Как в РФ развиваются методы медицинского прогнозирования. Обзор

Прогнозирование осложнений у детей

Одно из направлений разработок – прогнозирование рисков у новорожденных и детей с тяжелыми или хроническими заболеваниями. К таким методам относятся разработанные специалистами Кубанского госуниверситета по заказу Кубанского научного фонда метамодели на основе машинного обучения для прогнозирования гемодинамики в аорте у детей с врожденными пороками сердца. Исследователи установили зависимости скорости кровотока и давления от морфометрических характеристик аорты и на этой основе построили модель, способную прогнозировать гемодинамические параметры по данным о строении сосуда. По замыслу разработчиков, инструмент позволит повысить точность оценки состояния пациентов и снизить риск неблагоприятных клинических исходов.

Еще одним проектом в этой сфере стала работа Уральского ГМУ – сотрудники университета создали риск-калькулятор неблагоприятного неврологического исхода у новорожденных, перенесших асфиксию при рождении. Программа использует иммунологические и биохимические показатели пуповинной крови, а также данные, полученные на 5-7 сутки жизни. Система стандартизирует лабораторные показатели, определяет иммунологический паттерн и рассчитывает риск по нескольким уровням, после чего формирует автоматическое текстовое заключение.

Другая разработка Уральского ГМУ предназначена для прогнозирования артериальной гипертензии у детей в возрасте 12 месяцев, появившихся на свет в результате экстремально ранних преждевременных родов. Для расчета учитываются масса тела при рождении, наличие внутрижелудочковых кровоизлияний, систолическое артериальное давление и фракция изгнания в возрасте 6 месяцев. На основании этих параметров определяется прогностический индекс, позволяющий отнести ребенка к группе низкого или высокого риска. Авторы рассчитывают, что ранняя стратификация позволит своевременно определить тактику наблюдения и профилактики сердечно-сосудистых осложнений.

Прогностические инструменты разрабатываются и для инфекционных заболеваний. Научный центр проблем здоровья семьи и репродукции человека создал способ оценки тяжести сезонного гриппа у детей. Помимо клинических данных, метод учитывает уровни высокочувствительного С-реактивного белка, диеновых конъюгатов и кетодиенов-сопряженных триенов в плазме крови. На основании совокупности показателей рассчитываются два прогностических коэффициента, по соотношению которых определяется вероятность тяжелого или среднетяжелого течения инфекции.

Цифровизация прогнозирования

Отдельное направление развития прогнозирования в здравоохранении – создание программ, которые переводят прогностические модели непосредственно в цифровой формат и позволяют автоматизировать расчет индивидуального риска. Так, Кубанский ГМУ разработал модель ранней диагностики и прогнозирования тяжелого острого панкреатита. В нее вошли уровни интерлейкина-6, динамика интерлейкина-22, показатель тромбоэластографии и клиническая шкала BISAP. Внешняя валидация на 181 пациенте подтвердила высокую прогностическую способность модели: площадь под ROC-кривой составила 0,914, а при бутстреп-анализе – 0,935. При оптимальном пороге риска точность модели достигла 87,8%, специфичность – 86,8%, а чувствительность – 93,3%.

Для практического применения разработчики создали программу «Калькулятор риска тяжелого острого панкреатита», которая автоматически рассчитывает индивидуальную вероятность тяжелого течения заболевания. По замыслу авторов, такой инструмент может использоваться для определения интенсивности наблюдения, решения вопроса о раннем переводе пациента в отделение реанимации и профилактики осложнений.

Похожий подход применили специалисты Красноярского госмедуниверситета при создании программы для оценки риска местного рецидива немышечно-инвазивного рака мочевого пузыря. Основой для прогноза стал уровень белка сурвивина в моче. При его повышенной концентрации вероятность рецидива, согласно полученным исследователями данным, возрастала в 7,8 раза, а при гиперэкспрессии – в 46,8 раза. Программа учитывает концентрацию маркера и срок наблюдения и рассчитывает индивидуальный риск.

Еще одна прогностическая модель КрасГМУ предназначена для пациентов с псориазом. Она оценивает вероятность развития псориатического артрита и его различных клинических фенотипов. В расчет включены клинические и анамнестические характеристики, а также уровни экспрессии трех микроРНК. Для определения риска используется логистическая регрессия. Результат формируется в текстовом виде и может использоваться врачами-ревматологами и дерматологами при выборе дальнейшей тактики ведения пациента.

Прогнозирование в акушерстве и репродуктивной медицине

Значительная часть новых разработок связана с прогнозированием рисков во время беременности и при лечении бесплодия. Например, в Белгородском национальном исследовательском университете разработали генетический метод прогнозирования риска преэклампсии: он основан на исследовании полиморфизма генов, связанных с регуляцией артериального давления и концентрацией половых гормонов. Высокий риск предлагается определять при выявлении конкретной комбинации четырех полиморфных локусов. Метод предполагается использовать для формирования группы риска еще на доклиническом этапе и последующего проведения профилактических мероприятий.

Уральский НИИ охраны материнства и младенчества представил программу Omm repro predict для персонализированного прогнозирования исходов лечения глубокого инфильтративного эндометриоза у женщин репродуктивного возраста. В систему вошли четыре модели машинного обучения. Они позволяют оценивать риск снижения овариального резерва после операции, вероятность рецидива эндометриоза с учетом данных о микробиоте и иммуногистохимии, а также вероятность наступления беременности при ЭКО у пациенток с низким ответом яичников. На основании полученных оценок программа формирует индивидуальный лечебный алгоритм – в частности, рекомендации по банкингу ооцитов или эмбрионов, срокам хирургического вмешательства и выбору протокола ВРТ.

Кубанский ГМУ приступил к разработке методов раннего прогнозирования спонтанных экстремально ранних преждевременных родов. Исследователи планируют одновременно оценить материнские, плодовые и плацентарные маркеры, определяемые на сроке 18–27,6 недели беременности. На основании выявленных факторов риска предполагается создать модели, позволяющие заранее выделять беременных с высокой вероятностью экстремально раннего родоразрешения и направлять их в перинатальные центры.

Инструменты для диагностики и оценки исходов

Прогностические алгоритмы создаются не только для оценки риска тяжелого течения уже диагностированного заболевания. Некоторые разработки направлены на выявление патологии до ее выраженных клинических проявлений. Приволжский исследовательский медицинский университет (ПИМУ) разработал способ ранней диагностики и прогнозирования кариеса и гингивита на основе инфракрасной спектроскопии. Исследователи сформировали диагностические профили ротовой жидкости для здоровых людей и пациентов с предраковыми заболеваниями слизистой оболочки рта. Выявленные изменения метаболических компонентов позволяют использовать ИК-спектры как дополнительный критерий раннего выявления патологических процессов, в том числе на стадии отсутствия выраженных клинических проявлений.

Другой проект ПИМУ связан с прогнозированием синдрома полиорганной недостаточности после кардиохирургических операций с искусственным кровообращением. В первые два часа после вмешательства предлагается определять уровень лактата в артериальной крови, а также рассчитывать вазоактивно-инотропный индекс. Максимальное значение индекса за первые 12 часов используется совместно с уровнем лактата для стратификации риска. По данным разработчиков, метод позволяет прогнозировать органную дисфункцию до ее клинической манифестации с чувствительностью 82% и специфичностью 79%.

Еще одну разработку представил Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского Депздрава Москвы. Специалисты создали метод прогнозирования типа голосового расстройства: на основании акустического анализа голоса и расчета вероятности по оригинальной формуле пациента относят к одному из трех классов: норма, функциональная или органическая патология. Такой подход, по замыслу авторов, может снизить вероятность ошибок на первичном этапе диагностики.

Еще один пример – разработанный Новосибирским государственным университетом способ прогнозирования летального исхода у пациентов с острым коронарным и постковидным синдромом. В основу метода положено определение повышенного титра антиэндотелиальных антител. Полученный показатель предлагается использовать для выявления пациентов с повышенным риском и корректировки их ведения наряду со стандартной терапией ОКС.

В Томском НИМЦ создали способ прогнозирования распространения опухоли по воздушным пространствам у пациентов с немелкоклеточным раком легкого. Метод объединяет данные гистологического и иммуногистохимического исследований – степень дифференцировки опухоли и наличие CD68-положительных макрофагов – после чего вероятность распространения рассчитывается по специальной формуле.

Таким образом, представленные за последний месяц разработки демонстрируют общий сдвиг в сторону персонализированной оценки рисков. Если традиционные клинические шкалы чаще дают фиксированную оценку на основании ограниченного набора параметров, новые решения объединяют лабораторные, инструментальные, генетические и клинические данные и переводят их в индивидуальный прогноз.

При этом большинство таких разработок пока находятся на этапе научной или технологической апробации. Для их широкого внедрения требуется подтверждение эффективности на независимых когортах пациентов, оценка воспроизводимости результатов и клинической пользы, а для программных решений – интеграция в существующие информационные системы. В перспективе развитие таких инструментов может расширить возможности ранней стратификации пациентов и позволить врачам раньше определять группы повышенного риска, выбирать интенсивность наблюдения и своевременно корректировать тактику лечения.

Прогностическое направление медицины развивается и за рубежом: например, в августе 2026 года группа ученых из Университета Мэриленда опубликовала работу, в которой представила Diabetes Complications Risk Calculator (DCRC) – набор моделей машинного обучения для прогнозирования риска острых и хронических осложнений у взрослых со впервые диагностированным сахарным диабетом. Алгоритмы, обученные на медицинских данных 400 тысяч пациентов клиники Майо (США), рассчитывают индивидуальный риск развития девяти осложнений на каждый месяц и обновляют прогноз при появлении новых клинических данных.