ИИ для подбора лечения гипертензии у детей: модель МФТИ угадывает препарат на 98%

Количество детей с артериальной гипертензией в России за последние пять лет выросло на 17%. Врачи подбирают лечение методом проб и ошибок — выбирают один из пяти разрешенных препаратов и ждут результата 2–3 месяца. Студентка магистратуры МФТИ Анастасия Адамсон разработала модель машинного обучения, которая решает эту проблему: анализирует 154 клинических признака и предсказывает эффективный препарат с точностью 98%, позволяя врачам выбрать правильное лечение с первой попытки.

Месяцы напрасного ожидания

Артериальная гипертензия в детском возрасте становится все более распространенной проблемой. На поверхности решение выглядит просто: врач выбирает из пяти одобренных препаратов один и начинает терапию. Но здесь кроется фундаментальная сложность медицины — индивидуальность каждого организма. У одного ребенка эффективен Лизиноприл, у другого лучше ответит Амлодипин, у третьего сработает Небиволол, у четвертого нужен комбинированный подход. Врач этого не знает заранее. Если выбор оказывается неудачным, уходит месяц-два впустую. За это время давление ребенка остается повышенным, сосуды испытывают дополнительную нагрузку, растет риск гипертрофии левого желудочка и других осложнений. Потом назначают новый препарат и снова ждут. Эта циклическая ошибка сказывается не только на здоровье пациента, но и на психике ребенка — месяцы неопределенности и неэффективного лечения накладывают свой отпечаток.

Как модель предсказывает результат Адамсон обучила алгоритм на данных 272 пациентов.

Но главное — не просто количество данных, а их многослойность. Модель учитывает 154 признака, охватывающих полный клинический портрет ребенка: Демография: возраст, вес, индекс массы тела, рост Кардиология: УЗИ сердца, размеры левого желудочка, эхокардиография Сосудистая система: УЗИ сонных артерий, толщина интима-медиа Гемодинамика: систолическое и диастолическое давление в разных условиях Гормональный статус: уровни ренина, альдостерона, катехоламинов Лабораторная диагностика: функция почек и печени, электролиты, анализ мочи Алгоритм машинного обучения обрабатывает эту мозаику и находит скрытые закономерности. Он понимает, какие комбинации параметров указывают на эффективность каждого препарата. Итог: с точностью 98% модель предсказывает, какой из пяти лекарств сработает именно для этого ребенка, еще до первого назначения.

Открытия врачей в цифрах

Самое интересное — модель обнаружила статистические связи, которые врачи подозревали годами, но не могли строго доказать. Например, она выявила четкую корреляцию между избыточным весом ребенка и высокой эффективностью Лизиноприла в этой подгруппе. Врачи это замечали в практике, но формальной документации не было.

«Это не замена врачу, а сильный инструмент поддержки», — говорит Адамсон.

Финальное решение остается за педиатром или кардиологом. Но теперь специалист получает научно обоснованный совет вместо чистого предположения.

Что это значит для педиатрии

Исследование Адамсон показывает, как искусственный интеллект встраивается в реальную медицинскую практику. Вместо безсистемных проб врач будет располагать персонализированным прогнозом на основе анализа больших данных. Это означает сокращение времени подбора терапии с месяцев до дней, снижение периодов неконтролируемого давления и снижение риска осложнений для каждого пациента. AI здесь не волшебник, а помощник, расширяющий диагностические и терапевтические возможности медика.