Учёные Сыктывкарского государственного университета имени Питирима Сорокина вместе с коллегами представили ИИ-модель на базе машинного обучения для оценки риска смерти у пациентов с острым коронарным синдромом. Система должна помогать врачам уже при госпитализации и, по данным авторов, точнее классической шкалы GRACE. Следующий этап, как говорят исследователи, — мультицентровые клинические испытания.
Для обучения и проверки модели авторы использовали данные более 14 тыс. пациентов, в финальный массив вошли сведения о 13,3 тыс. человек. Алгоритм учитывал 28 клинических параметров, в том числе возраст, гемодинамические показатели и лабораторные данные. Лучший результат показала ансамблевая модель CatBoost: её AUC-ROC составил 0,961 против 0,919 у GRACE.
Исследователи отдельно сделали акцент на интерпретируемости. С помощью метода SHAP они выделили факторы, которые сильнее всего влияли на прогноз: фракцию выброса левого желудочка, класс сердечной недостаточности и артериальное давление. Это важный пункт для медицинских ИИ-систем, которым недостаточно просто выдать число риска, врачам нужно видеть, за счёт чего оно получено.
Шкалу GRACE применяют в кардиологии с начала 2000-х для стратификации риска при ОКС, и именно с такими инструментами обычно сравнивают новые алгоритмы. В последние годы похожие модели на базе машинного обучения тестируют и за рубежом, включая работы на массивах MIMIC и национальных кардиологических регистрах, где ИИ нередко показывает выигрыш по точности, но упирается в проблему внешней валидации. Иными словами, модель может хорошо работать на одном наборе данных и заметно хуже на пациентах из другой клиники.
Для России тема чувствительна и без технологических оговорок. Сердечно-сосудистые заболевания остаются основной причиной смертности в стране, а острый коронарный синдром требует решения в первые часы, когда цена ошибки особенно высока. Если мультицентровая проверка подтвердит результат, такие системы могут перейти из академических публикаций в больничные ИТ-контуры, где от моделей ждут не красивого AUC, а снижения осложнений и летальности.