РАННЕЕ ПРОГНОЗИРОВАНИЕ ВНУТРИБОЛЬНИЧНОЙ ЛЕТАЛЬНОСТИ С ИСПОЛЬЗОВАНИЕМ ИНТЕРПРЕТИРУЕМЫХ И КАЛИБРОВАННЫХ АНСАМБЛЕВЫХ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ

Раннее выявление пациентов с высоким риском внутрибольничной летальности остается одной из клю­чевых задач клинической практики, особенно в условиях вспышек инфекционных заболеваний, таких как COVID-19, когда решения должны приниматься уже на этапе госпитализации при ограниченном объеме доступной информации. Несмотря на широкое применение методов машинного обучения для прогнозиро­вания летальности, многие существующие модели разрабатываются и оцениваются в условиях, снижающих их применимость для ранней клинической триаж-оценки, включая недостаточное внимание к надежности вероятностных прогнозов, временной обобщаемости и ориентированной на принятие решений оценке. В ра­боте рассматривается задача раннего прогнозирования риска летального исхода на основе рутинно доступ­ных клинических данных, собираемых при поступлении пациента в стационар. Разрабатывается ансамбль моделей градиентного бустинга, анализируемый в условиях строгого временного разделения обучающей и тестовой выборок, что отражает реалистичные сценарии практического внедрения. Особый акцент сде­лан на надежности прогнозируемых вероятностей: для улучшения согласованности между предсказанными рисками и наблюдаемыми исходами применяется пост-хок изотоническая калибровка. Качество моделей оценивается с использованием совокупности дискриминационных и калибровочных метрик, а клиническая значимость анализируется с помощью анализа кривых принятия решений в диапазоне практически значи­мых порогов. Оценка на независимой временно отложенной тестовой выборке показывает, что ансамблевая агрегация повышает устойчивость оценок риска, а калибровка обеспечивает более согласованное пороговое поведение без изменения ранжирующей способности моделей. Анализ кривых принятия решений демон­стрирует преимущество откалиброванных прогнозов по чистому выигрышу в широком диапазоне порогов раннего клинического триажа. Полученные результаты подчеркивают, что надежность вероятностных оце­нок играет ключевую роль наряду с дискриминационной способностью моделей. Предложенный подход представляет собой методологически обоснованное решение для ранней оценки риска внутрибольничной летальности в условиях реальной клинической практики и временной нестабильности данных.

1. Al-Nafjan, A., Aljuhani, A., Alshebel, A., Alharbi, A., Alshehri, A. Artificial intelligence in predictive healthcare: A systematic review. Journal of Clinical Medicine, 14 (19), 6752 (2025). https://doi.org/10.3390/jcm14196752

2. Bajwa, J., Munir, U., Nori, A., Williams, B. Artificial intelligence in healthcare: Transforming the practice of medicine. Future Healthcare Journal, 8 (2), e188–e194 (2021). https://doi.org/10.7861/fhj.2021-0095

3. Kelly, C. J., Karthikesalingam, A., Suleyman, M., Corrado, G., King, D. Key challenges for delivering clinical impact with artificial intelligence. BMC Medicine, 17, 195 (2019). https://doi.org/10.1186/s12916-019-1426-2

4. Wynants, L., Van Calster, B., Collins, G. S., Riley, R. D., Heinze, G., Schuit, E., COVID-19 Prediction Model Consortium. Prediction models for diagnosis and prognosis of COVID-19: Systematic review and critical appraisal. BMJ, 369, m1328 (2020). https://doi.org/10.1136/bmj.m1328

5. Rajwa, B., Naved, M. M. A., Adibuzzaman, M., Grama, A. Y., Khan, B. A., Dundar, M., Rochet, J.- C. Identification of predictive patient characteristics for assessing the probability of COVID-19 in-hospital mortality. PLOS Digital Health, 3 (4), e0000327 (2024). https://doi.org/10.1371/journal.pdig.0000327

6. Rudin, C., Chen, C., Chen, Z., Huang, H., Semenova, L., Zhong, C. Interpretable machine learning: Fundamental principles and 10 grand challenges. Statistics Surveys, 16, 1–85 (2022). https://doi.org/10.1214/21-SS133

7. Ennab, M., Mcheick, H. Enhancing interpretability and accuracy of AI models in healthcare: A comprehensive review on challenges and future directions. Frontiers in Robotics and AI, 11, 1444763 (2024). https://doi.org/10.3389/frobt.2024.1444763

8. Tonekaboni, S., Joshi, S., McCradden, M. D., Goldenberg, A. What clinicians want: Contextualizing explainable machine learning for clinical end use. Proceedings of Machine Learning Research, 106, 359–380 (2019). https://proceedings.mlr.press/v106/tonekaboni19a.html

9. Van Calster, B., McLernon, D. J., van Smeden, M., Wynants, L., Steyerberg, E. W. Calibration: The Achilles heel of predictive analytics. BMC Medicine, 17, 230 (2019). https://doi.org/10.1186/s12916-019-1466-7

10. Vickers, A. J., Van Calster, B., Steyerberg, E. W. Net benefit approaches to the evaluation of prediction models, molecular markers, and diagnostic tests. BMJ, 352, i6 (2016). https://doi.org/10.1136/bmj.i6

11. Sadatsafavi, M., Adibi, A., Puhan, M., Gershon, A., Aaron, S. D., Sin, D. D. Moving beyond AUC: Decision curve analysis for quantifying net benefit of risk prediction models. European Respiratory Journal, 58 (5), 2101186 (2021). https://doi.org/10.1183/13993003.01186-2021

12. Andaur Navarro, C. L., Damen, J. A. A., van Smeden, M., Takada, T., Nijman, S. W. J., Dhiman, P., Ma, J., Collins, G. S., Bajpai, R., Riley, R. D., Moons, K. G. M., Hooft, L. Systematic review identifies the design and methodological conduct of studies on machine learning-based prediction models. Journal of Clinical Epidemiology, 154, 1–12 (2023). https://doi.org/10.1016/j.jclinepi.2022.11.015

13. Giddings, R., Joseph, A., Callender, T., Janes, S. M., van der Schaar, M., Sheringham, J., Navani, N. Factors influencing clinician and patient interaction with machine learning-based risk prediction models: A systematic review. The Lancet Digital Health, 6 (2), e131–e144 (2024). https://doi.org/10.1016/S2589-7500(23)00241-8

14. Subbaswamy, A., Saria, S. From development to deployment: Dataset shift, causality, and shift-stable models in health AI. Biostatistics, 21 (2), 345–352 (2020). https://doi.org/10.1093/biostatistics/kxz041

15. Lu, J., Liu, A., Dong, F., Gu, F., Gama, J., Zhang, G. Learning under concept drift: A review. IEEE Transactions on Knowledge and Data Engineering, 31 (12), 2346–2363 (2019). https://doi.org/10.1109/TKDE.2018.2876857

16. dos Santos Silva, G. F., Barcellos Filho, F. N., Wichmann, R. M., da Silva Junior, F. C., Chiavegatto Filho, A. D. P. Strategies for detecting and mitigating dataset shift in machine learning for health predictions: A systematic review. Journal of Biomedical Informatics, 170, 104902 (2025). https://doi.org/10.1016/j.jbi.2025.104902

17. Riley, R. D., Archer, L., Snell, K. I. E., Ensor, J., Dhiman, P., Martin, G. P., Bonnett, L. J., Collins, G. S. Evaluation of clinical prediction models (part 2): How to undertake an external validation study. BMJ, 384, e074820 (2024). https://doi.org/10.1136/bmj-2023-074820

18. Austin, P. C., Steyerberg, E. W. The Integrated Calibration Index (ICI) and related metrics for quantifying the calibration of logistic regression models. Statistics in Medicine, 38 (21), 4051–4065 (2019). https://doi.org/10.1002/sim.8281

19. Ojeda, F. M., Jansen, M. L., Thiéry, A., Blankenberg, S., Weimar, C., Schmid, M., Ziegler, A. Calibrating machine learning approaches for probability estimation: A comprehensive comparison. Statistics in Medicine, 42 (29), 5451–5478 (2023). https://doi.org/10.1002/sim.9921

20. Gneiting, T., Raftery, A. E. Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association, 102 (477), 359–378 (2007). https://doi.org/10.1198/016214506000001437

21. Chalkou, K., Vickers, A. J., Pellegrini, F., Manca, A., Salanti, G. Decision curve analysis for personalized treatment choice between multiple options. Medical Decision Making, 43 (3), 337–349 (2022). https://doi.org/10.1177/0272989X221143058

22. Piovani, D., Sokou, R., Tsantes, A. G., Vitello, A. S., Bonovas, S. Optimizing clinical decision making with decision curve analysis: Insights for clinical investigators. Healthcare, 11 (16), 2244 (2023). https://doi.org/10.3390/healthcare11162244