Современные возможности определения риска и предикторов госпитализации на основе данных медицинских информационных систем. Систематический обзор

Рост числа госпитализаций пациентов с хроническими неинфекционными заболеваниями остаётся одной из ключевых проблем систем здравоохранения. Значительная часть таких госпитализаций потенциально предотвратима при своевременном амбулаторном наблюдении и эффективной работе первичного звена. Прогностические модели, основанные на данных медицинских информационных систем (МИС) и электронных медицинских карт (ЭМК), позволяют идентифицировать пациентов с повышенным риском госпитализации и совершенствовать тактику их ведения. В статье систематизирован и обобщен международный опыт использования прогностических моделей оценки риска госпитализации, разработанных на основе данных МИС и ЭМК. Проведен систематический обзор публикаций, представленных в отечественных и зарубежных библиографических базах данных (Scopus, PubMed, BMC Health Services Research, BMJ Research, Google Scholar, Elibrary, Oxford Academic, Wiley Online Library) за период 1993-2023гг. В анализ включены исследования, в которых применялись данные ЭМК и МИС для разработки и/или валидации прогностических моделей риска госпитализации. Информация систематизирована по категориям предикторов: заболевания и коморбидные состояния, назначения лекарственных препаратов, взаимодействие с медицинскими организациями (МО), социально-демографические и лабораторные показатели. В окончательный анализ включены 14 исследований, описывающих 28 моделей прогнозирования риска госпитализации. В большинстве работ использовалась логистическая регрессия; в отдельных исследованиях применялись методы машинного обучения (градиентный бустинг, случайный лес, байесовские ансамблевые модели). Наибольшую прогностическую значимость имели категории "заболевания и коморбидные состояния" (42,3%), "назначения лекарственных препаратов" (23,6%) и "взаимодействие с МО" (19,8%). Включение временных характеристик (частота и давность госпитализаций, посещений МО первичной медико-санитарной помощи и проведения лабораторных исследований) повышало точность моделей. Прогностические модели, основанные на данных ЭМК и МИС, демонстрируют высокую дискриминационную способность и позволяют оценивать риск госпитализаций на уровне первичной медико-санитарной помощи. Применение методов машинного обучения в отдельных исследованиях показало возможность более глубокого анализа взаимосвязей между предикторами и повышение точности прогнозирования. Перспективным направлением является дальнейшая разработка, внешняя валидация и адаптация моделей на расширенных массивах данных ЭМК и МИС с целью их последующего использования при организации диспансерного наблюдения и профилактике хронических неинфекционных заболеваний.

1. Драпкина О. М., Концевая А. В., Калинина А. М. и др. Коморбидность пациентов с хроническими неинфекционными заболеваниями в практике врача-­терапевта. Евразийское руководство. Кардиоваскулярная терапия и профилактика. 2024;23(3):3996. doi:10.15829/1728-8800-2024-3996. EDN: AVZLPJ.

2. Sundmacher L, Fischbach D, Schuettig W, et al. Which hospi­talisations are ambulatory care-sensitive, to what degree, and how could the rates be reduced? Results of a group consensus study in Germany. Health Policy. 2015;119(11):1415-23. doi:10.1016/j.healthpol.2015.08.007.

3. Малявин А. Г., Авксентьева М. В., Бабак С. Л. Медицинские и экономические последствия расширения программы лекарственного обеспечения пациентов с ХОБЛ в России. Терапия. 2019;5(5):36-44. doi:10.18565/therapy.2019.5.36-44. EDN: VLVVPJ.

4. Klunder JH, Panneman SL, Wallace E, et al. Prediction models for the prediction of unplanned hospital admissions in com­munity-­dwelling older adults: A systematic review. PLoS One. 2022;17(9):e0275116. doi:10.1371/journal.pone.0275116.

5. Шепель Р. Н., Драпкина О. М., Концевая А. В. и др. Заболевания/состояния, чувствительные к амбулаторному лечению взрослых пациентов. Систематический обзор. Кардиоваскулярная терапия и профилактика. 2024;23(9): 4128. doi:10.15829/1728-8800-2024-4128. EDN: MAIAVK.

6. Castro Vargas S, Bauhoff S. Evaluating health systems through ambulatory care-sensitive conditions. Rev Panam Salud Publica. 2025;49:e75. doi:10.26633/RPSP.2025.75.

7. Saturno-­Hernández P, Moreno-­Zegbe E, Poblano-­Verastegui O, et al. Hospital care direct costs due to ambulatory care sensitive conditions related to diabetes mellitus in the Mexican public healthcare system. BMC Health Serv Res. 2024;24(1):507. doi:10.1186/s12913-024-10937-w.

8. Somé NH, Devlin RA, Mehta N. Primary care payment models and avoidable hospitalizations in Ontario, Canada: A multivalued treatment effects analysis. Health Econ. 2024;33(10):2288-305. doi:10.1002/hec.4872.

9. Лукьянов М. М., Го­мова Т. А., Савищева А. А. и др. РегиСтр мнОгопроФИльного медицинского ценТра (СОФИТ): основные задачи, опыт создания и первые результаты. Профилактическая медицина. 2023;26(6):46-54. doi:10.17116/profmed20232606146.

10. Марцевич С. Ю., Кутишенко Н. П., Лукина Ю. В. и др. Полифар­мация: определение, влияние на исходы, необходимость коррекции. Рациональная Фармакотерапия в Кардиологии. 2023; 19(3):254-63. doi:10.20996/1819-6446-2023-2924.

11. Долгушева Ю. А., Ефремова Ю. Е., Кудрина В. Г. и др. Риски поли­прагмазии у пожилых пациентов с сердечно-сосудистыми заболеваниями. РМЖ. Медицинское обозрение. 2025;9(1):77-84. doi:10.32364/2587-6821-2025-9-1-10.

12. Oddy C, Zhang J, Morley J. Promising algorithms to perilous applications: a systematic review of risk stratification tools for predicting healthcare utilisation. BMJ Health Care Inform. 2024;31(1):e101065. doi:10.1136/bmjhci-2024-101065.

13. Шепель Р. Н., Демко В. В., Гон­чаров М. В. и др. Анализ предикторов, используемых в опросниках или анкетировании пациентов, с позиции прогностической эффективности в отношении риска госпитализации. Кардиоваскулярная терапия и профилактика. 2024;23(5): 4026. doi:10.15829/1728-8800-2024-4026. EDN: FRKOHO.

14. Raldow AC, Raja N, Villaflores CW, et al. Proactive care mana­gement of AI-identified at-risk patients decreases preventable ad­missions. Am J Manag Care. 2024;30(11):548-54. doi:10.37765/ajmc.2024.89625.

15. Golinelli D, Pecoraro V, Tedesco D, et al. Population risk stra­ti­fication tools and interventions for chronic disease management in primary care: a systematic literature review. BMC Health Serv Res. 2025;25;526. doi:10.1186/s12913-025-12690-0.

16. Андрей­ченко А. Е., Ермак А. Д., Гаврилов Д. В. и др. Раз­работка и валидация моделей машинного обучения, прогнозирующих госпитализации пациентов с артериальной гипертензией в течение 12 месяцев. Кардиоваскулярная терапия и профилактика. 2025; 24(1):4130. doi:10.15829/1728-8800-2025-4130. EDN: YXVRIN.

17. Анд­рей­ченко А. Е., Ермак А. Д., Гаврилов Д. В. и др. Раз­работка и валидация моделей машинного обучения, прогнозирующих риск госпитализации пациентов с сахарным диабетом в течение последующих 12 месяцев. Сахарный диабет. 2024;27(2):142-57. doi:10.14341/DM13065.

18. Рукодайный О. В., Голощапов-­Аксенов Р. С., Шабуров Р. И. и др. Опыт применения алгоритма принятия клинико-­организационного решения на этапе первичной медико-­санитарной помощи при сердечно-­сосудистых заболеваниях у пациентов старших возрастных групп. Комплексные проблемы сердечно-­сосудистых заболеваний. 2022;11(2):85-97. doi:10.17802/2306-1278-2022-11-2-85-97.

19. Page MJ, McKenzie JE, Bossuyt PM, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71. doi:10.1136/bmj.n71.

20. Hippisley-­Cox J, Coupland C. Predicting risk of emergency ad­mis­sion to hospital using primary care data: derivation and valida­tion of QAdmissions score. BMJ Open. 2013;3(8):e003482. doi:10.1136/bmjopen-2013-003482.

21. Rahimian F, Salimi-­Khorshidi G, Payberah AH, et al. Predicting the risk of emergency admission with machine learning: development and validation using linked electronic health records. PLoS Me­dicine. 2018;15(11):e1002695. doi:10.1371/journal.pmed.1002695.

22. Riley RD, Ensor J, Snell KI, et al. External validation of clinical prediction models using big datasets from e-health records or IPD meta-analysis: opportunities and challenges. BMJ. 2016; 353:i3140. doi:10.1136/bmj.i3140.

23. Donnan PT, Dorward DW, Mutch B, et al. Development and validation of a model for predicting emergency admissions over the next year (PEONY): a UK historical cohort study. Arch Intern Med. 2008;168(13):1416-22. doi:10.1001/archinte.168.13.1416.

24. Tomlin AM, Lloyd HS, Tilyard MW, et al. Risk stratification of New Zealand general practice patients for emergency admissions in the next year: adapting the PEONY model for use in New Zealand. J Prim Health Care. 2016;8(3):227-37. doi:10.1071/HC15000.

25. Chenore T, Pereira Gray DJ, Forrer J, et al. Emergency hospital admissions for the elderly: insights from the Devon Predictive Model. J Public Health (Oxford). 2013;35(4):616-23. doi:10.1093/pubmed/fdt009.

26. Mesgarpour M, Chaussalet T, Chahed S. Ensemble Risk Model of Emergency Readmissions (ERMER). Int J Med Inform. 2017;103:65-77. doi:10.1016/j.ijmedinf.2017.04.010.

27. Gao J, Moran E, Li YF, et al. Predicting potentially avoidable hospitalizations. Med Care. 2014;52(2):164-71. doi:10.1097/MLR.0000000000000041.

28. Hutchings HA, Evans BA, Fitzsimmons D, et al. Predictive risk stratification model: a progressive cluster-­randomised trial in chronic conditions management (PRISMATIC) research protocol. Trials. 2013;14:301. doi:10.1186/1745-6215-14-301.

29. Lemke KW, Weiner JP, Clark JM. Development and validation of a model for predicting inpatient hospitalization. Med Care. 2012;50(2):131-9. doi:10.1097/MLR.0b013e3182353ceb.

30. Wang L, Porter B, Maynard C, et al. Predicting risk of hos­pi­talization or death among patients receiving primary care in the Veterans Health Administration. Med Care. 2013;51(4):368-73. doi:10.1097/MLR.0b013e31827da95a.

31. Benthien KS, Jacobsen RK, Hjarnaa L, et al. Predicting individual risk of emergency hospital admissions — a retrospective validation study. Risk Manag Healthc Policy. 2021;14:3865-72. doi:10.2147/RMHP.S314588.

32. Crane SJ, Tung EE, Hanson GJ, et al. Use of an electronic ad­ministrative database to identify older community-­dwelling adults at high risk for hospitalization or emergency department visits: the Elders Risk Assessment Index. BMC Health Serv Res. 2010;10:338. doi:10.1186/1472-6963-10-338.

33. Ларина В. Н., Карпенко Д. Г., Михайлусова М. П. Факторы риска, ассоциированные с госпитализациями по сердечно-сосудистым причинам, у амбулаторных пациентов в возрасте 60 лет и старше с хронической сердечной недостаточностью. Терапия. 2020;6(8):47-54. doi:10.18565/therapy.2020.8.47-54. EDN: VAFJEM.

34. Guo Y, Wang Y, Li X, et al. Optimal Thromboprophylaxis in Elderly Chinese Patients with Atrial Fibrillation (ChiOTEAF) registry: protocol for a prospective, observational nationwide cohort study. BMJ Open 2018;8:e020191. doi:10.1136/bmjopen-2017-020191.

35. Mannucci PM, Nobili A. Multimorbidity and polypharmacy in the elderly: lessons from REPOSI. Intern Emerg Med. 2014;9(7):723-34. doi:10.1007/s11739-014-1124-1.

36. Billings J, Georghiou T, Blunt I. Choosing a model to predict hospital admission: an observational study of new variants of predictive models for case finding. BMJ Open. 2013;3(8): e003352. doi:10.1136/bmjopen-2013-003352.

37. Nunes AL, Lisboa T, da Rosa BN. Impact of artificial intelligence on hospital admission prediction and flow optimization in health services: a systematic review. Int J Med Inform. 2025;204:106057. doi:10.1016/j.ijmedinf.2025.106057.

38. Zhang X, Wang H, Yu G. Machine learning-­driven prediction of hospital admissions using gradient boosting and GPT-2. Digit Health. 2025;11:20552076251331319. doi:10.1177/20552076251331319.

39. Sharda M, Sharma S, Raikar S, et al. The Role of Machine Learning in Predicting Hospital Readmissions Among General Internal Medicine Patients: A Systematic Review. Cureus. 2025;17(5):e84761. doi:10.7759/cureus.84761.