Машинное обучение предсказывает траектории ухудшения при сепсисе

Почему это важно для пациентов и их семей

Сепсис — частое и нередко смертельное осложнение инфекции в отделении интенсивной терапии, и его течение может быстро меняться. Семьям и врачам порой трудно понять, кто из пациентов вернётся к норме, а кто движется к угрожающей жизни полиорганной недостаточности. В этом исследовании изучалось, могут ли компьютерные алгоритмы распознавать закономерности в постельных данных и прогнозировать направление болезни за несколько часов до того, как это станет очевидным, открывая окно для более раннего и целевого вмешательства.

Разные пути восстановления и ухудшения

Исследователи проанализировали записи почти 48 000 взрослых с сепсисом, лечившихся в отделениях интенсивной терапии в Китае и в крупных базах данных больниц США. Они изучали, как со временем менялись баллы функции органов и жизненные показатели, а не отдельные снимки состояния. С помощью статистических методов они обнаружили, что пациенты, как правило, следуют трем широким траекториям после поступления в ОРИТ: быстрое восстановление, медленное восстановление или постепенное клиническое ухудшение. Эти траектории были не просто ярлыками; они отражали явные различия в возрасте, сопутствующих заболеваниях, повреждении органов и выживаемости. Пациенты на траектории ухудшения были старше, имели больше хронических заболеваний и демонстрировали рост очков органной недостаточности и увеличенную потребность в аппаратах искусственной вентиляции лёгких и препаратах для поддержания давления.

Наблюдая ритмы тела

Помимо средних значений, таких как артериальное давление или частота сердечных сокращений, команда сосредоточилась на том, насколько эти сигналы меняются со временем. Они обнаружили, что «колебания» в частоте сердечных сокращений, известные как вариабельность сердечного ритма, содержат важные подсказки. Пациенты, у которых модель ритма сердца становилась слишком ровной, с минимальной естественной вариабельностью, имели более чем вдвое более высокий риск смерти в течение 28 дней по сравнению с теми, кто сохранял более гибкий ритм, даже с учётом возраста и тяжести заболевания. Похожий, хотя и менее выраженный эффект наблюдался для колебаний артериального давления и частоты дыхания. Эти результаты поддерживают идею о том, что здоровое тело имеет богатые, адаптивные ритмы, и что утрата этой сложности может предупреждать об надвигающемся крахе до появления традиционных признаков.

Обучение компьютеров раннему распознаванию опасности

Чтобы превратить эти закономерности в практический инструмент, исследователи создали ансамблевую модель машинного обучения — вид продвинутой программы, комбинирующей несколько методов прогнозирования. Она использовала как исходные данные, например возраст и тип инфекции, так и динамические признаки, такие как тренды, наклоны и вариабельность жизненных показателей и лабораторных тестов. Модель обучали в одной больнице, затем проверяли на последующей группе пациентов и в двух крупных общедоступных базах данных ОРИТ. Она с высокой точностью разделяла пациентов, которые впоследствии ухудшались, и тех, кто этого не делал, демонстрируя устойчивую работу в разных больницах, при разных типах инфекций и в различных возрастных группах. В среднем модель предупреждала об ухудшении примерно за 18 часов, а её оценки риска хорошо совпадали с реальными исходами.

Влияние на практическую помощь

Затем команда встроила модель в систему поддержки принятия решений у постели больного, которая распределяла пациентов по группам низкого, среднего и высокого риска на основе прогнозируемой траектории. Клиницисты следовали стандартизированным планам реакции для каждого уровня, например более тщательный мониторинг или более агрессивное лечение для тех, кого обозначили как вероятно ухудшающихся. После учета различий между пациентами те, за кем ухаживали с помощью системы, проводили в ОРИТ почти на два дня меньше, нуждались в механической вентиляции примерно на два дня меньше и имели на 5,7% меньшую вероятность смерти в течение 28 дней по сравнению с сопоставимыми пациентами, лечившимися до внедрения системы. Наибольшая польза наблюдалась у пациентов средней группы «медленного восстановления», которых раннее вмешательство, похоже, в меньшей степени вело к ухудшению.

Что это значит дальше

Это исследование показывает, что отслеживание того, как состояние пациента с сепсисом меняется во времени, и особенно того, как ритмы сердца и кровообращения теряют гибкость, может помочь компьютерам прогнозировать, кто скатывается к опасности. В сочетании с понятными протоколами у постели такие прогнозы были связаны с сокращением сроков пребывания в ОРИТ, меньшим временем на аппаратах дыхания и уменьшением числа смертей. Хотя работу ещё нужно проверить в рандомизированных исследованиях и в большем числе систем здравоохранения, это указывает на будущее, в котором умные, прозрачные инструменты мониторинга помогают врачам переходить от реактивной помощи к проактивному предотвращению кризисов.

Цитирование: Zhang, R., Long, F., Zhao, Z. et al. Machine learning predicts sepsis deterioration trajectories. npj Digit. Med. 9, 385 (2026). https://doi.org/10.1038/s41746-026-02565-x

Ключевые слова: сепсис, машинное обучение, мониторинг в ОРИТ, вариабельность сердечного ритма, клиническое ухудшение