Ключевые результаты
Исследователи разработали автоматизированную модель машинного обучения (AutoML) для прогнозирования потребности в гемотрансфузии у пациентов с тяжелой черепно-мозговой травмой (тЧМТ). Модель продемонстрировала высокую точность и превзошла стандартные прогностические инструменты по всем метрикам оценки, включая F1-score (0,8387). Анализ SHAP (Shapley Additive exPlanations) выявил 9 ключевых предикторов, определяющих риск необходимости гемотрансфузии, с иерархической значимостью: тип лечения, оценка по шкале комы Глазго (ШКГ), международное нормализованное отношение (МНО), уровень K+, Ca2+, гематокрит, возраст, геморрагический шок и наличие перелома черепа.
Методология
Ретроспективное когортное исследование охватило период с января 2020 по январь 2025 года, включив 638 пациентов с тяжелой ЧМТ. Данные были разделены методом стратифицированной рандомизации на тренировочную (n=447) и тестовую (n=191) выборки в соотношении 7:3.
Исследователи разработали фреймворк AutoML с использованием оптимизатора Improved Hannibal Barca Optimizer (IHBO), который синхронно интегрировал:
- Верификацию отбора признаков методом LASSO
- Анализ интерпретируемости с использованием SHAP
Оценка модели включала анализ дискриминационной способности (AUC/PR-AUC), калибровочной эффективности (показатель Бриера) и клинической применимости (анализ кривой принятия решений - DCA).
Клиническое значение
Разработанная AutoML-модель обеспечивает несколько существенных клинических преимуществ:
-
Оптимизация ресурсов крови - точное прогнозирование потребности в гемотрансфузии позволяет рационально использовать ограниченные запасы крови и компонентов
-
Доступность для практического применения - интерактивный инструмент не требует технических знаний и предусматривает интуитивно понятный ввод всего 9 параметров
-
Прозрачность принятия решений - интерпретируемый характер модели позволяет клиницистам понимать, какие факторы и в какой степени влияют на прогноз
-
Поддержка быстрых решений при травме - создает новую парадигму систем поддержки клинических решений в неотложной травматологии
Анализ DCA подтвердил превосходное соотношение пользы и риска модели во всех клинически значимых пороговых значениях, что подтверждает практическую ценность инструмента.
Выводы
Исследование демонстрирует успешную разработку объяснимой модели машинного обучения, способной расшифровывать многомерные детерминанты потребности в гемотрансфузии при тяжелой ЧМТ. Созданная модель интерпретирует сложные взаимодействия между различными клиническими, лабораторными и демографическими параметрами для формирования точного прогноза.
Клинически развертываемая интерактивная система устраняет технические барьеры благодаря интуитивно понятному вводу девяти ключевых параметров, создавая новую парадигму для поддержки принятия решений в травматологической помощи и оптимизации использования ресурсов крови.
Необходимы дальнейшие проспективные исследования для валидации системы в различных клинических условиях и оценки ее влияния на клинические исходы и эффективность использования ресурсов.