Шведские исследователи представили метод, который использует данные медицинских регистров и алгоритмы искусственного интеллекта для оценки индивидуального риска развития меланомы. Результаты работы показывают, что подобный подход способен выделить небольшие группы населения с многократно повышенной вероятностью заболевания, что потенциально открывает путь к более целенаправленным стратегиям наблюдения.
Ученые из Гётеборгского университета и Технологического университета Чалмерса проанализировали обезличенные данные из национальных реестров, охватившие более шести миллионов взрослых жителей Швеции. В течение пятилетнего периода наблюдения меланома была диагностирована у 38 582 человек, что составляет 0,64% от общей выборки. Для создания прогностических моделей использовались стандартные данные, уже имеющиеся в системе здравоохранения. В их числе возраст, пол, ранее установленные диагнозы, информация о назначенных лекарственных препаратах и социально-демографические показатели.
Эффективность модели на основе широкого набора данных
Разработанные алгоритмы сравнивали людей, у которых позже развилась меланома, с теми, у кого этого заболевания не было. Наиболее эффективная модель показала точность различения примерно в 73% случаев. Для сравнения, модель, оперировавшая только двумя переменными — возрастом и полом, — продемонстрировала результат около 64%. Это указывает на значимость включения в анализ более широкого спектра доступной медицинской информации для повышения точности прогноза.
Практическая значимость исследования заключается не только в общей точности модели, но в ее способности идентифицировать узкие группы с экстремально высоким риском. Анализ показал, что алгоритм выделил категории людей, у которых вероятность развития меланомы в течение пяти лет достигала примерно 33%. Мартин Гилльстедт из Академии Сальгренска при Гётеборгском университете отмечает, что это демонстрирует возможность более стратегического использования уже накопленных медицинских данных. По его словам, информация из регистров может применяться не только для учета, но и для раннего выявления пациентов, требующих пристального внимания.
Перспективы для системы здравоохранения
Руководитель исследования Сэм Полези подчеркивает, что выборочный скрининг, сфокусированный на небольших группах повышенного риска, способен повысить точность медицинского наблюдения. Такой подход также может привести к более эффективному использованию ресурсов системы здравоохранения. Вместо массовых обследований всего населения появляется возможность концентрировать усилия на тех, кто в этом нуждается больше всего. Это особенно актуально для меланомы, раннее обнаружение которой критически важно для успешного лечения.
Авторы работы указывают, что внедрение подобного инструмента в рутинную клиническую практику потребует дополнительных исследований и организационных решений на системном уровне. Необходимо провести валидацию алгоритмов на других популяциях, проработать вопросы интеграции с электронными медицинскими картами, а также рассмотреть этические и правовые аспекты применения прогностических моделей.
Исследование основано на анализе данных обширной популяции и фокусируется на прогнозировании риска до появления клинических симптомов. Развитие подобных методов анализа данных представляет одно из направлений в области предиктивной медицины, которая ставит целью профилактику и раннее вмешательство. Использование ИИ для обработки больших массивов структурированной информации из медицинских регистров открывает новые возможности для перехода от реактивной к более профилактической модели здравоохранения.
