Автоматизированный медицинский триаж

Материал из MachineLearning.

Версия 09:53, 16 июля 2026

Статья написана с использованием LLM Gemini и проверена участником Dmitrii Vishovan 13:39, 16 июля 2026 (MSD)

Введение и определение

Автоматизированный медицинский триаж (от фр. triage — сортировка) — это процесс классификации и маршрутизации пациентов на основе анализа их медицинских данных с использованием алгоритмов машинного обучения.

В условиях нехватки медицинских кадров и высокой нагрузки на систему здравоохранения (особенно в отделениях неотложной помощи и амбулаторном звене) традиционный ручной триаж становится «бутылочным горлышком». Цель алгоритмического триажа — автоматически, быстро и безопасно проанализировать входящий поток пациентов (симптомы, витальные показатели, историю болезни из ЭМК) и распределить их по уровню срочности и требуемой квалификации врача.

Базовая логика распределения:

• Простые случаи (Low Acuity/Complexity): Пациенты с типичными симптомами ОРВИ, мелкими травмами или необходимостью выписки рецепта. Алгоритм может направить их к фельдшеру, медсестре расширенной практики или врачу общей практики (терапевту), а в некоторых случаях — предложить автоматизированную рекомендацию с функцией «второго мнения» для быстрого подтверждения.
• Средние случаи (Moderate Acuity): Пациенты, требующие стандартного врачебного осмотра и базовой диагностики (например, подозрение на пневмонию, обострение хронических заболеваний). Направляются к профильным специалистам или врачам-терапевтам в порядке стандартной очереди.
• Сложные и экстренные случаи (High Acuity/Emergency): Пациенты с угрожающими жизни состояниями (подозрение на инфаркт, инсульт, сепсис) или редкими сочетанными патологиями. Алгоритм обязан мгновенно маркировать таких пациентов (red flag) и маршрутизировать их напрямую к узкопрофильным специалистам высшей квалификации или в отделение реанимации (ОРИТ), минуя этап первичного осмотра терапевтом.

Математическая постановка задачи

Задача автоматизированного триажа чаще всего формализуется как задача многоклассовой классификации или ранжирования.

Пусть — это вектор признаков -го пациента в момент обращения. может включать:

• Структурированные данные: пол, возраст, пульс, артериальное давление, температура, сатурация ().
• Неструктурированные данные: жалобы пациента (свободный текст), анамнез из ЭМК.

Алгоритм должен предсказать класс , где — количество уровней триажа (например, 5 уровней по шкале ESI — Emergency Severity Index).

В терминах машинного обучения модель оценивает вероятности принадлежности к каждому классу:

для .

В более сложных системах задача может рассматриваться как многозадачное обучение (Multi-Task Learning), где модель одновременно предсказывает:

1. Степень срочности (уровень триажа).
2. Наиболее вероятную медицинскую специальность, требуемую для лечения.
3. Необходимость срочной госпитализации.

Архитектуры и алгоритмы

Архитектура системы триажа зависит от типа входящих данных. Современные системы часто используют ансамблевые или мультимодальные подходы.

Классическое машинное обучение для структурированных данных

Для триажа на основе численных показателей (например, жизненно важные функции, базовая биохимия крови) традиционно применяются алгоритмы градиентного бустинга (XGBoost, LightGBM, CatBoost) или Случайный лес. Они обладают рядом преимуществ для медицинских задач:

• Хорошо работают с табличными данными и пропусками (что типично для момента поступления пациента).
• Не требуют колоссальных вычислительных мощностей.
• Обладают высокой базовой интерпретируемостью (важность признаков легко извлекается).

Обработка естественного языка (NLP) для анализа жалоб

Часто первичный контакт пациента с клиникой происходит через текстовые сообщения (чат-боты) или форму записи. Пациент описывает симптомы своими словами. Для анализа таких данных применяются методы NLP:

• Модели на основе Трансформеров (BERT, ClinicalBERT): Извлекают медицинские сущности (симптомы, локализацию боли) из свободного текста и преобразуют их в структурированный вектор для дальнейшей классификации.
• LLM (Large Language Models): Современные большие языковые модели (такие как GPT-4 или специализированные медицинские модели типа Med-PaLM) могут вести диалог с пациентом (симптомочекер), задавая уточняющие вопросы (например, «Иррадиирует ли боль в левую руку?») для более точного определения уровня риска перед маршрутизацией.

Мультимодальные сети

Передовые решения используют мультимодальные нейронные сети, которые способны одновременно «переваривать» текст жалоб, табличные витальные показатели и историю ЭМК, объединяя их эмбеддинги на поздних слоях сети (Late Fusion) для выдачи итогового решения о маршрутизации.

Специфические метрики и функции потерь

В задаче триажа ошибка классификации асимметрична (Cost-Sensitive Learning).

• Under-triage (Недосортировка): Алгоритм классифицирует сложного пациента (например, с предынфарктным состоянием) как «простой случай» и отправляет его в общую очередь к фельдшеру. Это критическая ошибка, которая может стоить пациенту жизни.
• Over-triage (Пересортировка): Алгоритм перестраховывается и отправляет пациента с панической атакой к дефицитному кардиологу. Это снижает эффективность клиники, но безопасно для пациента.

Поэтому стандартная метрика Accuracy (доля правильных ответов) здесь не подходит. Вместо неё используются:

1. Cost-sensitive Loss (Взвешенная функция потерь): Ошибке недосортировки искусственно присваивается вес (штраф) в десятки раз больший, чем ошибке пересортировки.
2. Чувствительность (Recall / Sensitivity) для высокоприоритетных классов: Целевой показатель для экстренных состояний часто фиксируется на уровне >95% или >99%, после чего оптимизируется специфичность.
3. Quadratic Weighted Kappa (Квадратичная взвешенная каппа): Метрика, которая учитывает, насколько сильно ошиблась модель. Перепутать 1-й и 2-й уровни триажа (экстренный и срочный) менее критично, чем перепутать 1-й и 5-й (экстренный и несрочный).

Роль «человека в петле» (Human-in-the-loop) и CDS

Критически важным элементом внедрения триажа в реальную медицину является концепция Human-in-the-loop (HITL, человек в контуре управления). ИИ не заменяет и не вытесняет врача, а работает исключительно в режиме активной поддержки принятия клинических решений (Clinical Decision Support, CDS). Окончательное решение о маршрутизации и диагнозе всегда остается за человеком, а алгоритм берет на себя роль ассистента, убирающего рутину и снижающего риск "замыливания глаз".

Механизм «второго мнения» для защиты от скрытых рисков

Медицинские данные на входе могут казаться простыми, однако у пациента могут быть скрытые тяжелые сопутствующие патологии. Для предотвращения опасных ошибок недосортировки (under-triage) в CDS-системы внедряются автоматические логические предохранители, связывающие предсказание модели с историческим профилем пациента.

Алгоритм эскалации: Если модель классифицирует текущее обращение пациента как «Простой случай» (Low Acuity), система обращается к его ЭМК и рассчитывает показатель совокупных затрат на его лечение за последний год. Если эти затраты превышают заданный порог (например, 90-й перцентиль по клинике — т.н. «дорогой пациент», что указывает на тяжелый мультиморбидный профиль):

1. Решение модели автоматически блокируется.
2. Статус обращения принудительно эскалируется до «Среднего случая» (Moderate Acuity).
3. Случай отправляется на обязательное ручное подтверждение врачом.

Такой гибридный подход позволяет защитить пациентов со сложным анамнезом от поверхностного анализа их текущих жалоб.

Объяснимый ИИ (XAI) для доверия врачей

Врач не может доверять «черному ящику» (black box). Каждое решение алгоритма о повышении или понижении приоритета должно быть аргументировано. Для этого используются методы XAI, в частности расчет SHAP-значений (SHapley Additive exPlanations).

В интерфейсе врача решение о маршрутизации сопровождается наглядной тепловой картой признаков. Например, если пациенту присвоена «Красная зона», система выводит текстовое и графическое пояснение:

«Приоритет повышен до экстренного из-за синергетического сочетания факторов: возраст > 65 лет (вклад +25%), острая боль в груди (+40%), наличие сахарного диабета 2-го типа в анамнезе (+15%)».

Это кардинально снижает когнитивную нагрузку на врача приемного покоя, позволяя ему за секунды проверить логику ИИ и подтвердить направление.

Ограничения и риски

Внедрение алгоритмов триажа сопряжено с серьезными этическими и практическими вызовами:

• Алгоритмическая предвзятость (Bias): Если модель обучалась на исторических данных клиники, где существовала предвзятость (например, жалобы женщин на боль в груди чаще игнорировались и маркировались как "тревожность"), алгоритм выучит и автоматизирует эту дискриминацию.
• Отсутствие эмпатии и клинического "чутья": Опытная медсестра триажа (Triage Nurse) при личном контакте оценивает не только сухие цифры, но и цвет кожных покровов, особенности дыхания, запах и общее поведение пациента — факторы, которые трудно формализовать на этапе записи.
• Проблема "Black Box" (Черного ящика): Врачи с недоверием относятся к маршрутизации, логику которой они не понимают. Интеграция методов XAI (например, SHAP-значений) необходима для того, чтобы алгоритм подсвечивал, *почему* пациент был отнесен к сложному случаю (например, «Алгоритм выявил сочетание тахикардии, возраста > 65 лет и упоминания одышки в тексте»).
• Legal & Liability (Юридическая ответственность): Вопрос о том, кто несет ответственность за ошибку в маршрутизации, приведшую к ухудшению состояния пациента (разработчик алгоритма, клиника или врач), остается предметом активных юридических дискуссий.

Примеры из практики

• Babylon Health / Ada Health: Симптомочекеры, интегрированные с национальными системами здравоохранения (например, NHS в Великобритании), которые маршрутизируют пациентов между самопомощью, телемедициной (терапевт) и вызовом скорой помощи.
• Клинические системы раннего предупреждения (EWS - Early Warning Scores): Модели, встроенные в ЭМК стационаров. Они в фоновом режиме мониторят витальные показатели всех пациентов в отделении и автоматически вызывают реанимационную бригаду к пациентам с высоким риском остановки сердца или сепсиса (например, алгоритм eCART).

Литература

• Levin, S., et al. Machine-Learning-Based Electronic Triage More Accurately Differentiates Patients With Respect to Clinical Outcomes Compared With the Emergency Severity Index // Annals of Emergency Medicine. — 2018. — Т. 71. — № 5. — С. 565-574.
• Miles, J., et al. Automated Triage and Risk Stratification of Patients in the Emergency Department // Journal of Medical Internet Research. — 2020. — Т. 22. — № 8.
• Raita, Y., et al. Predicting Triage Outcomes: Deep Learning approach in the Emergency Department // JAMA Network Open. — 2019.
• Goto, T., et al. Machine Learning–Based Prediction of Clinical Outcomes for Children During Emergency Department Triage // JAMA Network Open. — 2019.

См. также

• Медицинская диагностика
• Многоклассовая классификация
• Обработка естественного языка
• Объяснимый искусственный интеллект
• Электронная медицинская карта