Модель выживания на основе машинного обучения для персонализированной профилактики тромбоза, связанного с катетером, у пациентов с опухолями

Почему это исследование важно для пациентов с раком

Многие люди с раком полагаются на тонкие пластиковые трубки, установленные в крупных венах, чтобы получать химиотерапию и другие процедуры без частых уколов. Эти центральные линии повышают удобство, но могут также вызывать опасные тромбы вокруг катетера. Врачи в настоящий момент имеют мало надёжных инструментов, чтобы оценить, какие пациенты находятся в группе повышенного риска и когда безопаснее удалять катетер. В этом исследовании представлена модель на основе данных, которая стремится предсказать не только то, кто скорее всего разовьёт тромб, связанный с катетером, но и когда риск наиболее высок, чтобы уход можно было точнее адаптировать к каждому человеку.

Большой массив реальных данных пациентов

Для создания инструмента прогнозирования исследователи собрали данные о катетерах у 30 947 взрослых пациентов с раком, лечившихся в четырёх больницах Китая. У всех был подтверждённый злокачественный новообразование и по крайней мере одно ультразвуковое обследование после установки центральной линии. Для каждой установки катетера команда собрала 47 исходных признаков, включая возраст, пол, индекс массы тела, привычки курения и потребления алкоголя, сопутствующие заболевания, такие как гипертония или предшествующие тромбы, тип и стадия опухоли, сведения о самом катетере и обычные показатели крови. Они также фиксировали, какие противоопухолевые и таргетные препараты пациенты получали, пока катетер был установлен, и точно сколько дней каждый катетер оставался до удаления или до возникновения тромба.

Обучение модели отслеживать риск во времени

Вместо простого вопроса «да/нет» о том, произойдёт ли когда‑нибудь тромб, команда использовала подход выживания, который учитывает время от установки катетера до формирования тромба или до удаления катетера. Были обучены и сравнены несколько моделей выживания на основе машинного обучения. Итоговая модель, названная SM CRT, использует продвинутый метод бустинга и выдаёт два типа результатов для каждого пациента: единый риск‑балл, ранжирующий людей от меньшего к большему общему риску, и полную кривую, показывающую, как риск тромбообразования у человека повышается и снижается день за днём, пока катетер установлен. Модель была настроена и протестирована с жёсткой кросс‑валидацией, а затем оценена на трёх независимых тестовых группах, включая одну, где пациенты отслеживались во времени, чтобы уменьшить вероятность переобучения.

Кто в группе повышенного риска и когда риск достигает пика

Модель SM CRT показала хорошую способность разделять пациентов, у которых развились тромбы, и тех, у кого их не было, со значениями конкордантности около 0,7 во всех тестовых когортах. Анализ выявил несколько ясных паттернов риска. Некоторые типы катетеров, особенно вводимые через бедренную вену, ассоциировались с повышенным риском тромбообразования, в то время как имплантируемые порты и некоторые линии на руке были более защищающими при правильном расположении. Локализация опухоли также имела значение: опухоли в грудной области, например рядом с верхней полой веной, где часто располагается кончик катетера, несли больший риск по сравнению с опухолями в брюшной полости или таза, вероятно из‑за локального давления и факторов свертывания, выделяющихся около кончика катетера. Среди методов лечения в группу повышенного риска выделялись определённые классы химиопрепаратов, особенно алкилирующие агенты вроде платиновых препаратов, а также антиангиогенные препараты, тогда как стадия опухоли и многие рутинные маркеры крови оказались менее информативными.

Перевод предсказаний в решения о времени вмешательств

Ключевая инновация этой работы — использование полной кривой риска во времени, а не только единого балла. Для каждого пациента модель оценивает вероятностную кривую, показывающую шанс тромба в каждый день после установки. Исследователи сгладили эти кривые и определили персональное окно высокого риска как дни, когда предсказанный риск превышал половину индивидуального пикового значения. Дни до этого окна пометили как низкий риск, а дни после него — как долгосрочные. При сравнении с реальными исходами катетеры, удалённые в периоды, определённые моделью как периоды низкого риска или долгосрочные, имели значительно меньше событий тромбообразования на катетер‑день по сравнению с удалениями в предсказанный период высокого риска, даже с учётом различий между пациентами. Сочетание общего риск‑балла с временными окнами позволило тонко классифицировать пациентов, отличая тех, кто постоянно находится в группе высокого риска, от тех, чья опасность ограничена коротким временным интервалом.

Что это может значить для повседневной помощи

Для широкого читателя главный вывод таков: авторы разработали инструмент, который не только оценивает, насколько вероятен тромб, связанный с катетером, у конкретного онкологического пациента, но и указывает, когда этот риск наиболее высок. В будущем, если такая модель будет подтверждена в интервенционных испытаниях и интегрирована в клинические рабочие процессы, врачи могли бы использовать её для выбора наиболее безопасного типа катетера, планирования целевых УЗ‑контролей в предполагаемые дни высокого риска, корректировки антикоагулянтной терапии или раннего удаления катетера при пике риска. Хотя перед использованием в рутинной практике требуется дальнейшая проверка, это исследование показывает, что модели выживания на основе машинного обучения могут превращать большие больничные наборы данных в практические, чувствительные ко времени выводы, которые могут помочь снизить осложнения у пациентов, проходящих лечение рака.

Цитирование: Ge, H., Liu, Q., Xie, J. et al. Machine learning survival model for personalised prevention of catheter-related thrombosis in tumour patients. Commun Med 6, 304 (2026). https://doi.org/10.1038/s43856-026-01561-2

Ключевые слова: тромбоз катетера, онкологические пациенты, машинное обучение, прогнозирование риска, центральный венозный катетер