Предсказуемый характер значительной доли потенциально предотвратимых госпитализаций, преимущественно связанных с хроническими неинфекционными заболеваниями (ХНИЗ), усиливает научно-практический интерес к поиску эффективных способов их предотвращения. Вместе с тем постановка задачи по предотвращению госпитализаций требует дифференцированного подхода, поскольку во многих случаях стационарное лечение может быть обусловлено тяжестью состояния и объективными клиническими показаниями, а своевременная плановая госпитализация с последующим наблюдением на этапе первичной медико-санитарной помощи (ПМСП) может являться оптимальной клинической стратегией1 [1]. Согласно современным отечественным и зарубежным исследованиям, значительная часть госпитализаций пациентов с ХНИЗ является предотвратимой при более эффективном и качественном ведении на амбулаторном этапе [2-4]. В последнее время все больше внимания уделяется концепции состояний, чувствительных к амбулаторному лечению (Ambulatory Сare Sensitive Conditions, ACSC), согласно которой эффективность, доступность и своевременность оказания населению ПМСП позволяет снизить социально-экономическое бремя, обусловленное предотвратимыми госпитализациями при указанных состояниях [5]. В опубликованном в 2025г международном систематическом обзоре, обобщившем результаты >50 исследований за 2001-2023гг, была подтверждена обратная зависимость между доступностью и качеством ПМСП и частотой предотвратимых госпитализаций [6]. Несмотря на то, что авторы подчёркивают необходимость учета национальных особенностей и структуры системы здравоохранения при использовании ACSC для международных сопоставлений, результаты обзора позволяют говорить о существующем общем тренде, подтвержденном современными исследованиями отдельных стран. В 2024г в Мексике прямые затраты на госпитализации по поводу ACSC, связанных с сахарным диабетом 2 типа (СД-2) составили до 2% всех расходов на стационарную помощь и ~1% валового внутреннего продукта, выделяемого на здравоохранение и социальные услуги [7]. В Канаде внедрение организационной модели оказания медицинской помощи, ориентированной на первичное звено, с элементами смешанной оплаты труда врачей и дополнительными финансовыми стимулами за достижение целевых показателей, способствовало снижению частоты госпитализаций по таким ACSC, как СД-2 и хроническая сердечная недостаточность [8].

В России также имеется интерес к изучению возможностей предотвращения госпитализаций за счет оптимизации оказания ПМСП. Согласно результатам регистра стационарных больных СОФИТ (РегиСтр мнОгопроФИльного медицинского ценТра), сердечно-сосудистые заболевания (ССЗ) выявлены у 65,7% госпитализированных, причём у 84,4% из них имелась как минимум одна сопутствующая хроническая патология терапевтического профиля. Мультиморбидность в виде сочетания ≥2 ССЗ была установлена у 38,2% пациентов, а наличие ССЗ совместно с некардиальной патологией — у 84,4%, что подтверждает значительную концентрацию мультиморбидных пациентов среди госпитализированных [9]. Мультиморбидность, в свою очередь, приводит к полипрагмазии (одновременному назначению пациенту ≥5 лекарственных препаратов (ЛП)), которая значимо увеличивает риск нежелательных лекарственных реакций (НЛР). В исследовании Марцевича С. Ю. и др. показано, что полипрагмазия ассоциируется с более частыми госпитализациями, осложнениями и ухудшением исходов лечения заболеваний, поэтому является важной мишенью для профилактических мероприятий на этапе ПМСП [10]. Сходные данные представлены в обзоре Долгушевой Ю. А. и др., согласно которому полипрагмазия у пожилых пациентов с ССЗ значимо увеличивает риск НЛР, приводящих в 5% случаев к госпитализации в отделения неотложной помощи, при этом авторы подчеркивают ключевую роль врачей первичного звена в оптимизации фармакотерапии: оценка межлекарственных взаимодействий, НЛР и своевременной коррекции назначений, что способствуют предупреждению госпитализаций [11]. В системе здравоохранения Российской Федерации врачи общей практики (семейные врачи) и врачи-терапевты участковые также выполняют ключевые функции по реализации комплекса профилактических мероприятий в рамках ПМСП, включая периодические медицинские осмотры и диспансеризацию определенных групп взрослого населения — регулярные скрининговые обследования, направленные на раннее выявление ХНИЗ и факторов риска их развития2,3. Проведение таких профилактических мероприятий позволяет на ранних стадиях диагностировать заболевания или предрасположенность к ним, своевременно начинать лечение и, тем самым, предотвратить развитие осложнений. Для пациентов, состоящих на диспансерном наблюдении, критерием эффективности является снижение частоты обострений, осложнений и связанных с ними жизнеугрожающих состояний при ХНИЗ, а также уменьшение количества обращений за медицинской помощью, включая вызовы скорой медицинской помощи и госпитализации по экстренным медицинским показаниям4. Таким образом, периодические медицинские осмотры, диспансеризация определенных групп взрослого населения и последующее диспансерное наблюдение представляют собой взаимосвязанные механизмы профилактики, позволяющие снизить риск потенциально предотвратимых госпитализаций, что согласуется с концепцией ACSC.

Несмотря на то, что в нормативной базе установлены критерии эффективности профилактических мероприятий, практическая реализация мер, направленных на снижение риска госпитализации, по-прежнему остаётся сложной задачей для медицинского сообщества. Одним из перспективных направлений ее решения является своевременная идентификация пациентов с высоким риском госпитализации на основании выявления прогностических признаков (предикторов). Предикторы являются ключевыми элементами прогностических моделей риска госпитализации, позволяющих своевременно выявлять пациентов с высоким риском и оптимизировать тактику их ведения на амбулаторном этапе [12]. Изначально получение информации о таких предикторах осуществлялось с помощью методов анкетирования и опросников, заполняемых как пациентами, так и медицинским персоналом. Авторским коллективом ранее был проведен систематический обзор, посвящённый анализу международного опыта применения прогностических моделей риска госпитализации, основанных на данных указанных опросных инструментов [13]. В рамках обзора была осуществлена систематизация наиболее распространённых прогностических факторов, таких как возраст, количество предшествующих госпитализаций, полипрагмазия, самооценка здоровья, а также функциональный и когнитивный статус пациентов.

Однако в последние годы, с развитием цифровых технологий в здравоохранении и повсеместным внедрением электронных медицинских карт (ЭМК) и медицинских информационных систем (МИС), появились принципиально новые возможности для прогнозной аналитики. Накопление больших объёмов структурированных клинических, лабораторных и инструментальных данных, формируемых в процессе оказания медицинской помощи пациентам, позволяет выявлять значимые прогностические признаки, опираясь на рутинную клиническую информацию [14][15]. При этом, несмотря на отдельные отечественные исследования, посвящённые прогнозированию риска госпитализации при конкретных заболеваниях [16-18], систематические обзоры, обобщающие международный опыт использования прогностических моделей риска госпитализации, разработанных именно на основе данных ЭМК и МИС, в отечественной литературе на данный момент не представлены.

Цель исследования — систематизировать и обобщить опыт использования прогностических моделей оценки риска госпитализаций, которые потенциально могли бы быть предотвращены при эффективном ведении пациентов на амбулаторном этапе, разработанных на основе данных МИС и ЭМК.

Исследование было выполнено в 4 последовательных этапа.

1 этап — поиск публикаций в отечественных и зарубежных электронных библиографических базах данных. Поиск статей был проведён в период с 01.09.2023 по 15.12.2023 в восьми библиографических базах данных: Scopus, PubMed, BMC Health Services Research, BMJ Research, Google Scholar, Elibrary, Oxford Academic и Wiley Online Library. Для поиска использовались ключевые слова на английском и русском языках: risk assessment of emergency admission, questionnaire of emergency admission, probability of repeated admission, risk prediction of emergency admission, repeated admission, validity of emergency admission, predictive validity of emergency admission, screening tool for admission prediction, экстренная госпитализация, повторная госпитализация, внеплановая госпитализация, опросники госпитализаций, оценка риска, системы оценки риска, прогностические модели оценки риска.

Критерии включения:

— сведений об участниках (количество, возраст, критерии включения/невключения в исследование);

— сведений о разработке, валидации и/или практическом использовании прогностических моделей на основе данных ЭМК и/или МИС;

— сведений о предикторах госпитализации;

— сведений о прогнозируемом исходе: госпитализация.

Критерии невключения:

2 этап — исключение дубликатов. Названия и аннотации материалов, полученных на 1 этапе, были проверены и оценены на предмет релевантности двумя членами исследовательской группы, после чего были исключены повторяющиеся поисковые выдачи.

3 этап — отбор полнотекстовых публикаций по критериям включения и невключения. Два члена исследовательской группы извлекли полные тексты потенциально релевантных публикаций и провели их анализ на соответствие установленным критериям включения и невключения.

4 этап — систематизация и анализ полученных данных. Для всех публикаций, включённых в финальный анализ, был составлен перечень предикторов риска госпитализации, использованных в прогностических моделях на основе ЭМК и МИС с группировкой по следующим категориям:

При подготовке систематического обзора использовалась система PRISMA (Preferred Reporting Items for Systematic reviews and Meta-Analyses) [19]. Систематизация информации проводилась в электронных таблицах Microsoft Office Excel (Office 365).

Схема реализации стратегии поиска публикаций представлена на рисунке 1.

Всего из 28133 первично найденных публикаций к 4 этапу исследования допущены 14 полнотекстовых версий статей с описанием исследований, которые полностью соответствовали критериям включения/невключения и были внесены в окончательный анализ (таблица 1).

В этих 14 исследованиях было изучено 28 прогностических моделей:

1. Qadmissions (QA);

1.1. QResearch (женщины);

1.2. QResearch (мужчины);

1.3. Clinical Practice Research Datalink (CPRD) (женщины);

1.4. CPRD (мужчины);

1.5. Qadmissions (QA);

1.6. QA+;

1.7. QA-Time (Gradient Boosting classifier) (QA-T GBC);

2. The Predicting Emergency Admissions Over the Next Year (PEONY);

2.1. PEONY, Великобритания;

2.2. PEONY, Новая Зеландия (NZ);

3. Combined Predictive Model (CPM);

4. Devon Predictive Model (DPM);

5. Inpatient Admissions and Emergency Outpatient General Practice Predictor (IPAEOPGP);

6. Emergency Room Model & Emergency Risk (ERMER);

7. Patient Risk Identification and Stratification Model (PRISM);

8. Adjusted Clinical Groups (ACG);

8.1. Модель предыдущих госпитализаций (Prior Hospitalization Model);

8.2. Модель индекса коморбидности Чарльсон (Charlson comorbidity hospitalization model);

8.3. ACG модель госпитализации с поступлением в стационар (ACG Inpatient Hospitalization);

8.4. ACG модель госпитализации с поступлением в отделение реанимации и интенсивной терапии (ОРИТ) (ACG ICU (intensive care unit)/CCU (coronary care unit) Hospitalization);

8.5. ACG модель длительной госпитализации (ACG Extended Hospitalization);

9. Veterans Health Administration (VHA) Predictive Model;

9.1. Модель госпитализации (90 дней);

9.2. Модель летального исхода без госпитализации (90 дней);

9.3. Модель госпитализации или летального исхода (90 дней);

9.4. Модель госпитализации (1 год);

9.5. Модель летального исхода без госпитализации (1 год);

9.6. Модель госпитализации или летального исхода (1 год);

10. Patients At High-risk for Hospitalization Screening (PAHS);

11. Elders Risk Assessment Index (ERA);

12. ACSC Predictive Model.

Большинство (8 из 14 исследований) было выполнено в Великобритании, 4 в США, по 1 исследованию в Дании и Новой Зеландии.

Исследования, отобранные для окончательного анализа, характеризуются широким спектром применяемых методов предиктивной аналитики и значительным объемом выборок участников (от 12650 до 9339227 человек) (таблица 1). Возрастной диапазон пациентов варьировал от 18 до 100 лет, однако в большинстве исследований были представлены взрослые >40 лет. Прогностические модели различались по числу предикторов от 13 до >1200, что связано с методологическими особенностями разработки моделей и объемом доступных данных ЭМК и МИС МО. Анализ 28 изученных моделей прогнозирования риска госпитализации был основан как на традиционных статистических подходах, так и на современных алгоритмах машинного обучения (machine learning, ML).

В исследовании 2013г, проведенном группой ученых во главе с Hippisley-Cox J [20] (QAdmissions), разработка и валидация алгоритма прогнозирования риска госпитализации в течение года были основаны на анализе данных пациентов, получавших ПМСП, которые были извлечены из национальной базы медицинских данных Великобритании QResearch Database.

Прогностическая модель была разработана на основе регрессии Кокса (Cox proportional hazards model) с поэтапным включением переменных. В отношении риска госпитализации наибольшую прогностическую значимость продемонстрировали социально-демографические показатели, заболевания и коморбидные состояния, а также назначения ЛП. В более позднем исследовании, проведенном Rahimian F, et al. в 2019г [21], на основе расширенных данных базы QResearch, помимо регрессии Кокса, использовались методы ML — градиентный бустинг (GBC — gradient booster classifier) и алгоритм "случайного леса" (Random Forest, RF). Сравнительный анализ показал, что ML-алгоритмы обеспечивают более высокую точность прогнозирования риска госпитализации в течение года по сравнению с традиционными статистическими подходами за счёт возможности анализа нелинейных зависимостей и более сложных взаимодействий между переменными. Для проведения внешней валидации авторы следовали рекомендациям, описанным в комплексном исследовании Riley RD, et al. [22], где изложены современные подходы и методологические рекомендации по внешней валидации прогностических моделей с использованием больших массивов данных из ЭМК и метаанализа индивидуальных данных пациентов. В частности, акцентируется внимание на необходимости оценки дискриминационной способности (C-statistic) и калибровки (соотношение ожидаемых и наблюдаемых исходов, наклон калибровочной кривой), гетерогенности эффективности модели в разных клинических условиях, популяциях и подгруппах пациентов, а также предлагаются способы графической интерпретации результатов валидации, включая применение мета-регрессионного анализа и методов рекалибровки для повышения прогностической точности модели в целевой популяции.

В исследовании Donnan PT, et al. (PEONY) [23] алгоритм прогнозирования риска госпитализации в течение года был разработан и валидирован на основе данных национальной медицинской информационной системы Шотландии (Scottish Morbidity Record). Для построения прогностической модели использовалась логистическая регрессия. Наибольшую прогностическую значимость в отношении риска госпитализации продемонстрировали такие предикторы как возраст, социально-демографические показатели (в т.ч. индекс депривации района проживания), заболевания и коморбидные состояния, а также сведения о назначениях ЛП. Проведение внешней валидации позволило подтвердить точность алгоритма при прогнозировании риска госпитализации в течение года.

В исследовании Tomlin, AM, et al. (PEONY-NZ) [24] алгоритм прогнозирования риска госпитализации в течение года был разработан и валидирован на основе данных национальной медицинской информационной системы Новой Зеландии. Для построения модели также применялась логистическая регрессия. Среди исследованных предикторов наиболее прогностически значимыми оказались возрастные характеристики, заболевания и коморбидные состояния, а также данные о назначениях ЛП. Внешняя валидация модели показала умеренную прогностическую точность (Area Under Curve, AUC=0,72) и высокую специфичность (99,5%), однако при этом была отмечена низкая чувствительность (5,9%), что указывает на имеющийся риск пропуска пациентов с реальной потребностью в госпитализации.

В модели CPM5 использовался значительный объем данных, включавший информацию о госпитализациях, посещениях отделений неотложной помощи, а также данные из ЭМК учреждений ПМСП. В общей сложности модель включала >850 переменных, среди которых наибольшей прогностической значимостью обладали количество и частота предыдущих госпитализаций, обращения в отделения неотложной помощи, а также набор клинических диагнозов и лабораторных показателей. Модель была валидирована на большой выборке и показала высокое положительное прогностическое значение (Positive Predictive Value, PPV=73,6%) при прогнозировании госпитализаций в течение года для пациентов с максимальным уровнем риска. В дальнейшем модель CPM была использована в качестве референса для сравнения с моделью DPM (Chenore T, et al. 2013) [25]. В данном исследовании авторы подчеркнули необходимость учёта локальных данных, продемонстрировав, что добавление таких предикторов, как продолжительность прикрепления пациента к учреждению общей практики позволяет улучшить точность модели, особенно в группах пациентов пожилого возраста.

В исследовании Mesgarpour M, et al. [26] представлены результаты оценки прогностической эффективности модели ERMER (Ensemble Risk Model of Emergency Readmissions) в отношении риска повторной госпитализации в течение года после выписки из стационара. Модель основана на ансамблевом байесовском методе (Bayes Point Machine), что позволяет учитывать нелинейные взаимосвязи между переменными и динамически адаптироваться к изменениям структуры и качества данных, а также к изменениям популяционных характеристик пациентов и особенностям оказания медицинской помощи. В основу модели ERMER заложены данные об экстренных госпитализациях из базы Hospital Episode Statistics (HES), разработка и валидации осуществлялись на трёх временных выборках с использованием нескольких субмоделей, сформированных по разным популяционным группам. Среди наиболее значимых предикторов были выделены количество и тип предшествующих госпитализаций, поступления по скорой помощи, наличие заболеваний и ранее проведённых вмешательств. Модель ERMER показала хорошую прогностическую точность (AUC=0,759-0,771; PPV=71,6-73,9%) и продемонстрировала эффективность использования байесовского подхода и методов ML для прогнозирования риска госпитализаций.

В других прогностических моделях риска госпитализаций также преимущественно были использованы данные из ЭМК, информация о посещениях МО ПМСП и отделений неотложной помощи, а также информация о предшествующих госпитализациях. Для разработки и валидации моделей применялись методы многомерного статистического анализа (логистическая регрессия). В моделях, ориентированных на прогнозирование госпитализаций при заболеваниях/состояниях, чувствительных к амбулаторному лечению, ACSC Predictive Model (Gao J, et al.) [27] и PRISM, (Hutchings HA, et al.) [28], особое внимание уделялось интеграции значительного числа социально-демографических и клинических факторов, а также показателей доступности и качества оказываемой медицинской помощи. Прогностическая точность таких моделей была от умеренной до высокой: значения AUC варьировали от 0,76 до 0,80, а PPV от 52 до 74% (таблица 1). В моделях ACG (Lemke KW, et al.) [29] и VHA (Wang L, et al.) [30] при определении риска госпитализации особое внимание уделялось наличию и сочетанию коморбидных состояний, а также частоте и характеру предшествующих госпитализаций.

В датской модели PAHS [31], включавшей 57 предикторов, использовались данные о частоте амбулаторных обращений и эпизодах лечения в стационаре, демографические и социально-экономические характеристики пациентов, а также информация об имеющихся ХНИЗ. Несмотря на ограниченное число переменных, модель продемонстрировала приемлемые показатели прогностической точности (AUC=0,77; PPV=52%). В модели ERA (Elders Risk Assessment Index) [32] использовался аналогичный подход, однако особое внимание уделялось пожилым пациентам, а основными предикторами являлись возраст, частота госпитализаций и обращений в отделение неотложной помощи, наличие ССЗ, эндокринных заболеваний. Прогностическая точность этой модели была умеренной (AUC=0,68-0,70).

На основе анализа прогностических моделей, включенных в систематический обзор, был сформирован единый перечень из 181 уникального предиктора риска госпитализации (рисунок 2). Ввиду различий в исходных клинических классификациях и способах кодирования данных, была проведена унификация с последующим приведением предикторов к единому понятийному пространству. Полученный перечень предикторов был структурирован путём объединения в несколько укрупнённых категорий, что позволило обеспечить сопоставимость данных из различных прогностических моделей (рисунок 3).

Доминирование категории "Заболевания и коморбидные состояния" (42,3%) отражает значимость мультиморбидности как ведущего фактора, обусловливающего риск госпитализации и связанного с более высоким потреблением ресурсов системы здравоохранения. Наиболее распространёнными предикторами риска госпитализации в данной категории были болезни органов дыхания; астма, хроническая обструктивная болезнь легких в 9 исследованиях и 24 моделях, СД 2 типа в 8 исследованиях и 19 моделях, и ССЗ в 7 исследованиях и 15 моделях. При этом, если суммировать предиктор "ССЗ (любые)" с отдельными нозологическими формами, относящимися к данной группе заболеваний и представленными в качестве независимых переменных (артериальная гипертония (АГ), ишемическая болезнь сердца, хроническая сердечная недостаточность и др.) (рисунок 2), то совокупно предикторы, относящиеся к ССЗ, присутствовали во всех проанализированных исследованиях и моделях. В отечественной и международной литературе мультиморбидность активно изучалась с позиций её связи с риском госпитализации и с исходами заболеваний с использованием медицинских регистров [1][33]. В частности, по данным проспективного регистра ChiOTEAF (China Optimal Thromboprophylaxis in Elderly Chinese Patients with Atrial Fibrillation) было установлено, что мультиморбидность является независимым фактором риска неблагоприятных клинических исходов, включая повторные госпитализации и сердечно-сосудистую смерть [34]. Согласно результатам регистра REPOSI (REgistro POliterapie SIMI (Società Italiana di Medicina Interna — SIMI)), оценивавшего мультиморбидность у пожилых пациентов, экстренно поступающих в стационары, наличие нескольких ХНИЗ ассоциировалось с увеличением риска повторных госпитализаций [35].

Следующими по распространённости категориями были "Назначения ЛП" (23,6%) и "Взаимодействие с МО" (19,8%). Наиболее распространёнными предикторами госпитализации в категории "Назначения ЛП" были приём антидепрессантов (8 исследований, 19 моделей), диуретиков (5 исследований, 10 моделей) и нестероидных противовоспалительных средств (4 исследования, 15 моделей). Реже встречались приём кортикостероидов, антиостеопоротических препаратов, антипсихотиков и антикоагулянтов (по 4 исследования и 9 моделей). В нескольких моделях упоминались антибактериальные препараты, антитромбоцитарные средства, нитраты, антигипертензивные и антиаритмические препараты, статины, ЛП для лечения сахарного диабета, антипаркинсонические препараты и анальгетики (по 3 исследования и 6 моделей).

В категории "Взаимодействие с МО" (19,8%) наиболее значимыми предикторами госпитализаций были экстренные, внеплановые и повторные госпитализации (10 исследований, 25 моделей). Также важными предикторами являлись регион оказания медицинской помощи (5 исследований, 11 моделей), посещения врача общей практики и отделений неотложной помощи (по 5 исследований и 10 моделей). Реже использовались такие предикторы, как пропущенные амбулаторные визиты и направления от врача общей практики к врачам-специалистам (по 3 исследования и 6 моделей). Наиболее распространённым предиктором в категории "Социально-демографические показатели" (8,2%) являлся возраст, представленный в 13 из 14 исследований и 27 из 28 моделей. Также часто встречались такие предикторы, как пол и статус курения (по 7 исследований и 16 моделей). Реже использовались такие показатели, как этническая принадлежность и употребление алкоголя (по 4 исследования и 6 моделей), семейное положение (4 исследования, 5 моделей), а также различные индексы множественной депривации, учитывающие социально-экономические особенности регионов или стран, для которых были разработаны соответствующие прогностические модели (3 исследования, 5 моделей). Категория "Лабораторные показатели" (6,0%) была представлена относительно небольшим набором предикторов. В отличие от большинства других категорий, в которых прогностическую значимость имели факты наличия диагноза или назначенных ЛП и/или дискретные значения ("да"/"нет"), в этой категории значимыми предикторами были изменения лабораторных показателей относительно референсных значений, в частности, снижение уровня гемоглобина (<11 г/дл; 2 исследования, 4 модели), повышение уровня ферментов печени (2 исследования, 3 модели), изменения липидного профиля (холестерин общий/холестерин липопротеинов высокой плотности (2 исследования, 3 модели), и креатинин, скорость клубочковой фильтрации (1 исследование, 3 модели).

Отдельные прогностические модели, проанализированные в рамках систематического обзора, имеют свои особенности как в структуре и наборе предикторов, так и в методологических подходах. Так, использующая агрегированные данные CPM была разработана на основании крупного массива информации Национальной службы здравоохранения Великобритании — NHS (National Health Service) Primary Care Trusts) — и включала >850 предикторов; ключевое значение имели сведения о предшествующих госпитализациях, обращениях за неотложной медицинской помощью, клинических диагнозах, лабораторных показателях и назначениях ЛП. В зарубежных, преимущественно европейских публикациях, CPM рассматривается как одна из наиболее полно структурированных моделей с широким охватом возрастных групп, применявшаяся для сопоставлений с последующими разработками6,7 [36]. Представленная в настоящем обзоре DPM была разработана на локальном массиве данных (графство Девон, Великобритания) с учётом особенностей прикреплённого населения. При сопоставлении с CPM, DPM продемонстрировала более высокое значение PPV во всех проанализированных группах пациентов с наибольшей прогнозируемой вероятностью госпитализации у лиц пожилого возраста: для 200 пациентов с максимальными значениями прогноза PPV составило 86,5 vs 71,5% для CPM; аналогичное преимущество сохранялось и при анализе более крупных подгрупп пациентов, формируемых по ранговым значениям прогнозируемого риска госпитализации. Рост точности прогнозирования в DPM связывается с включением локально релевантных данных и учётом регионально специфичных подкатегорий предикторов; наибольшая прогностическая значимость отмечена в возрастных подгруппах 90-94 года (β=1,321; p<0,001), ≥95 лет (β=1,195; p<0,001) и 85-89 лет (β=1,047; p<0,001). Вместе с тем, выборка DPM ограничена пожилыми жителями одного региона, что следует учитывать при интерпретации результатов и оценке возможности их применения в иных выборках пациентов.

Эффективность методов ML при прогнозировании риска госпитализаций подтверждается результатами ряда крупных исследований и метаанализов, опубликованных в 2024-2025гг [37-39]. Включённая в данный систематический обзор модель QAdmissions представлена в виде цифрового решения8 и применяется врачами первичного звена NHS для расчёта риска госпитализации пациентов в течение года после даты оценки риска. Хотя модель успешно функционирует на основе традиционных статистических подходов (регрессия Кокса), в независимом исследовании Rahimian F, et al. [21] была продемонстрирована возможность повышения её точности и стабильности при использовании методов ML (градиентный бустинг и "случайный лес"). Внедрение таких методов позволило дополнительно учитывать динамические характеристики, в т.ч. срок с момента первой регистрации диагноза, продолжительность и частоту визитов пациента к врачу, а также давность предыдущих госпитализаций. В результате был достигнут прирост дискриминационной способности модели (способности прогностической модели правильно различать пациентов с высоким и низким риском наступления прогнозируемого события) по сравнению с исходной статистической версией (таблица 1). Наибольшее значение для улучшения точности прогноза имели именно временные характеристики взаимодействия пациентов с МО, что может свидетельствовать о высоком потенциале использования ML-алгоритмов при дальнейшей оптимизации подобных инструментов прогнозирования.

В отечественной литературе представлены отдельные примеры разработки и применения прогностических моделей риска госпитализации, созданных на основе данных МИС и ЭМК. В частности, разработаны и валидированы модели ML для прогнозирования госпитализаций у пациентов с СД 2 типа и АГ в течение года, использующие широкий спектр клинических, анамнестических и лабораторных прогностических признаков. Показано, что для пациентов с СД 2 типа наибольший вклад в риск госпитализации вносили диабетические осложнения (нейропатия, нефропатия), дислипидемия и функциональный статус [16]. Для модели у пациентов с АГ наибольшую прогностическую значимость имели возраст, фракция выброса левого желудочка, количество госпитализаций в анамнезе, систолическое артериальное давление и наличие клинических симптомов (одышка, цианоз) [17]. Дополнительно в отечественной работе, посвящённой клинико-организационным алгоритмам на амбулаторном этапе, подчёркивается практическая значимость стратификации индивидуальных рисков и обоснования тактики ведения пациентов старших возрастных групп, в т.ч. при планировании хирургических вмешательств [18]. Вместе с тем, указанные разработки преимущественно ориентированы на прогнозирование госпитализаций в рамках отдельных нозологических групп, что ограничивает их применение в первичном звене и подтверждает необходимость создания и валидации универсальных моделей на данных ЭМК и МИС, применимых для пациентов с различными ХНИЗ в условиях реальной клинической практики.

Стоит отметить, что большинство моделей ориентировано исключительно на прогнозирование риска госпитализации без учёта её потенциальной клинической целесообразности. В условиях сокращения коечного фонда и одновременного роста нагрузки на действующие стационары9 особую значимость приобретает задача дифференцированной оценки не только вероятности госпитализации, но и её клинической обоснованности. Прогнозирование должно включать не только выявление пациентов с высоким риском госпитализации, но и оценку тех случаев, когда стационарное лечение действительно необходимо с точки зрения тяжести состояния, динамики заболевания и эффективности проводимого амбулаторного наблюдения. Такой подход позволит повысить точность стратификации рисков и обеспечить более рациональное использование ресурсов системы здравоохранения.

Ограничения исследования. В контексте общего анализа наиболее часто применяемыми методами оценки эффективности моделей являлись показатели дискриминационной способности (AUC ROC), PPV, чувствительность и специфичность. При этом стоит отметить, что в ряде публикаций отсутствовали важные статистические характеристики (чувствительность, специфичность, p-значения), что затруднило объективное сопоставление прогностических моделей.

Предикторы в используемых наборах данных кодировались разнородными клиническими терминологиями: помимо Международной классификации болезней 10-го пересмотра (МКБ-10), применялись коды Read10 и локальные справочники. Из-за различий в глубине детализации и правилах ведения записей (диагноз, симптом/признак, состояние/функциональный дефицит, приём ЛП/назначения, процедуры/вмешательства) не все предикторы подлежат однозначному перекодированию в МКБ-10. Такая неоднородность могла привести к неполному или неточному сопоставлению отдельных предикторов и, как следствие, ограничивать прямую сравнимость результатов между источниками данных.

Проведенный систематический обзор основывается преимущественно на международном опыте, полученном в странах с системами первичного звена, отличающимися от российской, что требует осторожности при переносе выводов на отечественную практику здравоохранения.

Систематический обзор показал, что прогностические модели риска госпитализации, основанные на данных ЭМК и МИС, демонстрируют устойчивые показатели дискриминационной способности и подтверждают значимость комплексного учёта клинических, социально-демографических и организационных факторов. Наибольший вклад в риск госпитализаций вносят категории "заболевания и коморбидные состояния", "назначения ЛП" и "взаимодействие с МО". Учёт временных характеристик (частоты и давности госпитализаций, посещений МО И проведения лабораторных исследований) повышает точность прогноза и расширяет возможности персонализированного управления рисками.

В отдельных исследованиях использование методов ML позволило повысить точность прогнозирования по сравнению с традиционными статистическими подходами. Вместе с тем, полученные результаты указывают на необходимость дальнейшей разработки, внешней проверки и адаптации моделей на расширенных массивах отечественных данных ЭМК и МИС с учётом структуры и полноты медицинской информации, а также оценки их практической применимости в условиях первичного звена здравоохранения.

Отношения и деятельность: все авторы заявляют об отсутствии потенциального конфликта интересов, требующего раскрытия в данной статье.

1. World Health Organization Regional Office for Europe. Assessing health services delivery performance with hospitalizations for ambulatory care sensitive conditions. Working document. Копенгаген: Европейское региональное бюро Всемирной организации здравоохранения; 2016. 52 с. URL: https://apps.who.int/iris/handle/10665/348972. 2. Приказ Минздрава России от 14.04.2025 № 202н "Об утверждении Положения об организации первичной медико-санитарной помощи взрослому населению". http://publication.pravo.gov.ru/document/0001202506020016. 3. Приказ Минздрава России от 19.07.2025 № 404н "Об утверждении порядка проведения профилактического медицинского осмотра и диспансеризации определенных групп взрослого населения". https://normativ.kontur.ru/document?moduleId=1&documentId=477456. 4. Приказ Минздрава России от 15.03.2022 № 168н "Об утверждении порядка проведения диспансерного наблюдения за взрослыми". https://normativ.kontur.ru/document?moduleId=1&documentId=468441. 5. Combined Predictive Model: Final Report and Technical Documentation. London: Health Dialog UK, King’s Fund, New York University; декабрь 2006г. URL: https://www.slideshare.net/slideshow/parrcombinedpredictivemodelfinalreportdec06/70673865. 6. Georghiou T, Billings J, Bardsley M. New Predictive Case Finding Models for the NHS: Report to accompany Nuffield Trust Predictive Risk Conference 2013. Лондон: Nuffield Trust; июль 2013г. URL: https://www.nuffieldtrust.org.uk/files/2017-01/new-predictive-case-finding-models-for-the-nhs-web-final.pdf. 7. NHS England. Risk Stratification: Learning and Impact Study. Лондон: Operational Research and Evaluation Unit, NHS England; июль 2017г. URL: https://www.england.nhs.uk/publication/risk-stratification-learning-and-impact-study. 8. https://qadmissions.org/. 9. Федеральная служба государственной статистики (Росстат). Здравоохранение в России. 2023: Статистический сборник. М.: Росстат; 2023. 159 с. URL: http://ssl.rosstat.gov.ru/storage/mediabank/Zdravoohran-2023.pdf. 10. Стандартизированный набор клинических терминов, используемый в NHS для записи информации о пациентах.