Иерархическая система раннего оповещения на базе искусственного интеллекта для снижения частоты ложных тревог при прогнозировании внутрибольничной смертности

Почему умные сигналы в больнице важны

Тому, кто хоть раз бывал в приемном отделении, знакома атмосфера хаоса: звонит аппаратура, персонал спешит, тяжелобольные поступают круглосуточно. Тем не менее самых опасных пациентов порой труднее всего заметить на ранней стадии, а компьютерные системы, призванные предупредить врачей, часто «кричат волком», давая гораздо больше ложных тревог, чем реальных экстренных ситуаций. В этом исследовании представлена новая рамочная система ИИ под названием AI-TEW, призванная сделать больничные системы оповещения точнее и тише — чтобы при срабатывании сигнала клиницисты обращали на него больше внимания.

Проблема избыточных предупреждений

Больницы все активнее используют компьютерные модели для прогнозирования пациентов, у которых есть риск умереть во время пребывания. На бумаге такие модели выглядят впечатляюще, чаще правильно ранжируя пациентов по риску. Но в реальных приемных отделениях внутрибольничные смерти редки — обычно менее 5 из 100 госпитализаций. Этот дисбаланс означает, что даже точная модель может давать гораздо больше ложных тревог, чем реальных. В прежних системах бывало так, что примерно 9 из 10 предупреждений «высокого риска» оказывались ошибочными. Такое лавинообразное количество сомнительных предупреждений приводит к «усталости от сигналов», когда медсестры и врачи теряют чувствительность и могут пропустить действительно критические случаи, скрытые в шуме.

Новая двухступенчатая страховка

Чтобы решить проблему, исследователи проанализировали 174 292 визита в отделения неотложной помощи в трех больницах Китая и США. Сначала они построили несколько моделей машинного обучения на основе стандартных данных электронных медицинских карт: возраст, способ прибытия, уровень сортировки пациента, жизненно важные показатели (например, давление и насыщение кислородом) и рутинные лабораторные тесты, такие как креатинин или лактат. Из семи протестированных подходов лучшей оказалась методика LightGBM, которая надежно отделяла выживших от умерших в разных больницах и временных периодах. Однако даже эта сильная модель при простом делении «высокий риск vs не высокий» по-прежнему давала слишком много ложноположительных прогнозов.

От одного громкого сигнала к уровням тревоги

Ключевая инновация AI-TEW — пересмотреть не только способ вычисления прогнозов, но и способ их использования. Вместо единого порога, помечающего пациента как «высокого» или «не высокого» риска, система формирует уровни. На этапе 1 каждому пациенту присваивается балл риска. На этапе 2 два порога разделяют эти баллы на низкий, средний и высокий уровни риска. Низкий уровень настроен быть очень безопасным — более 98–99 процентов пациентов в этой группе выживают — что позволяет клиницистам с уверенностью снижать интенсивность наблюдения. Высокий уровень намеренно узкий: он охватывает лишь небольшую долю пациентов, но содержит значительно большую долю реальных случаев смерти. В одной крупной больнице эта стратегия повысила долю истинно высоких рисков среди помеченных случаев (положительную прогностическую ценность) примерно с 11 процентов до примерно 40 процентов, при этом уровень «низкого риска» оставался очень обнадеживающим. Средняя группа дополнительно разбивается на подгруппы, позволяя больницам сопоставлять интенсивность наблюдения с реальной степенью обеспокоенности по каждому случаю.

Добавление медицинского «здравого смысла» с помощью больших языковых моделей

Даже с умными уровнями некоторые сигналы остаются спорными, особенно у пациентов с неполными или противоречивыми данными. Чтобы дополнительно уточнить предсказания, команда добавила третий слой на базе больших языковых моделей — того типа ИИ, который используется в продвинутых чатботах, но перенастроенного на медицинское рассуждение. Для каждого предупреждения о высоком риске эти модели анализируют ключевые находки пациента и выдают один из трех ответов: фактически «да, это действительно выглядит высоким риском», «нет, это вряд ли так опасно, как помечено», или «неопределенно, требуется дополнительная проверка человеком». В внутренних и внешних тестах все языковые модели сохранили высокую чувствительность, то есть они редко пропускали истинные смерти, но несколько моделей заметно сократили число ложных тревог. Одна модель, MedGemma, повысила точность сигналов высокого риска до почти одного корректного случая из двух — значительное улучшение по сравнению с традиционными подходами.

Делаем баллы риска понятными у постели больного

Помимо сырых чисел, рамочная система делает акцент на объяснениях, которые клиницисты могут быстро понять. Авторы используют методику, разбивающую вклад факторов в риск каждого пациента, выделяя, например, что сочетание очень высокого лактата, низкого уровня альбумина и плохой функции почек сильно смещает прогноз в сторону опасности. Эти паттерны соответствуют устоявшимся медицинским знаниям, что успокаивает пользователей: система не опирается на загадочные или неправдоподобные сигналы. Затем языковые модели преобразуют эти факторы в короткие, простые тексты, описывающие, почему пациента отнесли к конкретному уровню риска и какие типы органной недостаточности или инфекции могут формироваться.

Что это означает для пациентов и персонала

Проще говоря, исследование показывает: в экстренной медицине приготовление полезного инструмента прогнозирования — это не только создание умной модели, но и доставка правильного сигнала нужному клиницисту в нужный момент. Сочетая сильные предсказания машинного обучения, иерархическую структуру, фокусирующую внимание там, где это наиболее нужно, и финальный «слой рассуждения», отсекающий слабые оповещения, AI-TEW превращает шумную, часто игнорируемую систему предупреждений в более надежный помощник. При принятии и проверке в реальной практике такие рамки могут помочь врачам вмешиваться раньше при действительно уязвимых пациентах, снизить излишнюю панику у стабильных и уменьшить когнитивную нагрузку на и без того перегруженные команды неотложной помощи.

Цитирование: Wu, L., Mai, L., Wang, H. et al. Artificial Intelligence-powered tiered early warning framework addressing high false alarm rates for in-hospital mortality prediction. npj Digit. Med. 9, 346 (2026). https://doi.org/10.1038/s41746-026-02522-8

Ключевые слова: сигналы приемного отделения, клиническое прогнозирование риска, медицинский искусственный интеллект, большие языковые модели, внутрибольничная смертность