Ученый из ЧелГУ создал «умную» систему на основе ИИ для прогнозирования рецидивов опасной аритмии

Молодой исследователь из Челябинского государственного университета разработал и успешно протестировал программный комплекс с элементами искусственного интеллекта, предназначенный для оценки вероятности возврата фибрилляции предсердий — одного из самых распространенных и клинически значимых нарушений сердечного ритма. Разработанная система не только позволяет на ранних этапах выделять пациентов с повышенным риском повторных эпизодов, но и обеспечивает полную интерпретируемость своих решений: врач видит не просто бинарный прогноз, а развернутую логику, основанную на конкретных показателях. Об этом сообщили ТАСС в пресс-службе вуза, подчеркнув практическую ценность новинки для современной кардиологии.

По словам представителей университета, создание и последующая валидация этой системы знаменуют значимый сдвиг в клинической практике — впервые удалось добиться не только высокой точности предсказания аритмических рецидивов на базе рутинных клинических данных, но и сделать алгоритм «прозрачным» для врача. Такая функциональность принципиально трансформирует подход к ведению пациентов из группы высокого риска, поскольку медицинский персонал получает возможность понимать, какие именно паттерны в состоянии больного привели к тому или иному выводу системы, а значит, может принимать более взвешенные терапевтические решения.

Непосредственным разработчиком выступил Алексей Седелков, сотрудник математического факультета ЧелГУ, работавший под руководством доцента кафедры вычислительной математики Михаила Лепчинского при консультационной поддержке исполняющего обязанности заведующего кафедрой теории управления и оптимизации Игоря Изместьева. Значительную роль в проекте сыграло тесное взаимодействие с практикующими врачами-кардиологами из областной клинической больницы №3 — это сотрудничество позволило органично сочетать строгие математические подходы с требованиями реального здравоохранения и учесть специфику локального клинического контингента.

В основу обучающей выборки легли данные углубленного инструментального и лабораторного обследования 97 пациентов, которые проходили стационарное лечение в ОКБ №3 в период с 2010 по 2013 год. Каждый клинический случай был охарактеризован множеством параметров — изначально использовалось 27 различных признаков, включая биохимические маркеры и показатели инструментальной диагностики. Однако на этапе предварительной обработки и фильтрации информативных факторов их число сократили до 18 наиболее значимых переменных. Для объективной оценки обобщающей способности разработанных алгоритмов на относительно небольшом объеме данных применялась процедура перекрестной проверки, позволяющая нивелировать эффект случайных выборок и повысить достоверность выводов.

В ходе сравнительного анализа нескольких конкурирующих алгоритмов машинного обучения наилучшую производительность на данном массиве данных продемонстрировал метод опорных векторов. При этом система запрограммирована относить пациента к категории высокого риска исключительно в тех ситуациях, когда расчетная прогностическая вероятность возобновления аритмии превышает пороговое значение в 91%. Столь жесткий критерий классификации обеспечивает минимальный уровень ложноположительных заключений, что позволяет клиницистам сосредоточить свои усилия на действительно уязвимых больных, не распыляя ресурсы на тех, чей реальный риск остается незначительным.

Особое внимание в работе было уделено проблеме «черного ящика» — типичному недостатку многих современных ИИ-решений, когда алгоритм выдает результат, но не раскрывает причин. Автору проекта удалось адаптировать и внедрить специальный метод пост-хок объяснения, благодаря которому каждый клинический параметр получает свой количественный вклад в итоговое предсказание, что полностью снимает вопросы о доверии к системе со стороны медицинского персонала. На текущий момент разработанный программный продукт представляет собой полностью готовое к внедрению средство поддержки врачебных решений и может быть интегрирован в рутинную клиническую практику уже в ближайшее время.