Ученые Петрозаводского государственного университета (ПетрГУ) совместно с зарубежными коллегами опубликовали в журнале Artificial Intelligence in Medicine исследование об объяснимой системе поддержки врачебных решений для выявления дисфункции правого желудочка (ДПЖ) у пациентов с острой тромбоэмболией легочной артерии (ТЭЛА).
В чем суть исследования? Команда разработала интерпретируемую модель на основе Binary Rule Search (BRS) — набора «простых правил» (комбинаций бинарных признаков 0/1), которая оценивает риск ДПЖ и при этом остается прозрачной для клинициста. Модель проверили на когорте 363 пациентов (разработка — 250, внешняя валидация — 113) с повторяющейся стратифицированной оценкой (500 повторов) и консервативной метрикой устойчивости SBRS.
Где применяется? В приемных отделениях, стационарах и отделениях неотложной помощи — как быстрый «второй взгляд» для ранней стратификации риска у пациентов с ТЭЛА, особенно в условиях ограниченных ресурсов. Авторы также подготовили офлайн-прототип CDSS (ввод данных через простую форму, формирование отчета).
В чем преимущество?
- Объяснимость: решение задается компактными правилами, которые можно клинически интерпретировать
- Мало признаков: лучшие комбинации включают 3–5 параметров; доминируют характеристики тромбоза и локализации тромба, а также коморбидности (сердечная недостаточность, гипертензия и др.).
- Робастность: отбор правил ориентирован не только на «среднюю точность», но и на надежность при переобучении/разбросе выборок (SBRS).
- Дополнение к клиническим шкалам: модель потенциально может выявлять «скрыто» высокорисковых пациентов помимо sPESI/BOVA.
ДПЖ при острой ТЭЛА связана с повышенным риском неблагоприятных исходов, поэтому быстрая и понятная оценка риска помогает раньше выделять пациентов, которым требуется более пристальное наблюдение и ресурсы (в т.ч. мониторинг). Авторы подчеркивают необходимость проспективной проверки и интеграции в медицинские информационные системы для безопасного внедрения.
Ученые Петрозаводского государственного университета совместно с коллегами из Турции разработали и протестировали объяснимую систему поддержки врачебных решений, которая помогает выявлять дисфункцию правого желудочка (ДПЖ) у пациентов с острой тромбоэмболией легочной артерии (ТЭЛА). Результаты опубликованы в международном журнале Artificial Intelligence in Medicine.
ДПЖ при острой ТЭЛА ассоциируется с повышенной краткосрочной смертностью, при этом в клинической практике требуется быстрое и прозрачное решение для стратификации риска. В представленном исследовании команда предложила интерпретируемую модель Binary Rule Search (BRS): алгоритм формирует набор простых логических правил на основе полностью бинаризованных клинических параметров (значения 0/1). Такой подход позволяет врачу видеть, какие именно сочетания факторов приводят модель к выводу о высоком риске, и сопоставлять это решение с клинической картиной.
Модель обучили и проверили на ретроспективной выборке из 363 пациентов (250 — выборка разработки, 113 — внешняя валидация). Для повышения надежности результатов использовали многократные стратифицированные разбиения и консервативную оценку устойчивости правил (SBRS), ориентированную на нижние доверительные границы качества. Среди ключевых предикторов ДПЖ наиболее выраженный вклад показали признаки, связанные с тромботической нагрузкой и анатомической локализацией тромба (в том числе поражение главной и/или обеих легочных артерий), а также ряд сопутствующих состояний — например сердечная недостаточность и артериальная гипертензия; дополнительную роль в отдельных конфигурациях играли возраст и некоторые коморбидности.
Отдельно исследователи отмечают практический сценарий применения: BRS-модель потенциально может дополнять клинические шкалы (например sPESI и BOVA), помогая обнаруживать пациентов с «скрытым» высоким риском, которые формально могут попадать в более благоприятные категории. В качестве шага к внедрению подготовлен офлайн-прототип CDSS, который работает на стандартном вводе данных и формирует краткий объяснимый отчет для врача. Для клинического использования авторы считают необходимыми проспективную многоцентровую валидацию и последующую интеграцию в электронные медицинские записи.
Работа поддержана грантом РНФ 22-11-00055-П
Подтверждение научного результата
- Статья: Artificial Intelligence in Medicine, Vol. 172, February 2026, 103337. DOI: https://doi.org/10.1016/j.artmed.2025.103337
Источник: Минобрнауки России
