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), 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 этом 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 2–3 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 9-летним стажем, три года из которых – в детской кардиологии.
«Я наблюдаю рост заболеваемости гипертензией у детей своими глазами. При этом возраст таких пациентов снижается. Если раньше с этой проблемой ко мне приходили с 15 лет, то в последнее время все больше пациентов младше 13. Для разработки своей ML-модели я собирала данные вручную – всего изучила 272 пациента, выделила по 90 признаков на каждого, а также внесла данные врачебного контроля, который проводился через 3-6 месяцев. Все реальное, без пропусков и синтетических допущений, поэтому получившийся результат особенно ценен», – рассказала Анастасия Адамсон.
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, Эхо-КГ, суточного мониторинга давления и УЗИ.
«Мы протестировали несколько алгоритмов машинного обучения. Лучше всего показал себя Random Forest. Он позволил “увидеть” то, что врачи чувствуют, но не могут доказать. Например, связь между лишним весом и эффективностью Лизиноприла. Или то, что дополнительная артерия почки – при том, что она считается физиологической нормой – может быть скрытым фактором риска. А ведь даже небольшое повышение точности – на 2-3% – в медицине означает десятки детей, которые получат правильное лечение быстрее», – добавила Анастасия Адамсон.
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.
Информация предоставлена пресс-службой МФТИ
Источник фото: ru.123rf.com
