В последние годы технологии сбора, обработки и анализа данных развиваются стремительно. Основными драйверами развития стали резко повысившиеся доступность и снизившаяся стоимость вычислительных мощностей и хранения больших объёмов информации. Естественным образом, здравоохранение – одна из основных сфер, где стали использоваться новые инструменты. Пока чаще в исследовательских целях, но с постепенным переходом и в клиническую практику. Распространено мнение, что ответы на многие ранее нерешённые вопросы могут быть найдены, если к большому набору данных применить современные технологии их анализа, в частности методы, так называемого «машинного обучения». В теории это действительно так, но как дела обстоят на практике?

Одной из важнейших задач является прогнозирование результатов трансплантаций органов, в частности – печени. От точного прогноза зависит многое: от выбора кандидата на операцию, до определения оптимальной медикаментозной терапии после пересадки. На днях в журнале Transplantation Direct были опубликованы результаты масштабной работы, целью которой было создать надёжную модель, прогнозирующие годичные исходы трансплантации печени на основе предоперационных данных. Источником информации стали национальные регистры ФРГ и США.

Алгоритмы машинного обучения были применены к данным о 9007 операциях, выполненных в Германии, и о 105 075 пересадках, проведённых в Соединённых Штатах. Анализ включал 19 параметров, в том числе демографические характеристик реципиентов и доноров, а также набор лабораторных показателей. Классификация на основе алгоритма «случайного леса» показала наивысшую прогностическую значимость при обучении только на немецкой когорте (C-index = 0.69). Проверка модели на когорте США после объединения двух наборов данных показала очень низкую эффективность* (C-index = 0.54).

Хотя машинное обучение и продемонстрировало неплохие прогностические возможности на данных регистра ФРГ, её точность резко снизилась при переносе на внешнюю когорту, что свидетельствует о серьёзных различиях в характеристиках пациентов. Авторы подчеркивают, что в условиях, когда практически каждый месяц появляются новые модели, внедрение их в клиническую практику должно происходить только после аккуратной валидации на той когорте больных, на которой она впоследствии будет использоваться.

* прогнозирование результатов операций с помощью подбрасывания монеты имеет C-index = 0.50

Jung, Jin-On; Moosburner, Simon; Matevish, Lauren; Jafari, Brian; Bruns, Christiane; Pratschke, Johann; Vagefi, Parsia A.; Schmidt, Thomas; Patel, Madhukar S.; Raschzok, Nathanael. Predicting 1-year Graft Survival in Liver Transplantation: A Machine Learning Study Using Registry Data From Germany and the United States. Transplantation Direct 11(12):p e1878, December 2025. | DOI: 10.1097/TXD.0000000000001878