочь решать, в каком отделении пациенту восстанавливаться — обычной палате или в более интенсивном звене — и сосредоточить ограниченные кадры и ресурсы на тех, кто с наибольшей вероятностью разовьёт серьёзную инфекцию. Исследование не утверждает, что модель готова к повседневному использованию прямо сейчас, но показывает, что машинное обучение может превратить уже собираемую при экстренной операции информацию в значимые ранние предупреждения о риске сепсиса.

Цитирование: Fransvea, P., Liuzzi, P., Costa, G. et al. A machine learning model for post-operative sepsis prediction in acute surgical patients: a multi-centre, prospective study. Sci Rep 16, 15651 (2026). https://doi.org/10.1038/s41598-026-46040-9

Ключевые слова: послеоперационный сепсис, экстренная хирургия, пожилые пациенты, машинное обучение, прогнозирование риска