Ранняя диагностика аксиального спондилоартрита в первичной медпомощи с помощью мультиагентных систем

Почему боли в спине требуют более умной помощи

Хроническая боль в пояснице настолько распространена, что многие люди — и даже занятые семейные врачи — могут не заметить ту небольшую группу пациентов, у которых на самом деле развивается серьёзное воспалительное поражение позвоночника, называемое аксиальным спондилоартритом. Это заболевание может годами тихо разрушать сочленения нижнего отдела позвоночника, прежде чем его распознают, оставляя пациентов нетрудоспособными именно в те десятилетия жизни, когда они должны быть наиболее активны. Исследование, лежащее в основе этой статьи, анализирует, может ли «команда» цифровых ассистентов на базе ИИ помочь врачам первичного звена раньше выявлять таких пациентов и направлять их к специалистам вовремя, чтобы предотвратить долгосрочный вред.

Скрытое заболевание за повседневной болью в спине

Аксиальный спондилоартрит, или axSpA, часто начинается у молодых взрослых с болей в спине, которые длятся месяцами, уменьшаются при движении и усиливаются ночью. Хотя его распространённость в мировом масштабе относительно невысока, почти у половины нелеченных пациентов развивается инвалидность в течение трёх лет и примерно у 70% — к пяти годам. Тем не менее заболевание обычно диагностируется почти через семь лет после начала симптомов. Одной из главных причин является то, что врачи первичного звена, которые первыми видят большинство пациентов с болью в спине, не всегда знакомы с ранними признаками или с интерпретацией специализированных МРТ-исследований крестцово-подвздошных суставов — небольших суставов у основания позвоночника, где обычно начинается болезнь. В результате многие люди метаются между клиниками и обследованиями, прежде чем кто-то поймёт, что на самом деле происходит.

Команда ухода на базе ИИ, сложенная из нескольких цифровых «агентов»

Чтобы решить эту проблему, исследователи создали систему под названием SpAgents — согласованную группу компонентов ИИ, которые сотрудничают как члены клинической команды. PlannerAgent управляет разговором с врачом и решает, что нужно сделать дальше. DataAgent просеивает электронные медицинские карты, собирая симптомы, лабораторные данные и текстовые отчёты по МРТ. ToolAgent запускает специализированную модель для анализа изображений, которая читает МРТ крестцово-подвздошных суставов и выдаёт стандартизованный балл отёка костного мозга — ключевого признака активного воспаления. Наконец, DoctorAgent оценивает всю эту информацию и предлагает один из трёх исходов: axSpA, не axSpA или «не уверен», вместе с объяснением и рекомендациями по дальнейшим тестам или направлениям к специалистам.

Тестирование системы на реальных пациентах и реальных врачах

Команда оценивала SpAgents с использованием данных 596 человек с подозрением на axSpA, взятых из одной основной больницы и пяти дополнительных центров. Эти случаи разделили на тренировочную выборку, валидационную и независимую тестовую. По всем группам SpAgents выявляла axSpA с высокой чувствительностью (примерно 86–94% истинных пациентов правильно отмечены) и надёжной специфичностью (около 74–87% не‑пациентов правильно заверены в отсутствии болезни). При прямом сравнении с семью врачами — тремя терапевтами первичного звена, тремя ревматологами с разным уровнем опыта и одним ортопедом — SpAgents соответствовала результатам старших специалистов и явно превосходила менее опытных клиницистов по чувствительности и общей точности.

Обучаясь на опыте и рациональнее используя изображения

Помимо чистой точности, систему спроектировали так, чтобы она вела себя скорее как осторожный клиницист, чем как строгий калькулятор. Модуль долговременной памяти хранит ранее подтверждённые случаи, чтобы ИИ мог «вспоминать» похожие ситуации при встрече с новым пациентом, постепенно улучшая свои суждения со временем. Добавление этой памяти увеличивало и чувствительность, и точность по всем наборам данных. Модуль ToolAgent, работающий с изображениями, также сыграл важную роль: применение специализированной модели МРТ для количественной оценки воспаления в крестцово-подвздошных суставах повысило способность системы избегать ложных тревог, при этом не пропуская настоящие случаи болезни. Исследователи дополнительно имитировали практику реального мира, подавая SpAgents разные уровни информации — от только анамнеза пациента до полного набора лабораторных и МРТ-данных. По мере добавления данных доля ответов «не уверен» резко падала, а точность росла, что подчёркивает вклад маркеров крови, генетических тестов и МРТ в более ясную картину.

Помощь врачам первичного звена в более ранних и безопасных решениях

Возможно, что наиболее впечатляет: когда врачи первичного звена и начинающие ревматологи повторяли свои оценки с помощью SpAgents, их чувствительность и точность заметно выросли — и эти улучшения сохранялись даже через три месяца. Иными словами, система ИИ не только служила вторым мнением; она также выступала как тренировочный партнёр, закрепляя хорошие диагностические привычки. Авторы отмечают, что у SpAgents всё ещё есть ограничения — например, трудности с отличием всех типов костных изменений на МРТ и потребность в более глубокой интеграции с ИТ-системами больниц — но система уже предоставляет точную и недорогую поддержку на реальных клинических данных. Для пациентов с упрямой болью в спине такой ИИ‑ассистент может означать разницу между годами неопределённости и своевременным диагнозом, который сохраняет подвижность позвоночника и качество жизни.

Цитирование: Ji, X., Li, Z., Zeng, L. et al. Early diagnosis of axial spondyloarthritis in primary care using multi-agent systems. npj Digit. Med. 9, 185 (2026). https://doi.org/10.1038/s41746-026-02372-4

Ключевые слова: аксиальный спондилоартрит, диагностика боли в спине, медицинский ИИ, мультиагентные системы, МРТ-изображения