Исследование опубликовано в журнале Digital Medicine. Работа основана на анализе данных почти 100 тысяч человек старше 50 лет, экстренно госпитализированных в три больницы Юго-Восточной Шотландии. Авторы использовали связанные ЭМК, включающие анамнез, сопутствующие заболевания, лабораторные показатели, способ поступления в стационар и результаты обязательных сестринских оценок. На этой базе были натренированы алгоритмы машинного обучения, прогнозирующие как будущую нагрузку на медицинский персонал, так и ряд клинически значимых исходов.
В отличие от большинства прежних подходов, ориентированных на длительность госпитализации или риск смерти, исследование фокусируется на более прикладном показателе – фактической интенсивности ухода. Число контактов с медсестрами и специалистами по реабилитации напрямую отражает потребность в ресурсах и сложность маршрута лечения, что делает этот показатель более полезным для оперативного планирования кадров и междисциплинарной помощи.
Наиболее устойчивые результаты модели ИИ продемонстрировали при прогнозировании потребности в гериатрических службах и реабилитации. Уже через сутки после поступления точность выявления необходимости гериатрической помощи достигала 90%, а потребности в реабилитационных мероприятиях – 83%. К третьему дню госпитализации алгоритмы корректно идентифицировали до 90% пациентов с высокой вероятностью направления на реабилитацию, при этом точность прогнозов последовательно возрастала по мере накопления данных в первые дни пребывания в стационаре.
Кроме того, исследователи подчеркнули значимость рутинных сестринских оценок, которые часто недооцениваются в аналитических моделях. Риски пролежней, делирия, нарушений мобильности и питания оказались одними из ключевых факторов, определяющих будущую интенсивность ухода, в ряде случаев превосходя по информативности возраст и число хронических заболеваний. В то же время отсутствие заполненных оценок также ассоциировалось с ростом числа медицинских контактов, что может указывать на проблемы координации помощи и позднее выявление осложнений.
Однако авторы отмечают, что модели не предназначены для автономного клинического применения и должны использоваться под контролем врачей, особенно на этапе поступления в стационар. Актуальность такого подхода подтверждают и данные о том, что даже массово внедряемые системы на базе искусственного интеллекта для автоматической медицинской документации продолжают допускать ошибки и требуют человеческого контроля. На этом фоне в научном сообществе обсуждается роль алгоритмических консультантов как связующего звена между клиницистами и ИИ.
Тем не менее результаты демонстрируют потенциал нейросетей как инструмента поддержки управленческих решений – от раннего направления пациентов к профильным специалистам до более взвешенного планирования загрузки персонала.
Исследование отражает общий сдвиг в развитии клинического ИИ в сторону более контекстных моделей. Так, ранее исследователи из Вашингтонского университета в Сент-Луисе и Мичиганского университета совместно с коллегами из Китая показали, что включение в алгоритмы цифровых следов взаимодействия врачей с электронными медкартами повышает точность прогнозов с 86% до 92%. Применение такого подхода ассоциируется со снижением внутрибольничной смертности, уменьшением длительности госпитализации и рисков осложнений.
