Артериальная гипертензия поражает все большее число детей: в России с 2020 года количество таких пациентов выросло на 17%. Врачи подбирают терапию эмпирически, ориентируясь на общие рекомендации, — результат виден только через 2–3 месяца. Студентка магистратуры «Прикладной анализ данных в медицинской сфере» Центра «Пуск» МФТИ Анастасия Адамсон создала ML-модель, которая учитывает 154 клинико-инструментальных признака и с точностью до 98% предсказывает эффективную терапию. Модель уже увидела то, что врачи чувствуют, но не могут доказать: например, связь между лишним весом и эффективностью Лизиноприла. О том, как устроено исследование, какие результаты получены и почему это не замена врачу, а сильный инструмент поддержки — в этом интервью.
Анастасия, расскажите, в чем суть проблемы, которую вы решаете?
С 2020 года число заболевших артериальной гипертензией детей выросло в России на 17% (к 2025 году). Одна из проблем сегодня — то, что подбор антигипертензивной терапии происходит эмпирически, на основании мнения врача. Сейчас доктора назначают лекарства от давления детям почти наугад — из пяти разрешенных препаратов можно выбрать любой. При этом результат виден только через 2–3 месяца. Если препарат не подошел, схему меняют и снова ждут. Все это время давление у ребенка остается высоким, и риск осложнений растет.
Свою ML-модель я разработала, чтобы предсказывать эффективный препарат сразу, без долгих экспериментов. Чтобы решить эту проблему, недостаточно посмотреть на один показатель давления. Нужно учесть много разных факторов — и тут пригодится мультимодальный подход.
Что это за подход и какие именно данные вы собирали?
Обычно в исследованиях используется ограниченный набор данных, например в модель берут только результаты инструментальных исследований (ЭКГ, Эхо-КГ, СМАД), или, наоборот, — ищут связи в лабораторных анализах, не учитывая все возможные факторы.
В своей работе я использовала врачебный, а не технический подход: для постановки диагноза и лечения нужно оценить пациента индивидуально и комплексно. С каждой выписки после госпитализации изначально были взяты 90 признаков по каждому пациенту — те, что будут доступны каждому врачу для постановки диагноза (анамнез, перенесенные и сопутствующие заболевания, жалобы, антропометрия, лабораторные анализы, включая гормональные исследования, инструментальные — ЭКГ, Эхо-КГ, СМАД, УЗИ брахиоцефальных артерий, почек, щитовидной железы и т. д.). После очистки и категоризации данных в модель подавалось уже 154 признака по каждому пациенту.
Как подготовили эти данные для модели? Что дала категоризация признаков?
В педиатрии сырые числа значат очень мало. Например, у взрослых людей все просто: давление считается высоким, если оно выше 140/90 мм рт. ст., то есть то, что выше — плохо для всех, а то, что ниже — хорошо. У детей же в зависимости от возраста, роста и пола есть 238 (!) вариантов нормы по систолическому, и еще столько же по диастолическому давлению. Значение давления 120/80 мм рт. ст. для одного ребенка нормально, а для другого — гипертензия.
Я интегрировала все эти нормы (включая нормы давления, лабораторных и инструментальных анализов) в модель с учетом антропометрических и возрастных данных детей. Это сделало модель клинически интерпретируемой. Теперь одно и то же число для разных детей имеет разную клиническую интерпретацию.
Какие модели вы тестировали?
Были выбраны три модели: Random Forest (RF), XGBoost (XGB) и LightGBM (LGBM). Они представляют разные подходы к ансамблям данных и часто дают наилучшее сочетание точности и других метрик в медицинских задачах с высоким числом признаков.
Какие результаты получили?
Random Forest (Accuracy: 0.7683, Precision: 0.7692, F1‑Score: 0.8633, Recall: 0.9836) — единственная модель, которая превзошла baseline (Accuracy: 0.7426, Precision: 0.7426, F1‑Score:0.8520, Recall: 1.0000) почти по всем основным метрикам. Да, цифры не сильно выше, но в медицине даже небольшое повышение метрик точности — хотя бы на 2–3% — позволяет чаще предотвращать неэффективную схему лечения, что конвертируется в улучшение здоровья десятков детей.
Как работает ваша рекомендательная система?
Разработанная рекомендательная система функционирует по принципу имитационного моделирования потенциальных терапевтических сценариев:
● Входные данные. Для конкретного пациента система получает его базовый клинический профиль, содержащий только данные, доступные врачу до назначения новой терапии.
● Имитация терапии. Для каждого из возможных препаратов система гипотетически имитирует его назначение. Это достигается путем создания множества модифицированных профилей пациента.
● Оценка эффективности. Каждый из этих гипотетических сценариев подается на вход обученной модели, которая предсказывает вероятность успешности терапии для данного пациента при условии назначения именно этого препарата.
● Формирование рекомендации. Система анализирует все предсказанные вероятности успеха для каждого препарата и выбирает тот препарат, который, согласно модели, демонстрирует наивысшую предсказанную вероятность достижения успешной терапии.
Для оценки корректности и клинической применимости рекомендаций системы в сравнении с врачебной тактикой работу модели проверял независимый эксперт — врач — детский кардиолог, кандидат медицинских наук, доцент ФГБОУ ВО «УГМУ» МЗ РФ. Он составил запрос на независимую экспертизу семи клинических кейсов (пример кейса представлен ниже) и пришел к выводам, что разработанный алгоритм — перспективный инструмент поддержки принятия врачебных решений, обладающим высокой точностью в сегментации пациентов. Эксперт также высоко оценил практическую значимость работы, и при условии доработки алгоритмов она способна существенно повысить качество педиатрической кардиологической помощи.
Какие у модели ограничения? Что она пока не умеет?
Во-первых, неучтенные фармакотерапевтические режимы. Текущая модель оценки эффективности оперирует исключительно монотерапией. Это не отражает полной клинической картины, где часто применяются комбинированные схемы лечения.
Во-вторых, сложность прогнозирования назначения. Модели предсказания факта назначения препаратов (где модель пыталась правильно предсказать, какой препарат какому пациенту был назначен) показали недостаточную точность для большинства позиций, кроме Лизиноприла и Глицина. Интеграция этих моделей необходима для фильтрации рекомендаций (например, для отсеивания клинически нереалистичных, но теоретически эффективных вариантов).
В-третьих, масштаб и репрезентативность. Небольшой размер исходной выборки (272 пациента) и низкая представленность большинства препаратов (за исключением ИАПФ) ограничивают обобщающую способность модели и точность прогноза для редких схем.
В-четвертых, оценка эффективности. Использование единичных измерений АД через 3–6 месяцев в качестве целевой переменной может быть недостаточно информативным. Для более надежной оценки контроля АГ в будущем необходимо внедрение суточного мониторирования АД (СМАД) в качестве ключевого показателя эффективности терапии.
Также модель не учитывает, была ли доза терапевтической для данного пациента, или же только стартовой и на первом этапе может не дать нужного эффекта и будет требовать дальнейшего титрования.
Расскажите о дальнейших планах проекта.
Решение выявленных ограничений требует расширения когорты и пролонгированного сбора данных. Мы планируем к концу 2026 года расширить объем выборки до 500+ пациентов при амбулаторном контроле. Включение данных о второй госпитализации с обязательным проведением СМАД позволит не только увеличить статистическую мощность модели, но и создать более надежный и информативный набор данных для оценки долгосрочного ответа на терапию. Наша главная цель — превратить исследование в реальный клинический инструмент, который поможет врачам быстрее и точнее подбирать лечение для детей с гипертензией.