Модель классификации группы инвалидности у пациентов при последствиях острого нарушения мозгового кровообращения

Авторы:

Пономаренко Геннадий Николаевич — член-корреспондент РАН, Заслуженный деятель науки Российской Федерации, доктор медицинских наук, профессор, генеральный директор Федерального научно-образовательного центра медико-социальной экспертизы и реабилитации им. Г.А. Альбрехта, Бестужевская ул., д. 50, Санкт-Петербург, 195067, Российская Федерация; заведующий кафедрой физической и реабилитационной медицины ФГБОУ ВО СЗГМУ им. И.И. Мечникова Минздрава России, Пискаревский пр., д. 47, Санкт-Петербург, 195067, Российская Федерация; e-mail: ponomarenko_g@mail.ru; https://orcid.org/0000-0001-7853-4473.

Михайлишин Виктор Валерьевич — кандидат медицинских наук, начальник отдела цифровых технологий реабилитации Института реабилитации и абилитации инвалидов Федерального научно-образовательного центра медико-социальной экспертизы и реабилитации им. Г.А. Альбрехта, Бестужевская ул., д. 50, Санкт-Петербург, 195067, Российская Федерация; e-mail: mikhailishin_v@mail.ru; https://orcid.org/0000-0002-9518-1945

Головина Юлия Анатольевна — кандидат медицинских наук, руководитель отдела социальной и профессиональной реабилитации и абилитации инвалидов Института реабилитации и абилитации инвалидов Федерального научно-образовательного центра медико-социальной экспертизы и реабилитации им. Г.А. Альбрехта, Бестужевская ул., д. 50, Санкт-Петербург, 195067, Российская Федерация; кандидат медицинских наук; e-mail: doc.yuliagolovina@gmail.com; https://orcid.org/0009-0008-3903-2241

Алисханов Ахмед Магометович — врач по медико-социальной экспертизе ФГБУ «Федеральное бюро МСЭ» Минтруда России, Ивана Сусанина, 3, Москва, 127486, Российская Федерация; e-mail: aahhmmaa1960@gmail.com; https://orcid.org/0009-0000-1624-1587

Ишутина Инна Сергеевна — кандидат медицинских наук, директор Института реабилитации и абили-тации инвалидов Федерального научно-образовательного центра медико-социальной экспертизы и реабилитации им. Г.А. Альбрехта, Бестужевская ул., д. 50, Санкт-Петербург, 195067, Российская Федерация; e-mail: in.ishutina@yandex.ru; https://orcid.org/0000-0002-6640-904X.

Поляков Дмитрий Александрович — кандидат медицинских наук, руководитель отдела медико-социальной экспертизы и медицинской реабилитации инвалидов Института реабилитации и абилитации инвалидов Федерального научно-образовательного центра медико-социальной экспертизы и реабилитации им. Г.А. Альбрехта, Бестужевская ул., д. 50, Санкт-Петербург, 195067, Российская Федерация, 195067; e-mail: poliakov_dm@mail.ru; https://orcid.org/0009-0000-0251-5356.

Аннотация:

Введение. Острое нарушение мозгового кровообращения остаётся одной из ведущих причин инвалидизации с высокой социально-экономической нагрузкой, что требует эффективных инструментов прогнозирования степени нарушенных функций и группы инвалидности.

Цель. Разработать и оценить модель прогнозирования группы инвалидности у пациентов с последствиями острого нарушения мозгового кровообращения при проведении медико-социальной экспертизы.

Материалы и методы. В проспективный анализ включены деперсонализированные данные 3130 пациентов 18 лет и старше, освидетельствованных в бюро МСЭ Ленинградской области по поводу последствий ОНМК. Источниками информации служили направления на МСЭ, акты и протоколы освидетельствования. Построены модели машинного обучения, включая метод опорных векторов, стохастический градиентный спуск, дерево решений, случайный лес (Random Forest) и многослойный перцептрон, с использованием признаков, отражающих пол, возраст, выраженность парезов/параличей, атаксии, афазии, недержания мочи и кала, вестибулярные расстройства и ограничения жизнедеятельности. Качество классификации оценивали по Accuracy, Precision, Recall и Fl-мере; для интерпретации применяли метод перестановочной важности признаков.

Результаты. В результате сравнительного анализа наилучшие показатели продемонстрировали дерево решений и случайный лес: согласованные значения Accuracy, Recall и Fl-меры около 0,95-0,96. Наибольший вклад в прогноз группы инвалидности, например, внесли степень парезов/параличей и атаксии; вклад вестибулярных расстройств и недержания кала оказался минимальным.

Обсуждение. Полученное распределение групп инвалидности закономерно отражает постинсультный профиль с доминированием двигательных нарушений, что подтверждается максимальным вкладом парезов/пара-личей и атаксии в классификационные модели. Древовидные алгоритмы показали высокую и согласованную точность, существенно превзойдя линейные методы и многослойный перцептрон, что свидетельствует о нелинейной структуре взаимосвязей признаков.

Заключение. Полученная модель случайного леса позволяет с высокой точностью прогнозировать группу инвалидности у пациентов с последствиями ОНМК; следовательно, она может служить основой локального цифрового сервиса системы поддержки принятия решений, повышающего обоснованность и воспроизводимость решений МСЭ и требующего дальнейшей внешней валидации.

Список цитируемой литературы:

1. Николаев В.А., Николаев А.А. Инсульт: статистика и динамика заболеваемости в России // Менеджер здравоохранения. — 2025. — № 6. — С. 133-147. DoI: 10.21045/1811-0185-2025-6-133-147.

2. Abilova G., Kamkeh V., Kalmatayeva Zh. Predictive Estimations for Patients Who Have Suffered From Acute Cerebrovascular Accident and Have Undergone Rehabilitation. Open Access Maced J Med Sci. 2022;10(E):1024-8. DOI: 10.3889/oamjms.2022.9943.

3. Albu S., Izcara Lopez De Murillas E., Secanell Espluga M., et al. Clinical profiles and functional outcomes in elderly stroke survivors undergoing neurorehabilitation: a retrospective cohort study. Egypt J Neurol Psychiatr Neurosurg. 2024;60( 1): 102. DOI: 10.1186/ s41983-024-00877-x.

4. Гюльбяков Н.Р., Алексеева Н.В., Гюльбякова Х.Н. Цифровизация в здравоохранении: актуальный обзор литературы // Международный научно-исследовательский журнал. — 2024. — № 11. — С. 47-52.

5. Михайлишин В.В., Головина Ю.А., Пономаренко Г.Н., Большаков В.А. Система поддержки принятия экспертных решений при медико-социальной экспертизе детей с детским церебральным параличом // Физическая и реабилитационная медицина, медицинская реабилитация. — 2024. — Т. 6. — № 3. -С. 345-357.

6. Maholela P, Frederico O, Chongo I, Rafael J. Creatinga clinical decision-making algorithm in order to-build a one health knowledge repository to help sup-portand improve the public health surveillance sys-tem.Popul Med. 2023;5(Supplement). DOI: 10.18332/ popmed/164729.

7. Труханова И.Г., Гуреев А.Д., Бибикова Е.Г., Сорокина В.В. Актуальные достижения для системы поддержки принятия врачебных решений на базе технологий искусственного интеллекта // Инновации и инвестиции. — 2024. — № 12. -С. 532-534.

8. Камышанов Д.Э. Применение интеллектуальных систем поддержки принятия решений в современной системе здравоохранения // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. — 2024. -№ 11. — С. 69-74. DOI: 10.37882/2223-2966.2024.11.12.

9. Прокопенко Н.Ю. Системы поддержки принятия решений: учебное пособие. — Нижний Новгород: ННГАСУ; 2017. — 188 с.

10. ГОСТ Р 59898-2021. Оценка качества систем искусственного интеллекта: национальный стандарт Российской Федерации. Москва: Стандартинформ; 2023. 24 с.

11. Altmann A., Tolo§i L., Sander O., Lengauer T. Permutation importance: a corrected feature importance measure. Bioinformatics. 2010;26(10):1340-7. DOI: 10.1093/bioinformatics/btq134.

12. Поляков Д.А., Ишутина И.С., Ходаковский М.Д., Киселёва О.Н. Исходные данные для обучения нейромодели системы поддержки принятия решений для оптимизации клинико-экспертных технологий: формирование выборки. // Физическая и реабилитационная медицина. — 2025. — Т. 7. — № 4. -С. 59-68. DOI: 10.26211/2658-4522-2025-7-4-59-68.