Методы предоперационного риск-скрининга на основе искусственного интеллекта с использованием анамнеза и лабораторных данных

статья посвящена анализу современных подходов к предоперационному риск-скринингу с использованием алгоритмов искусственного интеллекта, интегрирующих анамнестические и лабораторные данные. Обоснована актуальность перехода от традиционных скоринговых шкал к более точным и адаптивным ИИ-моделям, способным учитывать большое число переменных и выявлять сложные паттерны в клинико-биохимической информации. В рамках исследования изучены принципы построения предиктивных моделей, включая градиентный бустинг, XGBoost и логистическую регрессию с L1-регуляризацией, а также их интерпретируемость с применением SHAP. Особое внимание уделено обоснованию прогностической ценности таких факторов, как уровень С-реактивного белка, количество предоперационных консультаций, объем перелитой крови, хронические заболевания, пол, возраст, параметры медикаментозной терапии и лабораторные отклонения, которые не включаются в традиционные шкалы. Работа ставит целью систематизировать существующие методики, доказав преимущество моделей ИИ в условиях реального клинического процесса. Для её выполнения использован сравнительный анализ и структурирование научных источников. В заключении показано, что ИИ-скрининг трансформирует практику оценки риска, предлагая персонализированные и воспроизводимые решения. Статья будет полезна специалистам в области хирургии, анестезиологии и медицинской информатики.

предоперационный скрининг, машинное обучение, лабораторные данные, прогноз осложнений, SHAP-анализ, анестезиологический риск, электронные истории болезни, персонализированная медицина, интерпретируемость моделей, медицинская аналитика