Учёные Института биологии старения и Исследовательского центра в сфере искусственного интеллекта Нижегородского университета Лобачевского (ННГУ) создали модель на основе искусственного интеллекта, предназначенную для прогнозирования риска смерти от всех причин у пациентов с диабетом и для предоставления врачам интерпретируемых объяснений полученных выводов. О разработке сообщили в пресс-службе вуза.
Модель была обучена на показателях состояния более 550 пациентов с диабетом, наблюдавшихся в течение 17 лет. Из сотен клинических и лабораторных параметров искусственный интеллект отобрал десять ключевых биомаркеров, формирующих долгосрочный прогноз. Главная особенность разработки — интерпретация нейросетевого анализа с помощью метода SHAP (SHapley Additive exPlanations). Этот метод показывает, какие именно данные сыграли решающую роль в прогнозе. Точность прогноза выживаемости с горизонтом 17 лет достигает 84%.
Автор исследования, директор НИИ биологии старения ННГУ Михаил Иванченко, отметил методологическую новизну проекта: создан не только высокоточный, но и объяснимый предсказательный инструмент. Благодаря методу интерпретации прогноза ИИ можно выделять взаимосвязи между десятками параметров состояния пациента. Например, выяснилось, что возраст, продолжительность болезни и количество осложнений — самые мощные факторы риска смерти при диабете. Кроме того, подход позволяет составить персональную карту рисков для конкретного пациента. К примеру, модель может показать, что высокий риск смерти в 68% случаев сформировался в первую очередь из-за повышенного креатинина, возраста и четырёх диабетических осложнений, — пояснил Иванченко.
В описании модели подчёркивают, что алгоритм выявляет сочетание как хорошо известных клинических маркеров, так и менее изученных биомолекулярных индикаторов. Среди них — мозговой натрийуретический пептид (NT-proBNP), отражающий скрытое напряжение сердечной мышцы; креатинин, указывающий на состояние почек; и определённая структура N‑гликана в сыворотке крови, выделяющаяся как биомаркер иммунной регуляции и процессов старения.
Исследователи отмечают практическую применимость интерпретируемых предсказаний. Выявление доминирующего вклада конкретных патологических процессов в суммарный риск позволяет целенаправленно корректировать терапию и клиническое наблюдение. Если модель указывает на доминирующее системное воспаление, можно обсудить противовоспалительную терапию. Если ключевым фактором оказался липидный профиль, это помогает оптимизировать подбор соответствующих препаратов. Таким образом, объяснимый искусственный интеллект становится практическим помощником, который не заменяет врача, а усиливает его клиническое мышление. По словам исследователей, это важный шаг к тому, чтобы продлить и улучшить жизнь миллионов людей, живущих с диабетом.
Разработанная модель сочетает методы машинного обучения и клиническую экспертизу, что обеспечивает её информативность для специалистов по диабету и сопутствующим патологиям. Эти характеристики делают инструмент потенциально полезным для разработки персонализированных стратегий профилактики и лечения на основе анализа биомаркеров и длительных наблюдений за пациентами.