Магистрант МФТИ разработала модель машинного обучения, которая помогает бороться с повышенным кровяным давлением у детей (гипертонией). ИИ-модель прогнозирует эффективность антигипертензивной терапии для конкретного пациента. Модель учитывает 154 клинико-инструментальных признака и способна предсказывать, какой препарат с наибольшей вероятностью подойдет конкретному ребенку.

В России растет число детей с артериальной гипертензией. С 2020 года количество таких пациентов увеличилось на 17%. Глобальный рост наблюдается и в мире: согласно метаанализу, опубликованному в журнале The Lancet Child & Adolescent Health (ноябрь 2025 года), частота случаев детской гипертонии с 2000 по 2020 год выросла: среди мальчиков — с 3,4% до 6,53%, среди девочек — с 3,02% до 5,82%.

Исследователь и руководитель проекта, магистрант МФТИ Анастасия Адамсон отмечает, что одной из ключевых сложностей в педиатрии является многовариантность норм. В отличие от взрослых, для которых давление выше 140/90 мм рт. ст. всегда считается повышенным, у детей существует 238 вариантов нормы только для систолического давления в зависимости от возраста, роста и пола.

При лечении маленьких пациентов врачи вынуждены подбирать терапию практически наугад. Рекомендуемая группа препаратов (ИАПФ) содержит пять препаратов, из которых можно выбрать в равной степени любой. Первые результаты будут видны только через два-три месяца, и, если лекарство не подошло, нужно менять схему и снова ждать. Все это время давление у ребенка остается высоким, риск осложнений растет. А родители часто просто бросают лечение, решив, что оно не помогает.

За решение этой проблемы взялась студентка онлайн-магистратуры МФТИ Анастасия Адамсон, практикующий врач с девятилетним стажем, три года из которых — в детской кардиологии.

До поступления на Физтех она не имела опыта работы с большими данными и машинным обучением. За два года учебы доктор освоила математические методы анализа данных, язык программирования Python и базовые принципы создания ML-моделей.

Модель, которую создала Анастасия, предсказывает, какой препарат с наибольшей вероятностью поможет конкретному пациенту. При этом система учитывает 154 клинико-инструментальных признака: от анамнеза и жалоб до ЭКГ, ЭхоКГ, суточного мониторинга давления и УЗИ.

В настоящее время созданная модель работает с монотерапией (способна в моменте анализировать результаты одного препарата) и не учитывает дозировки. К концу 2026 года команда проекта планирует расширить выборку до 500 пациентов и внедрить суточный мониторинг артериального давления для более точной оценки долгосрочного ответа на терапию.

По словам разработчика, применение модели в клинической практике позволит врачам быстрее подбирать эффективную терапию, сокращая время неэффективного лечения и снижая риск развития осложнений у детей с артериальной гипертензией. В перспективе это может улучшить качество жизни тысяч пациентов и уменьшить нагрузку на педиатрическую и кардиологическую службы.

Анастасия Адамсон, магистрант Московского физико-технического института, практикующий врач-кардиолог, ответила на вопросы «Ъ-Науки».

— Из 154 признаков какие два-три оказались самыми неочевидными для выбора препарата и почему врачи их раньше игнорировали?

— На самом деле упор в работе был как раз на то, чтобы модель распознавала нужные признаки, на которые уже опираются врачи, так как это подтверждает ее эффективность и способность понимать уже существующие взаимосвязи (например, так же, как и любой врач-кардиолог, модель опирается на признаки: заключение суточного мониторинга АД, максимальное диастолическое и систолическое давление, вес, рост, возраст пациента, прием препаратов после госпитализации, тахикардия, наличие диагноза эссенциальной или лабильной АГ и др). Из того, что выпадает из данной структуры, и того, что раньше не учитывалось, это кортизол ниже возрастной нормы, наличие на ЭКГ синдрома ранней реполяризации, сопутствующая миопия. Ранее эти признаки не учитывались в критериях постановки диагноза, но их стоит рассматривать как недостаток работы модели, так как при оценке корреляции с диагнозом АГ и проведении статистических тестов они оказались незначимыми. Этот момент требует доработки модели или же расширения выборки, что при увеличении количества пациентов позволит найти статистически значимую связь.

— Как вы планируете защитить врача от ошибки, если модель рекомендует один препарат, а ребенку объективно нужна комбинация двух средств? Не создаст ли это ложное чувство безопасности?

— Данная модель является прототипом, который работает на неосложенные формы АГ, так как в детской практике, в отличие от взрослых, идеалом лечения будет являться минимальное количество работающих антигипертензивных средств. Мы стремимся к монотерапии, а комбинация препаратов необходима в редких случаях при тяжелых, плохо контролируемых вариантах АГ. На данный момент отсутствие оценки необходимости нескольких препаратов для одного пациента является ограничением модели, при дальнейшей работе над проектом эта проблема будет устранена.

— Как будет выглядеть ответ модели на экране — жесткий топ-1 препарат или вероятностный рейтинг всех пяти вариантов с пояснением, почему выбор сделан?

— Сейчас модель выдает несколько препаратов с оценкой вероятности для каждого. Это сделано для того, чтобы врач мог выбрать: например, модель с вероятностью 70% и 71% рекомендует лозартан и лизиноприл соответственно, но врач знает, что у ребенка есть побочная реакция на препараты группы ИАПФ (лизиноприл), и в таком случае будет выбран препарат лозартан. Он имеет почти такую же высокую вероятность эффективности и не имеет побочного эффекта для данного пациента.

— Учитывает ли модель не абсолютное давление (140/90), а индивидуальные процентили (рост/возраст/пол) или вы все-таки оперируете «взрослыми» цифрами, чтобы упростить алгоритм?

— Данная модель работает на основе всех возрастно-ростовых и половых особенностей детей. Не только давление рассчитывается индивидуально в зависимости от роста, пола и возраста, но также и все анализы, ЭКГ, ЭхоКГ. Каждый отдельный показатель (например, гемоглобин или ЧСС) при попадании в модель будет учитываться согласно возрасту и полу ребенка.

— Учитываете ли вы гормональный статус или стадию пубертата? Ведь скачки давления у подростка 13 лет часто физиологичны и модель может назначить лекарство там, где нужно просто наблюдение.

— Модель умеет разделять лабильную АГ (подростковый вариант, требующий немедикаментозного или метаболического лечения) и стабильную форму эссенциальной АГ. Если ребенку не требуется терапия и повышение давления является эпизодическим, модель выдаст для врача результат о том, что терапия препаратами не требуется — с наибольшей вероятностью успеха.

— Может ли текущая версия модели предсказывать не только эффективность, но и вероятность побочных эффектов (например, кашель от ИАПФ), чтобы вы предупреждали родителей сразу и снижали риск прекращения лечения?

— Нет, данная модель не оценивает риск побочных эффектов. Данный пункт будет рассмотрен в дальнейшем при работе над проектом.

— Модель обучена на 272 пациентах из одного центра. Насколько вы уверены, что она сработает в другом регионе, и планируете ли вы сделать ее открытой для дообучения другими больницами?

— Отбор признаков для модели производился с учетом стандартных обследований по ОМС в государственных детских стационарах и согласно клиническим рекомендациям. То есть если ребенок будет проходить стационарное обследование, например, в городе Екатеринбурге, то мы получим на выходе стандартный набор исследований (те же 154 признака, которые были собраны по Московской области), необходимых для работы модели. Было бы замечательно подключить к данному исследованию базы данных из других больниц и сделать модель более мощной и точной. Но именно тестирование будет планироваться только в том случае, если программа пройдет регистрацию как медицинское изделие.

Пресс-служба МФТИ

Фото: iStock: