Искусственный интеллект в диагностике сепсиса требует тщательной калибровки и персонализации  

В анализ были включены данные почти 200 тысяч взрослых пациентов, среди которых 54,8% составляли женщины. Локально обученная модель, которая генерировала прогнозы каждые 15 минут на основе витальных показателей и результатов лабораторных анализов, сравнивалась с тремя общепринятыми моделями: Sepsis-3, протоколами Medicare (SEP-1) и CDC (ASE). Частота выявления сепсиса колебалась от 1,2% до 2,9% в зависимости от выбранного стандарта, что непосредственно влияло на способность алгоритма корректно определять угрозу.  

Модель продемонстрировала лишь умеренную точность, которая критически зависела от того, какое именно медицинское определение сепсиса использовалось для оценки. Ключевой проблемой стала низкая прогностическая ценность положительного результата. При использовании стандарта Sepsis-3 лишь в 11,4% случаев срабатывания модели оказывалось истинным, а при критериях SEP-1 этот показатель падал до 6,8%. Хотя модель давала врачам запас времени от 3,4 до 4,5 часов до клинического проявления, цена такого опережения была слишком высокой — каждый пятый пациент получал ложное оповещение о сепсисе. Это создаёт риск «усталости от тревог» среди медицинского персонала и грозит игнорированием действительно критических ситуаций.  

Кроме того, точность модели существенно снижалась с увеличением тяжести состояния пациента: наилучшие результаты наблюдались в отделениях неотложной помощи, тогда как в отделениях интенсивной терапии показатели были значительно хуже.  

Высокий уровень ложноположительных результатов и изменчивость опережения во времени ставят под сомнение текущую клиническую полезность таких инструментов без существенной калибровки.  

Авторы исследования подчёркивают, что без тщательной настройки и персонализации даже современные ИИ-модели могут приносить больше хаоса, чем реальной помощи в борьбе за жизнь пациентов.