Ключевые результаты
Исследователи из Госпиталя, аффилированного с Университетом Путянь, разработали XGBoost-модель для триажа пожилых пациентов с черепно-мозговой травмой (ЧМТ) в отделении неотложной помощи. Модель продемонстрировала высокую точность с AUC 0.93, recall 0.9288, precision 0.9274, F1 score 0.9249 и MCC 0.7241.
Основные предикторы
Наиболее значимыми факторами для прогнозирования необходимости госпитализации в ОИТ стали:
- Клинические симптомы
- Плотность гематомы по данным КТ
- Тяжесть ушиба головного мозга
- Возраст пациента
- Использование антикоагулянтов
- Оценка по шкале Glasgow Coma Scale (GCS)
Методология
В ретроспективное исследование включили 413 пациентов в возрасте ≥60 лет с ЧМТ, госпитализированных в период с 2015 по 2024 год. Целевой переменной была необходимость госпитализации в ОИТ в течение 48 часов после поступления в отделение неотложной помощи.
Техническая реализация
- Данные разделили в соотношении 80:20 для обучения и тестирования
- Для устранения дисбаланса классов использовали технику SMOTE
- Валидацию проводили методом 5-fold cross-validation
- Для повышения интерпретируемости применили SHAP-анализ
Сравнение с другими моделями
XGBoost-модель превзошла все альтернативные алгоритмы машинного обучения по основным метрикам качества. Decision curve analysis показал более высокую теоретическую чистую пользу по сравнению со стратегиями "лечить всех" и "не лечить никого".
Клиническое значение
Разработанная модель может служить вспомогательным инструментом для врачей неотложной помощи при принятии решений о госпитализации пожилых пациентов с ЧМТ в ОИТ. Особое значение имеет высокая точность выявления пациентов высокого риска, что критически важно для:
- Оптимизации распределения ресурсов ОИТ
- Снижения риска пропуска тяжелых случаев
- Улучшения качества триажа в условиях сложной физиологии и коморбидностей у пожилых
Ограничения и предостережения
Авторы подчеркивают, что модель предсказывает историческое решение о триаже, а не истинную потребность в ОИТ. Результаты не следует интерпретировать как прямое доказательство снижения необоснованных госпитализаций без проспективной валидации.
Выводы
Исследование демонстрирует потенциал машинного обучения в оптимизации триажа пожилых пациентов с ЧМТ. Однако для внедрения в клиническую практику необходимы:
- Проспективная многоцентровая валидация
- Оценка влияния на пациент-ориентированные исходы (смертность, неврологическое ухудшение, необходимость нейрохирургического вмешательства)
- Анализ функционального статуса пациентов
Модель должна поддерживать, а не заменять клиническое мышление врачей неотложной помощи при принятии решений о госпитализации в ОИТ.