ИИ научился заранее определять риск перелома бедра — для этого не нужен осмотр врача
Ученые из Гетеборгского университета в Швеции разработали модель машинного обучения, которая оценивает риск перелома бедра по данным медицинских и государственных регистров. Для первичного расчета не нужно приглашать человека на опрос или обследование: модель использует информацию, которую система здравоохранения уже собирает в обычном порядке.
Перелом бедра особенно опасен для пожилых людей: после такой травмы они нередко теряют самостоятельность, сталкиваются с серьезными осложнениями, а риск смерти повышается. При этом многие существующие инструменты оценки плохо подходят для массового скрининга. Чтобы рассчитать риск, врачу необходимо взаимодействовать с пациентом — например, уточнять его рост, вес, отношение к курению и алкоголю и другие особенности образа жизни.
Для разработки и проверки модели исследователи использовали данные 3,54 млн жителей Швеции в возрасте от 50 лет, которые в предыдущие два года не получали препаратов от остеопороза. Наблюдение продолжалось до конца 2021 года и в отдельных случаях охватывало десять лет; за этот период перелом бедра получили 142 327 человек. Из диагнозов, назначенных лекарств, медицинских процедур, демографических и социально-экономических характеристик авторы сформировали 139 980 потенциальных признаков.
После отбора признаков авторы создали модель глубокого обучения FRACTURE-ML, основная версия которой учитывала 2500 параметров. На отложенной части выборки, не использовавшейся при разработке, показатель AUC составил 0,89 при прогнозе на год и 0,85 — на пять лет. Это означает, что модель хорошо распределяла людей по уровню риска, но не следует понимать результат так, будто она правильно предсказала судьбу 89% участников.
При этом для каждого нового расчета модели не потребовались тысячи параметров. Упрощенная версия FRACTURE-ML, учитывавшая только 35 признаков, показала почти сопоставимый результат: при прогнозе на два года ее AUC составил 0,87 против 0,88 у полной версии, а на горизонте пяти лет сохранился на уровне 0,85. Такая модель требует меньше вычислительных ресурсов и потенциально проще для внедрения.
Наиболее заметной разница оказалась при сравнении со шведским подходом Fracture Liaison Services (FLS), ориентированным на людей, которые уже перенесли перелом. При прогнозе на два года чувствительность FRACTURE-ML составила 0,84 против 0,12 у критерия FLS: модель выявила почти в семь раз большую долю тех, кто впоследствии получил перелом бедра. Однако специфичность снизилась с 0,98 до 0,79, поэтому система значительно чаще включала в группу риска людей, у которых перелома затем не происходило. Авторы рассматривают два подхода как взаимодополняющие, а не как замену одного другим.
По мнению авторов, такой подход может упростить массовый скрининг: система сможет анализировать уже собранные данные и выделять людей, которым стоит предложить дополнительное обследование. После этого врачи смогут оценить состояние костной ткани, физическую форму и риск падений, а затем при необходимости назначить профилактику или лечение остеопороза.
FRACTURE-ML пока нельзя считать готовым инструментом для повсеместного применения. В шведских регистрах нет некоторых важных факторов риска, включая сведения о курении, употреблении алкоголя и физической активности; модель также не учитывает индекс массы тела и плотность костной ткани. Кроме того, ее проверяли только на данных из Швеции. Теперь необходимы внешняя валидация на выборках из других стран и исследования в условиях реальной клинической практики.
Отдельный результат исследования касается роли самого искусственного интеллекта. Классические статистические модели с 35 и 400 признаками показали практически такую же способность разделять участников по уровню риска и столь же хорошую калибровку, как FRACTURE-ML. Поэтому главный акцент в этой работе логичнее сделать не на конкретном алгоритме, а на возможностях больших массивов данных, которые система здравоохранения уже регулярно собирает и может использовать для профилактики.
Подпишитесь на «Инк» в Telegram. Там мы пишем нескучным языком о самом важном для предпринимателей. Подписаться.
