Клинические пороги для прогноза инсульта почти не уступают непрерывным моделям

Прогнозирование исходов при остром ишемическом инсульте — одна из ключевых задач клинической практики. Современные модели машинного обучения достигают высокой точности, однако врачи нередко скептически относятся к их решениям из-за несоответствия объяснений привычным клиническим алгоритмам. Новое исследование, опубликованное на arXiv, проверяет, можно ли заменить непрерывные предикторы категориальными переменными, заданными клиническими руководствами.

Авторы работы проанализировали данные многоцентрового европейского регистра, разделив пациентов на три когорты в зависимости от типа лечения. Они построили две версии градиентного бустинга: стандартную с непрерывными признаками и полностью категориальную, где пороги отсечения соответствовали национальным и международным рекомендациям по инсульту.

Результаты показали, что в двух из трёх когорт модели с клиническими категориями статистически неотличимы по точности от непрерывных аналогов. Однако в третьей группе наблюдалось значимое снижение прогностической эффективности. При этом глобальные рейтинги важности признаков оставались стабильными во всех группах, что говорит о сохранении иерархии ключевых факторов прогноза.

По мнению исследователей, это означает, что категоризация непрерывных переменных на основе клинических руководств может быть разумным компромиссом между интерпретируемостью и качеством предсказаний. Врачи чаще доверяют моделям, которые оперируют знакомыми пороговыми значениями, например уровнями артериального давления или лабораторных показателей.

Авторы подчёркивают, что работа представляет собой ранние доказательства — для окончательных выводов необходимы дополнительные клинические испытания. Тем не менее, подход выглядит перспективным для интеграции ИИ в реальную медицинскую практику, особенно в условиях ограниченных ресурсов и необходимости быстрых решений.

Полный текст исследования доступен на arXiv под идентификатором 2608.05203.