Одна из самых острых проблем в отделениях интенсивной терапии представляет собой выявление инфекционных и неинфекционных причин острой дыхательной недостаточности у пациентов на искусственной вентиляции легких. Симптомы тяжелой пневмонии и, например, кардиогенного отека легких или острого респираторного дистресс-синдрома зачастую неотличимы. Стандартные микробиологические тесты нередко дают ложноотрицательные результаты или требуют длительного времени. Эта неопределенность вынуждает врачей назначать антибиотики широкого спектра действия «на всякий случай», что усугубляет глобальный кризис антимикробной резистентности. Требуется принципиально новый подход, способный заглянуть глубже традиционных методов.
Биомаркер + ИИ
Группа американских исследователей предложила интересное решение, интегрирующее два разных уровня данных о пациенте. С одной стороны, они использовали биомаркер организма-хозяина – уровень экспрессии гена FABP4 в образцах из дыхательных путей. Этот белок, участвующий в метаболизме жирных кислот, ранее был идентифицирован как индикатор бактериальной инфекции в легких, однако его диагностическая точность как самостоятельного теста была недостаточной.
Параллельно ученые применили большую языковую модель GPT-4 для анализа неструктурированной текстовой информации из электронных медицинских карт (ЭМК). Искусственному интеллекту «скормили» клинические заметки лечащей команды и описания рентгенограмм грудной клетки, после чего модель в трех независимых сессиях оценивала вероятность наличия инфекции нижних дыхательных путей. Полученный «балл вероятности» от ИИ и количественный показатель экспрессии FABP4 затем объединялись с помощью алгоритма логистической регрессии, создавая комбинированный диагностический классификатор.
Параллельно ученые применили большую языковую модель GPT-4 для анализа неструктурированной текстовой информации из электронных медицинских карт (ЭМК). Искусственному интеллекту «скормили» клинические заметки лечащей команды и описания рентгенограмм грудной клетки, после чего модель в трех независимых сессиях оценивала вероятность наличия инфекции нижних дыхательных путей. Полученный «балл вероятности» от ИИ и количественный показатель экспрессии FABP4 затем объединялись с помощью алгоритма логистической регрессии, создавая комбинированный диагностический классификатор.
Впечатляющая точность
Исследование проводилось на двух независимых когортах тяжелобольных пациентов. В первой, деривационной когорте, каждый из методов по отдельности показал хорошую, но не идеальную эффективность (AUC ~0.83-0.84). Однако их синергия дала впечатляющий результат: площадь под кривой (AUC) выросла до 0.93, а точность диагноза составила 84%. Для сравнения, первоначальный клинический диагноз при поступлении в ОИТ был верным лишь в 72% случаев и часто был ложноположительным, приводя к избыточному назначению антибиотиков.
Еще более убедительные данные были получены при валидации на второй, независимой когорте пациентов, где преобладали вирусные инфекции, включая COVID-19. Здесь интегрированный алгоритм продемонстрировал почти безупречную работу: AUC 0.98, точность 96%, чувствительность 96% и специфичность 95%. Это означает, что система корректно идентифицировала 96 из 100 случаев как инфекцию или ее отсутствие, минимизируя ошибки.
Еще более убедительные данные были получены при валидации на второй, независимой когорте пациентов, где преобладали вирусные инфекции, включая COVID-19. Здесь интегрированный алгоритм продемонстрировал почти безупречную работу: AUC 0.98, точность 96%, чувствительность 96% и специфичность 95%. Это означает, что система корректно идентифицировала 96 из 100 случаев как инфекцию или ее отсутствие, минимизируя ошибки.
Человек vs Машина
Любопытный побочный результат исследования – сравнение работы GPT-4 с заключениями врачей, которые анализировали те же клинические данные. Общая точность оказалась сопоставимой, но пути к диагнозу разнились. Языковая модель сильнее опиралась на конкретные формулировки в рентгенологических описаниях, в то время как врачи учитывали более широкий клинический контекст и свои интуитивные представления. Это различие подчеркивает не замену, а дополнение искусственным интеллектом клинического мышления.
Будущее диагностики
Работа, опубликованная как proof-of-concept, открывает новую эру в диагностике критических состояний. Комбинация молекулярной биологии (биомаркер ответа организма) и передового искусственного интеллекта (анализ семантики медицинских записей) создает мощный инструмент для снижения диагностической неопределенности. Его внедрение в перспективе может кардинально сократить необоснованную антибактериальную терапию, спасая жизни от резистентных инфекций в будущем. Однако до рутинного использования в палатах интенсивной терапии предстоит пройти путь крупных рандомизированных исследований, которые подтвердят эффективность и безопасность подхода в реальных клинических условиях.
Дата публикации: 2025.12.25
Первоисточник:
Phan HV, Spottiswoode N, Lydon EC, Chu VT, Cuesta A, Kazberouk AD, Richmond NL, Deosthale P, Calfee CS, Langelier CR. Integrating a host biomarker with a large language model for diagnosis of lower respiratory tract infection. Nat Commun. 2025 Dec 16;16(1):10882. doi: 10.1038/s41467-025-66218-5. PMID: 41402257; PMCID: PMC12708615.
https://www.nature.com/articles/s41467-025-66218-5
Первоисточник:
Phan HV, Spottiswoode N, Lydon EC, Chu VT, Cuesta A, Kazberouk AD, Richmond NL, Deosthale P, Calfee CS, Langelier CR. Integrating a host biomarker with a large language model for diagnosis of lower respiratory tract infection. Nat Commun. 2025 Dec 16;16(1):10882. doi: 10.1038/s41467-025-66218-5. PMID: 41402257; PMCID: PMC12708615.
https://www.nature.com/articles/s41467-025-66218-5