В исследовании использованы данные 23 122 пациентов из больницы Санта-Мария в Лиссабоне для разработки моделей машинного обучения (логистическая регрессия, KNN, случайный лес, наивный Байес) для раннего выявления тахикардии и брадикардии у критически больных. Логистическая регрессия показала наилучшие результаты (AUROC 0,81, полнота 91,7% при клинических порогах), а также был продемонстрирован прототип автоматической системы email-оповещений. Авторы подчеркивают необходимость проспективной внешней валидации в нескольких центрах.
Разработана двухслойная двунаправленная LSTM-сеть с механизмом маскирования для динамического прогнозирования делирия у пациентов в отделении интенсивной терапии на основе 24-часовых скользящих окон наблюдений. Модель показала AUC-ROC 0,835 при внутренней и 0,830 при внешней валидации, а анализ SHAP выявил клинически значимые временные закономерности в предикторах (ИВЛ, pH, шкала SOFA).
Данная работа представляет собой систематический обзор (scoping review) применения методов обучения с подкреплением (Reinforcement Learning, RL) для оптимизации протоколов лечения сепсиса. Исследование анализирует, как алгоритмы ИИ могут использоваться для динамического принятия решений в критических состояниях, когда требуется точная дозировка вазопрессоров и инфузионная терапия. В обзоре рассматриваются различные архитектуры нейронных сетей и подходы к моделированию среды пациента, что критически важно для снижения смертности при сепсисе. Авторы систематизируют текущие достижения в области использования RL, выделяя переход от статических клинических рекомендаций к персонализированным адаптивным стратегиям. Основное внимание уделяется методологическим сложностям, таким как проблема смещения данных и необходимость валидации алгоритмов на реальных клинических данных (offline RL). Работа подчеркивает огромный потенциал ИИ в поддержке принятия врачебных решений в отделениях интенсивной терапии, предлагая дорожную карту для будущих клинических испытаний.
Исследование, опубликованное в журнале npj Digital Medicine, представляет инновационный подход к лечению подозреваемого сепсиса у новорожденных с использованием технологии цифровых двойников. Традиционные медицинские протоколы часто не учитывают динамические изменения размеров органов младенцев и сопутствующую терапию, что критически влияет на скорость выведения антибиотиков из организма. Предложенная модель цифрового двойника интегрирует физиологические параметры неонатального организма с динамикой бактериальной эволюции. Это позволяет создавать персонализированные режимы дозирования антибиотиков, адаптированные под конкретного пациента в режиме реального времени. Применение данной методологии может значительно повысить эффективность терапии и снизить риск токсичности препаратов. Технология открывает новые возможности для прецизионной медицины в критических состояниях новорожденных.
В данном исследовании, опубликованном в журнале npj Digital Medicine, представлена масштабная мультицентровая валидация и обновленная версия модели ELDER-ICU, предназначенной для оценки степени тяжести состояния пожилых пациентов в отделениях интенсивной терапии (ОИТ). Авторы провели глубокий анализ данных для улучшения прогностической способности модели в отношении летальности и осложнений у возрастной группы пациентов. Методология включала использование современных алгоритмов машинного обучения для интеграции клинических параметров и специфических биомаркеров, характерных для гериатрических пациентов. Ключевые результаты демонстрируют значительное повышение точности прогнозирования по сравнению с традиционными шкалами, такими как APACHE II или SOFA, применительно к пожилым людям. Обновленная модель позволяет более эффективно распределять ресурсы ОИТ и персонализировать протоколы лечения, снижая риск неоправданной агрессивной терапии или недостаточного вмешательства. Практическая значимость работы заключается в предоставлении врачам высокоточного цифрового инструмента для принятия клинических решений в критических ситуациях.
