SHAP

В исследовании представлена новая методология машинного обучения для предсказания чувствительности патогенов к антибиотикам у детей с респираторными инфекциями, что критически важно для борьбы с антимикробной резистентностью. Авторы разработали консенсусно-взвешенный фреймворк отбора признаков, объединяющий шесть различных агентов (Random Forest, Gradient Boosting, ANOVA F-test, Mutual Information, RFE) для выявления наиболее информативных и не избыточных клинических и микробиологических параметров. Для построения финальной предиктивной модели был применен генетический алгоритм, который отобрал три лучших классификатора (Decision Tree, XGBoost, LightGBM) для создания ансамбля с мягким голосованием. Результаты показали высокую эффективность предложенного подхода: ансамблевая модель достигла точности 0.8799, показателя F1 0.8811 и ROC-AUC 0.9490, превзойдя отдельные модели, такие как LightGBM (точность 0.8718, ROC-AUC 0.9498). Анализ интерпретируемости с помощью SHAP выявил, что ключевыми факторами являются тип антибиотика и вид бактерии, а также значимую роль играют клинические, воспалительные и средовые показатели. Методология включает строгий контроль утечки данных, балансировку выборок и кросс-валидацию, что обеспечивает статистическую надежность результатов. Разработанная система представляет собой мощный инструмент поддержки принятия врачебных решений, позволяющий персонализировать антибиотикотерапию и снижать риски неэффективного лечения. Подход демонстрирует, как сложные ансамблевые методы и многоагентный отбор признаков могут повысить как предсказательную способность, так и клиническую интерпретируемость ИИ-моделей в педиатрии.

Исследование разработало и оценило фреймворк объяснимого ИИ (XAI) для прогнозирования риска неадекватного послеоперационного обезболивания у пациентов после абдоминальной хирургии. Модели машинного обучения показали AUC 0,707–0,798, при этом ранняя траектория боли (VAS) оказалась strongest предиктором; для интерпретации использованы SHAP-анализ и интеграция LLM для генерации понятных врачам объяснений.

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).

Исследование разработало и валидировало интерпретируемые модели машинного обучения для прогнозирования развития псевдокист поджелудочной железы у пациентов с острым панкреатитом. Сравнивались 9 алгоритмов ML, оптимальной оказалась модель случайного леса с AUC 0.884 на внутреннем тесте и 0.914 на временной валидации. Анализ SHAP показал, что низкий уровень кальция и повышенный СРБ являются наиболее важными предикторами риска.