Прогнозирование связанных с антибиотиками кожных побочных реакций с помощью фундаментальных моделей электронных медицинских записей

Почему важно предсказывать лекарственные сыпи

Те, у кого после приёма лекарства появлялась сыпь, знают, насколько это может пугать. В большинстве случаев кожные реакции лёгкие и проходят сами по себе. Но в редких случаях они могут перерасти в угрожающие жизни состояния, поражающие большие участки кожи и требующие интенсивной терапии. Антибиотики — одни из препаратов, чаще всего связанных с такими реакциями, однако врачи пока не располагают надёжными способами заранее определить, какие пациенты находятся в группе повышенного риска. В этом исследовании проверяли, могут ли закономерности, скрытые в рутинных больничных записях, помочь предсказать, у кого с большой вероятностью появится кожная реакция, ещё до её возникновения.

Кожные реакции на лекарства

Проблемы с кожей — самый частый заметный побочный эффект лекарств. Они варьируются от зудящих красных высыпаний до опасных заболеваний, таких как синдром Стивенса — Джонсона и токсический эпидермальный некролиз, которые могут приводить к летальному исходу. Антибиотики, в частности широко применяемые группы вроде пенициллинов и родственных им препаратов, часто выступают триггерами. Хотя тяжёлые реакции редки, любое серьёзное лекарственное осложнение может удлинять время госпитализации, повышать затраты и в худших случаях приводить к смерти. Несмотря на это, не существует стандартного скринингового теста, который больницы могли бы применить ко всем пациентам для прогнозирования кожных нежелательных реакций, особенно связанных с антибиотиками.

Преобразование больничных записей в подсказки

Современные больницы хранят огромные объёмы информации в электронных медицинских записях: диагнозы, результаты анализов крови, назначенные лекарства и процедуры, часто собираемые на протяжении многих лет. В этом исследовании учёные рассматривали эти длинные последовательности медицинских кодов как строки текста в документе. Они использовали «фундаментальные модели», заимствованные из обработки языка — системы, которые учатся общим закономерностям на больших наборах данных и затем могут донастраиваться под конкретные задачи. Команда проанализировала записи более 800 000 взрослых госпитализированных пациентов в трёх крупных корейских больницах, которые находились в стационаре не менее трёх дней и получали антибиотики. Чтобы надёжно выявлять кожные реакции, исследователи опирались не только на коды диагнозов: они также извлекали данные из сестринских записей и структурированных утверждений медсестёр, где фиксировались наблюдения вроде наличия сыпи или крапивницы.

Построение и тестирование модели прогнозирования

Исследователи сравнили несколько подходов: от классических методов машинного обучения, таких как случайные леса, до глубоких нейронных сетей и трёх различных фундаментальных моделей для медицинских записей. Для каждого пациента модели должны были принять решение в момент последнего назначения антибиотика — произойдёт ли кожная реакция в ближайшее время. Среди всех методов лучше всего показала себя модель под названием CDM-BERT, специально адаптированная к общему формату данных, используемому в больницах. Она с высокой точностью отличала будущие случаи сыпи от несобытий в больнице, на которой проходило обучение, и сохранила сильную производительность при переносе, без дополнительной донастройки, в две другие больницы с несколько отличающимися данными.

Что модель «узнала» о рисках

Чтобы проверить, обращала ли модель внимание на медицински значимые факторы, а не на случайный шум, команда проанализировала части записей, которые наиболее сильно влияли на её решения. Наибольшую важность модель приписывала состояниям, известным своей связью с лекарственными реакциями — таким как рак, хроническая болезнь почек и хроническая болезнь печени — а также отдельным категориям препаратов, включая антибиотики и противоэпилептические средства. Любопытно, что в одной из больниц, где коды лекарств не совпадали с кодами места обучения, модель всё равно работала хорошо, опираясь больше на результаты анализов и историю заболеваний, что показало её способность адаптироваться к разным средам данных. Исследователи также разделили реакции на «немедленные» (возникающие вскоре после дозы) и «отложенные» (появляющиеся после более длительного воздействия). Модель была более уверенной и стабильной при прогнозировании отложенных реакций, которые в настоящее время труднее всего предсказать традиционными тестами.

Ограничения, проблемы и дальнейшие шаги

Несмотря на обнадёживающие результаты, модель пока не умеет точно определять, какой именно антибиотик виновен, и не может разделять лёгкие высыпания и редкие, но разрушительные тяжёлые кожные реакции, требующие неотложной специализированной помощи. Исследование также проводилось в больницах одной страны, и имелись технические сложности, такие как различия в системах кодирования лекарств и необходимость использовать поисковые правила для анализа свободного текста сестринских отчётов. Кроме того, перевод внутренних «внимательных» паттернов модели в простые клинические правила остаётся сложной задачей, а подход в основном фокусировался на относительно лёгких кожных проблемах, а не на полном спектре тяжёлых реакций.

Что это значит для пациентов и клиницистов

Работа показывает, что тщательное объединение рутинных больничных данных и наблюдений медицинского персонала с помощью продвинутых компьютерных моделей позволяет оценить риск пациента развития кожной реакции, связанной с антибиотиками, особенно медленно развивающихся реакций, для которых нет надёжных лабораторных тестов. На практике такой инструмент мог бы помочь врачам отмечать пациентов с повышенным риском для более тщательного наблюдения, выбора альтернативных препаратов или более осторожного дозирования, в то время как у большинства пациентов сохранится стандартная тактика лечения. Исследование — шаг к тому, чтобы превратить «цифровой след» повседневной медицинской практики в защитную сеть, которая раньше выявляет серьёзные лекарственные реакции и потенциально предотвращает вред до появления симптомов на коже.

Цитирование: Kim, J., Kim, K., Yun, JE. et al. Prediction of antibiotic-associated cutaneous adverse drug reactions using electronic health record foundation models. npj Digit. Med. 9, 311 (2026). https://doi.org/10.1038/s41746-026-02503-x

Ключевые слова: побочные эффекты антибиотиков, лекарственная кожная сыпь, электронные медицинские записи, медицинское ИИ-прогнозирование, нежелательные реакции на лекарства