Recipe.Ru

ИИ по данным рутинных анализов предсказывает органные осложнения у онкопациентов за месяцы до их обнаружения

ИИ по данным рутинных анализов предсказывает органные осложнения у онкопациентов за месяцы до их обнаружения
ИИ по данным рутинных анализов предсказывает органные осложнения у онкопациентов за месяцы до их обнаружения

Модель обучена на 2 777 595 измерениях 39 рутинных лабораторных показателей от 3 905 пациентов с множественной миеломой (1 855 человек) или раком яичников (2 050 человек), лечившихся в одном центре в 2000–2026 годах. Лабораторные траектории нарезались на неперекрывающиеся интервалы по 10–30 дней. У пациентов с хотя бы одной входной последовательностью медиана составила 16 агрегированных временных точек за 1 091 день. Пропущенные значения восполнялись отдельной моделью импутации (процесс замены ошибочных или противоречивых значений в наборах данных), а по итоговому набору данных наблюдалось 43,1% записей «показатель – временная точка». Прогноз охватывал 162 диагноза в восьми категориях: миелодиспластические синдромы, сердечно-сосудистые заболевания, болезни почек, грибковые и бактериальные инфекции, метастатическую болезнь, диабет 2-го типа и смерть от любых причин.

По данным авторов, модель превосходила базовые показатели распространенности в 1,5–6,1 раза. AUROC (показатель качества в машинном обучении) по сгруппированным исходам составляла от 0,65 для диабета 2-го типа до 0,75 для грибковых инфекций. Наиболее выраженное относительное обогащение наблюдалось для редких исходов: 6,1 раза для миелодиспластических синдромов, 3,1 раза для грибковых инфекций, 2,5 раза для болезней почек и 2,1 раза для метастатической болезни. При раздельной оценке отдельных сердечно-сосудистых исходов обогащение оказывалось выше, чем для группы в целом: 2,5 раза для хронической ишемической болезни сердца, 2,8 раза для фибрилляции предсердий и 3,3 раза для сердечной недостаточности. Авторы отдельно оговаривают, что при низкой распространенности высокие коэффициенты обогащения соответствуют скромной абсолютной точности, поэтому наряду с AUROC для всех исходов приводится редкие положительные случаи.

При оценке по горизонтам прогноза от 10 до 720 дней AUROC постепенно снижалась – с 0,682 на 10 днях до 0,644 на 720 днях. Болезни почек, метастатическая болезнь и грибковые инфекции сохраняли наибольшую дискриминацию на длинном горизонте (0,741, 0,725 и 0,752 соответственно), сердечно-сосудистые заболевания снижались с 0,787 до 0,682, а бактериальные инфекции и диабет 2-го типа – круче. Чтобы исключить эффект анализов, назначенных в контуре обследования, которое само привело к постановке диагноза, последовательности переоценивались после исключения событий в течение 30, 60, 90 и 180 дней от конца входного окна: дискриминация сохранялась на каждом разрыве для всех восьми групп, и ни один доверительный интервал не включал 0,5.

Биологическую осмысленность сигнала авторы проверяли, оценивая модель отдельно на подкогортах миеломы и рака яичников. Пять из восьми исходов генерализовались между подкогортами с разницей AUROC не более 0,07. Расхождения концентрировались в болезнеспецифичных осложнениях: аспергиллез легких фиксировался только в подкогорте миеломы (AUROC 0,84), кандидоз – в обеих (0,71 и 0,77), болезни почек показали умеренный разрыв (0,69 против 0,79), смерть от любых причин – разрыв в обратную сторону (0,76 против 0,63), а миелодиспластические синдромы разделились наиболее резко (0,93 против 0,50) при ограниченном числе случаев.

Робастность проверялась удалением пола, возраста, обоих признаков и лабораторной импутации: на внутреннем тестовом наборе каждое изменение сдвигало медианную AUROC менее чем на 0,005, тогда как ансамблирование давало −0,037; на внешних когортах те же абляции влияли сильнее, а общая дискриминация была ниже. Результат оставался устойчивым к схеме сэмплирования входных данных. Авторы подчеркивают, что модель использует только стандартные лабораторные панели, которые и так выполняются при онкологическом лечении, и не требует дополнительных тестов.

Ограничения связаны с ретроспективным дизайном, данными одного центра, пропусками в измерениях и различиями в кодировании исходов между базами. Тем не менее, результаты указывают, что временная структура рутинных анализов несет сигнал о риске конкретных органных осложнений задолго до их клинической регистрации.

Ранее исследователи из IBM Research, Медицинской школы Икана при медцентре Маунт-Синай (США) и других структур разработали модель глубокого обучения, которая по Т1-взвешенным изображениям МРТ головного мозга оценивает индекс массы тела и извлекает связанные с ним мозговые сигнатуры. Работа опубликована в npj Digital Medicine. Обучение провели на 45 702 участниках из шести независимых когорт: UK Biobank, HCP, HCP-Aging, ADNI, PPMI и PREDICT-HD.

Exit mobile version