Исследователи из Сеульского национального университета разработали алгоритм искусственного интеллекта, который способен оценивать риск тяжёлых послеоперационных осложнений только по предоперационным данным электронной медкарты. Работа опубликована в npj Digital Medicine и демонстрирует потенциал ИИ как инструмента поддержки хирургов и анестезиологов на этапе планирования лечения.
Модель MT-GBM (multi-task gradient-boosting machine) обучена на массиве примерно из 80 000 историй пациентов. Алгоритм анализирует стандартные данные — лабораторные показатели, сведения из анамнеза, параметры жизненных функций — и прогнозирует вероятность трёх наиболее распространённых и серьёзных осложнений: острого повреждения почек, дыхательной недостаточности и внутрибольничной смертности. Именно эти состояния, по данным авторов исследования, формируют до 40% всех послеоперационных рисков.
ИИ-модель смогла с высокой точностью предсказать наиболее критические состояния пациентов: около 82% для прогнозирования почечного повреждения, 91% — дыхательной недостаточности и 89% — риска внутрибольничной смерти. Внешняя валидация в нескольких медицинских центрах подтвердила результаты. Модель продемонстрировала более устойчивые результаты, чем одноцелевые алгоритмы и традиционные клинические шкалы, которые опираются на ограниченный набор параметров.
С помощью интерпретируемых методов анализа, таких как SHAP, исследователи установили, что важнейшими факторами риска выступают длительность анестезии, уровень альбумина, показатели воспаления и сопутствующие заболевания. Эти данные доступны ещё до операции, что делает модель особенно ценной для раннего вмешательства и корректировки тактики.
Сегодня многие решения о предоперационной оценке риска принимаются на основе индекса ASA (физический статус по классификации Американского общества анестезиологов) и клинического опыта конкретного врача. Алгоритм MT-GBM позволяет заменить субъективный подход более точным, системным анализом всего массива данных, что может существенно повысить безопасность хирургической помощи.
Авторы исследования подчёркивают, что такая модель может органично стать частью рутинной подготовки пациентов, особенно в клиниках с высокой нагрузкой или при дефиците специалистов. Алгоритм не требует специализированного оборудования и интегрируется в стандартные информационные системы.