Машинное обучение прогнозирует летальность и дыхательную недостаточность у пациентов, госпитализированных с переломами рёбер

Введение: Переломы рёбер встречаются часто и связаны со значительной заболеваемостью и летальностью. Точный прогноз неблагоприятных исходов остаётся сложной задачей: существующие клинические модели риска показывают низкую точность при внешней проверке. В этом исследовании машинное обучение применили для прогнозирования летальности и дыхательной недостаточности у пациентов с травмами и переломами рёбер.

Методы: Данные о взрослых пациентах с травмами и переломами рёбер за 2021 и 2022 годы получили из Национального банка данных по травмам. Первичными исходами были внутрибольничная смерть и дыхательная недостаточность, определённая как необходимость искусственной вентиляции лёгких. Модели на основе алгоритмов Light Gradient Boosting Machine и Extreme Gradient Boosting обучали только на показателях, доступных при поступлении. Гиперпараметры настраивали методом байесовской оптимизации, а качество моделей оценивали с помощью повторной стратифицированной перекрёстной проверки с разбиением на k блоков. Метрики качества включали общую точность, точность положительных прогнозов, полноту, площадь под ROC-кривой и площадь под кривой точности–полноты. Для интерпретации прогнозов использовали аддитивные объяснения Шепли (SHAP) и графики частичной зависимости.

Результаты: За период исследования были госпитализированы 260 771 пациент с переломами рёбер. Из них 3,4% умерли, а 10,1% потребовалась искусственная вентиляция лёгких. Модели показали высокое качество прогноза: площадь под ROC-кривой для модели Light Gradient Boosting Machine составила 0,90 при прогнозировании летальности и 0,87 при прогнозировании дыхательной недостаточности. Наибольшее влияние на прогноз неблагоприятных исходов оказывали возраст, тяжесть кровотечения, степень нарушения функции лёгких и неврологический статус.

Выводы: Модели машинного обучения позволяют точно прогнозировать летальность и дыхательную недостаточность у пациентов с травмами и переломами рёбер. Они обеспечивают сложный подход к стратификации риска на основе данных. Для более широкого внедрения в клиническую практику необходимо повысить интерпретируемость моделей.