Прогнозирование лекарственных поражений печени: потенциал машинного обучения в госпитальном фармаконадзоре

Почему это важно

В условиях российской клинической практики лекарственно-индуцированные поражения печени (ЛИПП) остаются серьезной проблемой, часто диагностируемой постфактум, когда повреждение органа уже стало клинически значимым. Отсутствие специфических биомаркеров на ранних стадиях и сложность дифференциальной диагностики затрудняют работу врачей-клиницистов и эпидемиологов, отвечающих за безопасность фармакотерапии в стационарах. Внедрение инструментов предиктивной аналитики на основе данных электронных медицинских карт (ЭМК) могло бы существенно повысить уровень безопасности пациентов, переходя от реактивного реагирования к проактивному мониторингу групп риска.

Что показало исследование

Исследовательская группа проанализировала 2786 эпизодов лекарственной терапии, используя данные госпитальной информационной системы (лабораторные показатели, фармакологический профиль, коморбидность). В качестве «золотого стандарта» для подтверждения диагноза ЛИПП применялась шкала RUCAM. Авторы сравнили несколько алгоритмов машинного обучения: от классической логистической регрессии до ансамблевых методов (Random Forest, XGBoost, LightGBM).

Модель LightGBM продемонстрировала выдающиеся результаты: площадь под ROC-кривой (AUROC) составила 0,965, а показатель PR-AUC — 0,903. Ключевыми предикторами риска оказались базовые уровни ГГТ, АЛТ, АСТ и общего билирубина, а также метаданные о гепатотоксичности конкретных препаратов (база DILIrank 2.0). В проспективной валидации модель успешно выявила 13% случаев ЛИПП среди 828 эпизодов, значительно превзойдя традиционные методы статистического анализа.

Практическое значение

Для специалистов в области организации здравоохранения и фармаконадзора результаты исследования открывают путь к автоматизации контроля безопасности. Внедрение подобных алгоритмов в российские МИС позволит автоматически «подсвечивать» пациентов, чьи исходные лабораторные показатели и схема лечения попадают в «красную зону» риска. Это не отменяет существующих протоколов мониторинга, но позволяет пересмотреть частоту контроля печеночных ферментов у конкретных пациентов, оптимизируя нагрузку на лабораторию и снижая риск тяжелых осложнений. Модель демонстрирует, что для эффективного прогнозирования достаточно рутинных данных, которые уже собираются в рамках ОМС/ДМС, что делает технологию масштабируемой для крупных многопрофильных стационаров.

На что обратить внимание

Важно учитывать, что исследование проводилось на базе одного международного госпиталя, и модель требует внешней валидации на российской популяции пациентов с учетом локальных особенностей фармакотерапии и структуры коморбидности. Кроме того, алгоритм опирается на данные, доступные на момент начала терапии, и не учитывает динамические изменения в процессе лечения, что оставляет пространство для дальнейшего совершенствования предиктивных систем.

---

Источник: Tran, Pham, Ngo, Tran, Ninh et al.. Therapeutic advances in drug safety (2026)

Дайджест подготовлен редакцией Дезинфицирующиесредства.рф на основе рецензируемого научного исследования. Материал носит информационный характер и не заменяет официальные инструкции производителей и нормативные документы.