Магистрантка МФТИ создала модель машинного обучения для борьбы с повышенным кровяным давлением у детей (гипертонией). Эта ИИ-система прогнозирует эффективность антигипертензивной терапии для каждого маленького пациента. Анализируя 154 клинико-инструментальных признака, модель определяет оптимальный препарат для конкретного ребенка.
Растущая проблема детской гипертензии
В России число детей с артериальной гипертензией увеличилось на 17% с 2020 года. Подобная тенденция характерна для многих стран: данные показывают рост случаев детской гипертонии с начала века. Среди мальчиков частота увеличилась с 3,4% до 6,53%, среди девочек — с 3,02% до 5,82%.
Сложности педиатрической диагностики и лечения
Анастасия Адамсон, магистрант МФТИ и руководитель проекта, подчеркивает уникальную сложность педиатрии: множественность норм. В отличие от взрослых (стандарт 140/90 мм рт. ст.), у детей существует 238 вариантов нормы систолического давления, зависящих от возраста, роста и пола.
Лечение детей часто превращается в метод проб и ошибок. Из рекомендованной группы препаратов (ИАПФ) врач выбирает один из пяти вариантов наугад. Результат оценивается лишь через 2-3 месяца. Если препарат неэффективен, схему меняют, а давление остается высоким, повышая риск осложнений. Родители, видя отсутствие быстрого эффекта, иногда прекращают терапию.
Опыт врача и сила данных
Анастасия Адамсон, практикующий врач с 9-летним стажем (3 года в детской кардиологии) и студентка онлайн-магистратуры МФТИ, взялась решить эту проблему.
"Я лично вижу рост заболеваемости гипертензией у детей, причем возраст пациентов снижается. Если раньше ко мне обращались с 15 лет, то теперь все чаще приходят дети младше 13 лет. Для ML-модели я вручную собрала данные по 272 пациентам, выделив по 90 признаков на каждого, включая результаты врачебного контроля через 3-6 месяцев. Данные реальные, без пропусков и синтетики, что делает результат особенно ценным", — пояснила Анастасия Адамсон.
До МФТИ у нее не было опыта работы с большими данными и машинным обучением. За два года обучения она освоила математический анализ данных, Python и основы создания ML-моделей.
Как работает умная модель
Разработанная Анастасией модель предсказывает наиболее подходящий препарат для пациента. Система анализирует 154 признака: от анамнеза и жалоб до данных ЭКГ, Эхо-КГ, суточного мониторинга давления и УЗИ.
"Мы протестировали несколько алгоритмов. Лучшие результаты показал Random Forest. Он выявил скрытые закономерности, которые врачи ощущают интуитивно, но не могут доказать. Например, связь между избыточным весом и эффективностью Лизиноприла. Или то, что дополнительная почечная артерия (считающаяся нормой) может быть фактором риска. Даже небольшое повышение точности на 2-3% в медицине означает десятки детей, получивших правильное лечение быстрее", — добавила Анастасия Адамсон.
Перспективы развития и внедрения
Сейчас модель работает с монотерапией (анализирует один препарат) и не учитывает дозировки. К концу 2026 года команда планирует расширить выборку до 500 пациентов и внедрить суточный мониторинг давления для точной оценки долгосрочного эффекта терапии.
Будущее детской кардиологии
Применение модели в клиниках позволит врачам быстрее находить эффективное лечение, сокращая период неэффективной терапии и снижая риск осложнений у детей с гипертонией. Это улучшит качество жизни тысяч пациентов и уменьшит нагрузку на педиатрические и кардиологические службы.
Информация предоставлена пресс-службой МФТИ
Источник: scientificrussia.ru
