Введение
Респираторный периоперационный риск остается одной из ключевых причин неблагоприятных исходов в современной хирургии, анестезиологии и интенсивной терапии. Послеоперационные респираторные осложнения (ПРО) связаны с повышением госпитальной и ранней летальности, увеличением длительности госпитализации и затрат на лечение [1–4]. Это делает оценку и профилактику ПРО стратегическим приоритетом для мультидисциплинарной команды, занимающейся ведением пациентов в периоперационный период.
Пандемия коронавирусной инфекции придала проблеме дополнительную остроту: у пациентов с периоперационной инфекцией частота ПРО и летальность были значительно выше, чем в допандемический период, что стимулировало расширение предоперационного скрининга и пересмотр стратегий периоперационного ведения [5, 6].
Интерпретацию данных осложняет гетерогенность определений ПРО. Совместная рабочая группа Европейского общества анестезиологов и Европейского общества интенсивной терапии предложила стандартизованный набор клинических исходов (EPCO), который задает общую терминологию и градации тяжести, однако в литературе продолжают встречаться различия в трактовках пневмонии, дыхательной недостаточности и других респираторных исходов [1, 7]. На этом фоне возрастает роль согласованных дефиниций и шкал тяжести, позволяющих не только сопоставлять исследования, но и строить воспроизводимые модели риска.
Важно учитывать не только краткосрочные, но и долгосрочные последствия осложнений. Различия в хирургической летальности между стационарами обусловлены не только частотой осложнений, но и способностью предотвратить смерть при их возникновении [8]. Наличие послеоперационных осложнений является независимым детерминантом ухудшения отдаленной выживаемости [9]; в международной многоцентровой когорте развитие осложнения повышало годичную летальность почти вдвое [10], а для дыхательной недостаточности риск был максимальным; аналогичные закономерности показаны и в специализированных когортах после резекции легкого [11]. Эти данные обосновывают акцент обзора на респираторных осложнениях как ключевых факторах неблагоприятного течения послеоперационного периода [8–11].
Настоящий аналитический нарративный обзор направлен на то, чтобы связать эпидемиологию, стандартизованные исходы, модели риска и профилактические вмешательства в единую, практически ориентированную концепцию периоперационного респираторного риска. При подготовке статьи учитывались критерии Scale for the Assessment of Narrative Review Articles (Шкала оценки нарративных обзорных статей) для повышения прозрачности и воспроизводимости изложения. Концептуальной основой настоящего обзора послужил нарративный обзор И.Б. Заболотских (2024), в котором предложена системная модель описания периоперационного риска; его логика изложения и структурный подход были использованы при формировании архитектуры данного обзора [12].
В настоящем обзоре последовательно рассматриваются: современные определения и стандартизованные исходы послеоперационных легочных осложнений, клинические шкалы и статистические модели оценки периоперационного респираторного риска, подходы машинного обучения к прогнозированию осложнений, модифицируемые факторы риска и стратегии профилактики ПРО в периоперационный период.
Цель исследования
Обосновать концепцию периоперационного респираторного риска на основе анализа современных подходов к определениям и классификации неблагоприятных исходов и их прогнозированию.
Материалы и методы
Проведен целевой поиск литературы в MEDLINE/PubMed, Embase и Cochrane Library (период: январь 2000 г. — 5 ноября 2025 г.). Ключевые слова и их комбинации: postoperative pulmonary complications, perioperative respiratory risk, ARISCAT, Arozullah, Gupta respiratory failure, LAS VEGAS risk score, SPORC-2, StEP endpoints, lung protective ventilation, prehabilitation, pneumonia, machine learning и соответствующие русские термины. Включали оригинальные наблюдательные исследования и клинические испытания, систематические обзоры/метаанализы, а также рекомендации профессиональных обществ, посвященные послеоперационным легочным осложнениям и периоперационному респираторному риску. Исключали материалы без полноценного рецензирования (тезисы, препринты без последующей публикации), а также работы, не содержащие количественных данных по ПРО или моделям их прогнозирования. Отбор литературы осуществлялся двумя независимыми авторами, разногласия разрешались консенсусом. Для раздела, посвященного машинному обучению, дополнительно учитывались методологические чек-листы «Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis» для искусственного интеллекта (TRIPOD+AI) и «The Prediction model Risk Of Bias ASsessment Tool» для искусственного интеллекта (PROBAST+AI) как ориентиры качества. Из анализа исключались работы, посвященные педиатрическим пациентам (возраст менее 18 лет). Систематические обзоры, метаанализы и клинические рекомендации профессиональных обществ использовались преимущественно как навигационный инструмент для идентификации ключевых первичных исследований и консенсусных определений. При включении данных в аналитический синтез приоритет отдавался оригинальным исследованиям (деривационным и валидационным когортам, рандомизированным исследованиям), тогда как обзоры и гайдлайны использовались для контекстуализации, сопоставления результатов и оценки эволюции клинических подходов. Такой подход позволил снизить риск дублирования данных и обеспечить опору на первичные источники доказательств.
Неблагоприятные респираторные периоперационные исходы: определения и классификации
Периоперационный респираторный риск — вероятность развития послеоперационных осложнений со стороны легких и дыхательных путей, обусловленных сочетанием факторов, связанных с пациентом, операцией и анестезией.
Эпидемиология периоперационных респираторных осложнений
Послеоперационная дыхательная недостаточность и легочные осложнения встречаются у 5–88 % в зависимости от типа операции и контингента [13]. Летальность при развитии ПРО возрастает в 3–5 раз, особенно у пациентов с хронической обструктивной болезнью легких (ХОБЛ), сердечной недостаточностью и COVID-19 [13]. ПРО увеличивают продолжительность госпитализации в 2–3 раза и значительно повышают экономические затраты [14].
Современные международные рекомендации подчеркивают необходимость комплексной оценки послеоперационных легочных осложнений, включающей не только дыхательную недостаточность, но и широкий спектр других нарушений [15]. В группу ПРО следует выделить следующие из них:
- ателектазы (20 %);
- аспирационный пневмонит (1–3 %);
- бронхоспазм (1–3 %);
- ларингоспазм (1,5 %);
- острый респираторный дистресс-синдром (ОРДС) (2–5 %);
- реинтубация трахеи (3–10 %; пациенты высокого риска 25–30 %);
- послеоперационная дыхательная недостаточность (5–10 %);
- плевральный выпот (3–8 %);
- пневмония (1–3 %);
- пневмоторакс (0,5–2 %).
Каждое из этих осложнений оказывает значительное влияние на исходы хирургического лечения, частоту искусственной вентиляции легких (ИВЛ) и длительность госпитализации [16, 17]. Сочетание даже нескольких «умеренных» осложнений (ателектазы, бронхоспазм, потребность в кислороде) нередко по суммарному влиянию на исходы сопоставимо с одиночным тяжелым событием, таким как длительная ИВЛ или ОРДС.
Проблема дефиниций ПРО: что именно считаем осложнением и почему это важно
EPCO — единый подход к исходам (European Perioperative Clinical Outcome), 2015
В 2015 г. совместная рабочая группа ESA-ESICM предложила набор унифицированных клинических исходов — EPCO [7]. Задача — договориться о терминах и правилах их применения в исследованиях периоперационной эффективности. Документ описывает 22 неблагоприятных события (в том числе пневмонию, острую дыхательную недостаточность, реинтубацию, ИВЛ > 48 ч, ОРДС и принцип градации тяжести), то есть фиксируется не только сам факт осложнения, но и то, насколько оно изменило тактику ведения (потребность в кислороде, неинвазивной ИВЛ/ИВЛ и т. д.) [7]. По сути, EPCO представляет собой рубрикатор и набор правил, обеспечивающий сопоставимость отчетности между центрами. EPCO не навязывает единый композит ПРО: исследователь может собрать свой комбинированный исход, но при этом пользоваться общими терминами и шкалами тяжести [7]. Это удобный инструмент, на который опираются более поздние инициативы.
StEP — стандартизованные конечные точки и композит ПРО (Standardised Endpoints in Perioperative Medicine), 2018
Международный консорциум StEP в 2018 г. опубликовал согласованные конечные точки для легочных исходов, сделав акцент на необходимость единых дефиниций при проведении клинических испытаний [18]. Введены четкое определение композита ПРО («есть/нет ПРО» при наличии одного или нескольких заданных событий) и оценка тяжести по влиянию на лечение: от дополнительного кислорода до неинвазивной ИВЛ/ИВЛ и реинтубации. Такой подход повышает эффективность профилактики и систематизирует данные [18]. В 2025 г. стартовал международный Delphi-проект PrECiSIOn (Postoperative pulmonary complications-Evaluation for Consensus on Standardised Outcomes). Его цель — договориться о составе композита, временном окне наблюдения, шкале и весах тяжести отдельных компонентов (BMJ Open протокол, 2025; ClinicalTrials.gov) [19]. Параллельно выходят современные обзоры StEP-COMPAC с обновленным взглядом на стандартизацию исходов и их применимость в моделях прогноза [20]. Публикации, использующие рекомендации StEP, как правило, сообщают о наличии/отсутствии композита ПРО и его градации по тяжести, что облегчает сопоставление результатов между исследованиями и метаанализами [18].
ACS NSQIP — регистр послеоперационных событий (American College of Surgeons National Surgical Quality Improvement Program), 2011
Программа ACS NSQIP — крупнейший хирургический регистр качества, где дыхательные осложнения фиксируются как отдельные 30-дневные события с жесткими операционными определениями: пневмония, неплановая интубация/реинтубация, ИВЛ > 48 ч и др. [21]. Определения поддерживаются и обновляются ежегодно, эта стабильность и регулярное обновление определений делает регистр NSQIP одним из ключевых источников данных для разработки и внешней валидации моделей респираторного риска.
Современные обзоры подчеркивают: стандартизация исходов (StEP/EPCO) и стабильные регистровые определения (NSQIP) — два комплементарных пути, и их совместное использование повышает точность как исследований, так и клинического принятия решений [20].
Особого внимания заслуживает недавно опубликованный консенсус Французского общества анестезиологии и интенсивной терапии (SFAR), в котором предложен перечень ключевых показателей тяжелых периоперационных осложнений, связанных с анестезией [22]. На основании обзора литературы за 2010–2021 гг. было выделено 68 клинических исходов, сгруппированных в 34 потенциальных показателя, из которых с помощью многоэтапного Delphi-опроса экспертов отобрали 26 финальных показателей с четкими определениями. Эти показатели объединены в восемь блоков: кардиоваскулярные, респираторные, инфекционные (включая сепсис), почечные, неврологические, связанные с лекарственными ошибками, желудочно-кишечные и прочие осложнения. К респираторному блоку, в частности, отнесены ОРДС, тромбоэмболия легочной артерии, бронхо- и ларингоспазм, пневмония, аспирационный пневмонит, пневмоторакс, ателектаз, трудная или невозможная интубация дыхательных путей, а также непреднамеренная экстубация. Предложенный SFAR перечень, по сути, представляет собой стандартизированный набор показателей качества и безопасности анестезиолого-реанимационной помощи и может использоваться как для внутреннего клинического аудита, так и в научных исследованиях, дополняя существующие наборы приоритетных периоперационных исходов и обеспечивая сопоставимость данных по тяжелым респираторным осложнениям. Перечень SFAR дополняет инициативы EPCO/StEP, фокусируясь на показателях качества анестезиолого-реанимационной помощи и расширяя спектр респираторных исходов, пригодных для мониторинга и исследований.
Почему это все имеет значение — в трех тезисах
1. Частота. Когда мы считаем ПРО как композит по StEP (то есть фиксируем факт осложнения при наличии любого из согласованных событий и одновременно отмечаем его степень тяжести), число случаев закономерно выше, чем если учитывать только исход «ИВЛ > 48 ч». Это не ошибка и не преднамеренное завышение, а следствие более широкого, заранее оговоренного набора событий: композит позволяет выявить и клинически значимые, но менее «грубые» проявления (например, потребность в дополнительной ингаляции кислорода или неинвазивной ИВЛ), которые традиционные одиночные показатели (классификация NSQIP) просто пропускают. В методологии StEP это сделано специально, чтобы повысить чувствительность клинических испытаний к эффектам профилактики ПРО и сделать отчетность сопоставимой между центрами [23].
2. Тяжесть. Подходы EPCO и StEP требуют явно указывать степень тяжести дыхательных осложнений, то есть не только факт наличия, но и то, насколько сильно повлияло осложнение на ведение пациента: понадобился ли кислород, неинвазивная ИВЛ/ИВЛ, произошла ли реинтубация и т. п. Такая градация — ключ к честной интерпретации: пневмония, потребовавшая лишь дополнительного кислорода, и дыхательная недостаточность с реинтубацией — это разные риски, разные ресурсы и разная прогностическая значимость. В реестрах наподобие ACS NSQIP чаще фиксируют отдельные 30-дневные исходы без общей шкалы тяжести, что хорошо для стабильного сбора и учета, но требует от исследователя осознанно собирать события в композиты и сопоставлять их со шкалами тяжести из EPCO/StEP [7, 18, 21].
3. Сравнимость. Идеальная публикация сегодня — та, где авторы одновременно дают композит ПРО и его тяжесть по StEP, показывают ключевые регистровые события NSQIP (чтобы другие могли воспроизвести анализ в своих базах) и прозрачно объясняют, какими правилами руководствовались. Такой комбинированный подход к отчетности значительно повышает сопоставимость и облегчает перенос результатов в практику и калькуляторы риска. Активные инициативы, такие как PrECiSIOn, как раз нацелены на унификацию состава композита, временного окна наблюдения и тяжести компонентов, то есть на тот самый общий стандарт, которого нам не хватало [19, 20].
Периоперационный респираторный риск: методология оценки
Факторы риска ПРО представляют собой комплекс характеристик пациента, особенностей операции и анестезиологического ведения, а также результатов дополнительных обследований и внешних условий [24]. По данным недавно созданной базы знаний Postoperative Pulmonary Complications Risk Factor Knowledge Base, систематизировавшей 403 исследования и 915 потенциальных факторов риска, все они условно разделены на 11 групп: привычки и поведение, демографические характеристики, клинический статус, хирургические и анестезиологические факторы, медикаментозное лечение, данные лабораторных и инструментальных исследований, психосоциальные, генетические и прочие факторы.
Профилактическая стратегия в контексте респираторных осложнений в хирургии немыслима без системного подхода к модифицируемым факторам риска. В отличие от немодифицируемых (возраст, пол, генетическая предрасположенность), данные параметры поддаются коррекции в ходе предоперационной подготовки, что открывает возможности для снижения заболеваемости, летальности и затрат здравоохранения.
Современные исследования и клинические рекомендации подчеркивают, что своевременное вмешательство в такие области, как курение, анемия, нутритивный статус и метаболические нарушения, позволяет существенно повлиять на частоту послеоперационных респираторных событий. Модификация этих факторов имеет мультидисциплинарный характер и требует участия хирурга, анестезиолога, терапевта, диетолога и в ряде случаев психиатра.
Факторы риска развития послеоперационных легочных осложнений (ПРО) подлежат стратификации по происхождению на три основные категории: пациент-ассоциированные, обусловленные операцией, а также дополнительные предикторы, включенные в состав валидационных моделей прогнозирования, лабораторные маркеры и результаты инструментального и клинического обследования.
Факторы риска, связанные с пациентом
- Возраст и функциональное состояние. С возрастом снижается резерв дыхания и кашлевой рефлекс; слабость, зависимость в быту и высокий класс по классификации Американского общества анестезиологов усиливают риск ПРО [1].
- Заболевания легких и курение. ХОБЛ, бронхиальная астма, курение, недавняя респираторная инфекция повышают вероятность ателектазов, пневмонии и дыхательной недостаточности [1, 16].
- Гипоксемия, анемия, нутритивная недостаточность. Низкая предоперационная сатурация артериальной крови, анемия и гипоальбуминемия связаны с более частыми ПРО. Эти параметры входят в шкалу ARISCAT (Assess Respiratory rIsk in Surgical Patients in CATalonia) [16].
- Сонное апноэ, сердечная недостаточность, сепсис. Эти состояния повышают нагрузку на респираторную систему и повышают риск реинтубации/длительной ИВЛ [1, 25].
Факторы риска, связанные с операцией
- Тип операции и доступ. Торакальные и верхние абдоминальные вмешательства, длительные и экстренные операции — основные факторы риска [1, 16].
- Как мы вентилируем. Высокое driving pressure (ΔP = давление плато — конечно-экспираторное давление [PEEP]) связано с бóльшим числом ПРО; протективный подход — низкий VT + достаточный PEEP и стремление к меньшей ΔP [26, 27]. Однако рандомизированные исследования показывают, что «ведение» по ΔP само по себе не всегда снижает ПРО по сравнению с уже протективной схемой (BJA, 2022) [27–29].
- Нейромышечные блокаторы и пробуждение. Остаточная миоплегия ухудшает вентиляцию и кашлевой клиренс; мониторинг нейромышечной передачи и адекватная реверсия снижают респираторные инциденты [30, 31]. Эффект выбора препарата (сугаммадекс или неостигмин) на частоту ПРО обсуждается: метаанализы часто находят преимущество сугаммадекса, но крупные ретроспективные когорты — не всегда; итог — следовать мониторингу и индивидуализировать выбор [31, 32].
- Роль функциональных проб и инструментальных методов. Спирометрия выявляет обструктивные и рестриктивные нарушения. Объем форсированного выдоха за 1-ю секунду (ОФВ₁) < 60 % существенно повышает риск осложнений [33]. Шестиминутный тест ходьбы: малая дистанция (< 350–400 м) и десатурация указывают на повышенный риск. Кардиореспираторное нагрузочное тестирование: пиковое потребление кислорода (VO₂ peak) < 10–12 мл/кг/мин и высокое отношение минутной вентиляции к продукции углекислого газа (VE/VCO₂) связаны с повышенным риском. Газовый анализ крови: артериальное парциальное давление кислорода (PaO₂) < 60 мм рт. ст., артериальное парциальное давление углекислого газа (PaCO₂) > 45 мм рт. ст., pH < 7,35 — ключевые индикаторы дыхательной недостаточности. Высокоточные методы (метаболография) позволяют оценить газообмен, дыхательный коэффициент, энергетические затраты. Ультразвуковая диагностика диафрагмы важна для оценки функции диафрагмы и прогноза послеоперационной дыхательной недостаточности. Рентгенография и компьютерная томография грудной клетки применяются для выявления структурных изменений, ателектазов, пневмоний, плевральных осложнений.
Оценка модифицируемых факторов риска (табл. 1) имеет ключевое значение для профилактики хронических заболеваний, так как именно эти факторы поддаются изменению и позволяют эффективно снижать заболеваемость и летальность. Исследования показывают, что поведенческие и физиологические факторы, такие как питание, физическая активность, курение, употребление алкоголя и контроль массы тела, являются определяющими для риска сердечно-сосудистых и метаболических заболеваний [34, 35]. Комплексная оценка таких факторов позволяет не только выявить индивидуальные риски, но и разрабатывать направленные образовательные и поведенческие программы профилактики [36]. Кроме того, контроль модифицируемых рисков имеет значительное социально-экономическое значение, поскольку позволяет уменьшить затраты на лечение хронических заболеваний и повысить качество жизни населения [37]. Таким образом, оценка и управление модифицируемыми факторами риска являются центральным элементом современной профилактической медицины, позволяющим продлить активное долголетие и снизить бремя хронических заболеваний.
| Фактор | Характеристика | Влияние на риск | Рекомендации по коррекции |
|---|---|---|---|
| Курение | Значительное снижение мукоцилиарного клиренса, бронхиальная гиперреактивность | Отношение шансов 1,3–1,7 (вариабельно) | Отказ от курения минимум за 6–8 нед. до операции |
| Анемия (гемоглобин менее 110 г/л) | Снижение кислородной емкости крови | Значительно повышает риск легочных осложнений | Коррекция анемии до операции |
| Гипоальбуминемия (альбумин < 30 г/л) | Индикатор нутритивной недостаточности и воспаления | Удвоение риска осложнений | Нутритивная поддержка, лечение воспаления |
| Ожирение (индекс массы тела > 35 кг/м2) | Нарушение механики дыхания, гиповентиляция | Отношение шансов около 1,4 (в отдельных исследованиях) | Предоперационное снижение массы тела |
| Недавние инфекции дыхательных путей (< 30 дней) | Нарушение гомеостаза дыхательной системы | Существенное повышение риска | Лечение инфекций, санация дыхательных путей |
| Сахарный диабет, декомпенсированный | Повышенный риск инфекций и замедленное заживление | Увеличенный риск | Оптимизация гликемии и терапии |
| Иммунодефицит, прием стероидов | Повышенный риск инфекционных осложнений | Повышенный риск острого респираторного дистресс-синдрома и пневмонии | Оптимизация терапии, при возможности снижение дозы кортикостероидов |
| Психоэмоциональные нарушения, кахексия | Снижение общей устойчивости организма, иммунодефицит, снижение мышечной силы | Значительное повышение риска | Мультидисциплинарная реабилитация |
Существующее разнообразие и многочисленность факторов риска ПРО оставляют важный клинический вопрос, как оценить их в совокупности. Для этой цели разрабатываются инструменты прогнозирования, основанные на статистических методах. Разработка шкал оценки риска проходит несколько этапов: сначала формируют четкое определение исхода (например, композит ПРО, дыхательная недостаточность или пневмония) и временное окно наблюдения, затем на большой когорте последовательно отбирают предикторы, строят статистическую модель и проверяют ее точность (дискриминация), согласованность предсказаний с реальностью (калибровка) и устойчивость на внешних выборках. В современных руководствах подчеркивают: одной только площади под ROC (Receiver Operating Characteristic) кривой (AUC) недостаточно, нужны калибровочные графики, внешняя валидация и оценка клинической пользы, а отчетность должна соответствовать TRIPOD/PROBAST (или их обновлениям для искусственного интеллекта) [38–40].
Современные модели машинного обучения, включая логистическую регрессию, случайный лес (Random Forest), градиентный бустинг (XGBoost) и глубокие нейронные сети (Deep Learning), превосходят традиционные шкалы по точности прогнозирования [41].
Под машинным обучением (ML, от англ. machine learning) в медицине понимают методы, которые на основе больших массивов данных учатся предсказывать исходы у конкретного пациента.
Алгоритмы ML в прогнозировании ПРО используют набор предикторов (предоперационные данные, параметры операции и анестезии, ранние послеоперационные показатели) для расчета индивидуальной вероятности наступления исхода. В отличие от традиционных шкал, ML-модели способны учитывать нелинейные связи и взаимодействия признаков, однако их клиническая пригодность определяется не только дискриминацией (например, AUC), но и калибровкой — соответствием прогнозируемого риска реальной частоте осложнений в конкретной популяции.
Для внедрения ML-модели в рутинную практику врачу принципиально важно:
- понимать, какой исход предсказывает модель (композит ПРО, пневмония, реинтубация, продленная ИВЛ);
- знать, на каких данных она обучена и валидирована и насколько эта популяция сопоставима с текущей;
- иметь заданный порог риска, при котором изменяется тактика (усиление профилактики, уровень наблюдения, маршрутизация);
- получать клинически интерпретируемое объяснение вклада факторов (например, ранжирование предикторов/локальные объяснения), что повышает управляемость решения и доверие к модели.
При переносе ML-моделей между клиниками часто требуется локальная оценка калибровки и при необходимости перекалибровка.
Для отчетности сегодня есть обновленные правила TRIPOD+AI (подробный чек-лист, как корректно описывать разработку и проверку модели) и инструмент оценки качества/риска систематических ошибок PROBAST+AI [39, 40]. Эти документы — золотой стандарт честной разработки и внедрения.
Применяемые алгоритмы
При разработке инструментов прогнозирования чаще всего применяют следующие модели (табл. 2):
- Логистическая регрессия с регуляризацией (L1/L2). Она хорошо работает, когда признаков много и часть из них лишние [39].
- Деревья решений и ансамбли: Random Forest и градиентный бустинг (например, XGBoost, LightGBM). Эти методы улавливают нелинейные связи и взаимодействия признаков и часто дают лучшую точность, чем классические (обзоры по ML в анестезиологии/периоперационной медицине отмечают это как тенденцию) [20].
- SVM (метод опорных векторов) и нейросети. Их применяют реже, когда данных очень много или связи особенно сложные [20].
- AutoML — «автоподбор» лучших моделей и настроек. Он удобен для прототипирования, но требует внимательной валидации и объяснимости [42].
| Модель | Краткое описание | Преимущества | Ограничения |
|---|---|---|---|
| Логистическая регрессия | Принимает решения на основе линейной комбинации факторов. Понятна и интерпретируема для врачей | Хорошая интерпретируемость, простота реализации | Ограничена в выявлении сложных взаимодействий между факторами |
| Случайный лес (Random Forest) | Ансамбль деревьев решений, учитывающий нелинейные и комплексные зависимости | Высокая точность, устойчивость к выбросам, автоматический отбор важных признаков | Требует больше ресурсов, менее прозрачна для клинициста |
| Градиентный бустинг (например, XGBoost) | Последовательное обучение деревьев с фокусом на ошибках предыдущих. Высокая эффективность при больших датасетах | Максимальная точность прогнозов, гибкость, хорошо работает с пропущенными данными | Необходим большой объем данных, сложна в интерпретации |
| Глубокие нейронные сети (Deep Learning) | Способны обрабатывать мультиформатные данные (клинические, изображения, временные ряды) | Наивысшая точность при больших и сложных выборках | «Черный ящик», сложны для внедрения, требуют мощного оборудования |
| Объясняемые модели (Explainable AI) | Комбинация точности и интерпретируемости, включая методы визуализации вклада факторов (например, SHAP-анализ) | Повышает доверие врачей, позволяет понять, почему поставлен конкретный прогноз | Немного снижена точность по сравнению с глубоким обучением |
Чтобы не превращать модель в «черный ящик» (когда происходящие в ходе работы системы процессы наблюдателю неизвестны), что является одним из основных недостатков таких моделей, сейчас почти всегда добавляют объяснимость: например, графики SHAP (англ. SHapley Additive exPlanations) наглядно показывают, какие именно признаки меняют риск вверх/вниз у данного пациента [43].
Высокий респираторный риск: эпидемиология и идентификация пациентов
Пациенты высокого респираторного риска — это больные с высокой вероятностью послеоперационных легочных осложнений (ПРО) или послеоперационной дыхательной недостаточности по валидированным шкалам: ARISCAT, индексам Arozullah/Gupta PRF и регистровым моделям ACS NSQIP [16, 25, 44]. В когорте ARISCAT частота ПРО составляла 1,6 % в группе низкого риска (< 26 баллов), 13,3 % — при промежуточном риске (26–44 балла) и 42,1 % — в группе высокого риска (≥ 45 баллов), что фактически означает, что уже предсказанный риск осложнений > 10–15 % следует рассматривать как порог высокого респираторного риска [16]. В индексе Arozullah PRF вероятность послеоперационной дыхательной недостаточности возрастает с 0,5 % в классе I (≤ 10 баллов) до ≈30 % в классе V (> 40 баллов), подчеркивая крутой рост риска при переходе в «верхние» категории [44]. Gupta H. et al. на основе данных ACS NSQIP представили общую частоту дыхательной недостаточности около 3 %; при этом у пациентов с дыхательной недостаточностью 30-дневная летальность составила 25,6 vs 0,98 % у больных без дыхательной недостаточности, а модель продемонстрировала высокую прогностическую точность (c-statistic 0,9) [25]. Практически это означает, что предсказанный риск ПРО или дыхательной недостаточности ≥ 10–15 % по любой из валидированных моделей оправданно относить к зоне высокого респираторного риска.
С клинической точки зрения ПРО — один из ключевых признаков ранней послеоперационной летальности и потребления ресурсов. В обзорах и крупных когортных исследованиях показано, что частота ПРО у хирургических пациентов варьирует примерно от 2 до 40 % в зависимости от вида вмешательства и исходного риска, а наличие даже умеренных осложнений сопровождается увеличением длительности пребывания в стационаре, частоты перевода в отделение реанимации и интенсивной терапии (ОРИТ) и стоимости лечения [3, 45]. В многоцентровом исследовании Fernandez-Bustamante A. et al. у пациентов III класса ASA, перенесших некардиоторакальную операцию продолжительностью ≥ 2 ч, хотя бы одно ПРО отмечено у трети больных; наличие ПРО достоверно ассоциировалось с повышением ранней послеоперационной летальности и увеличением длительности госпитализации и пребывания в ОРИТ [3]. В совокупности с данными Gupta H. et al. это подчеркивает, что развитие тяжелых ПРО/дыхательной недостаточности переводит пациента в группу краткосрочного риска, где летальный исход составляет порядка 20–25 % вместо среднего значения в 1 % даже при сопоставимом исходном профиле [3, 25].
Однако влияние высокого респираторного риска не ограничивается 30 днями после операции. В классическом анализе базы NSQIP-VA Khuri S.F. et al. показали, что факт любого серьезного послеоперационного осложнения, включая легочные, является более сильным детерминантом отдаленной выживаемости, чем исходный предоперационный риск (наличие осложнений сопровождалось существенным сокращением медианы выживаемости и 5-летней выживаемости по сравнению с пациентами без осложнений) [9]. В более современной работе Fowler A.J. et al. (объединенный анализ двух проспективных когорт) годичная летальность после плановых операций составила 7,5 % у пациентов с осложнениями против 2,3 % без осложнений (скорректированное отношение рисков 1,94) [46]. Для специфически респираторных событий аналогичные закономерности показаны после резекции легкого: в исследовании Shinohara S. et al. 5-летняя выживаемость у больных с послеоперационными осложнениями (преимущественно ПРО) была 58,1 vs 78,0 % у пациентов без осложнений, причем наличие осложнений оставалось независимым неблагоприятным прогностическим фактором (HR 1,67) [47]. Таким образом, пациенты с предоперационным риском ПРО ≥ 10–15 % или риском дыхательной недостаточности ≥ 10–15 % по валидированным моделям должны рассматриваться как группа высокого респираторного риска, требующая приоритетной преабилитации, протективной вентиляции, усиленного послеоперационного мониторинга и длительного диспансерного наблюдения.
В настоящее время в клинической практике нашли применение несколько шкал прогнозирования ПРО (приложение 1 онлайн-версии статьи). Часть из них позволяет прогнозировать ПРО как композитный исход, часть прогнозирует отдельные исходы — чаще всего послеоперационную дыхательную недостаточность по одной из дефиниций и послеоперационную пневмонию.
Шкалы прогнозирования послеоперационной дыхательной недостаточности
Arozullah PRF. История разработки инструментов оценки респираторного риска тесно связана с появлением крупных клинических баз данных. Arozullah PRF (NSQIP-VA) — один из первых и до сих пор наиболее цитируемых предоперационных инструментов для прогноза послеоперационной дыхательной недостаточности. Он создан на данных программы качества хирургии Департамента по делам ветеранов США и опубликован в журнале «Annals of Surgery» (2000) [44]. В проспективной когорте 44 центров (~81 700 пациентов) авторы построили и валидировали индекс риска дыхательной недостаточности после некардиальных операций [44]. Исход определяли как необходимость ИВЛ более 48 ч после операции или неплановую интубацию в течение 30 сут (дефиниция, широко используемая в последующих обзорах и рекомендациях) [44, 48].
В финальную модель вошло 7 независимых предикторов: тип операции (наибольший вклад — реконструкция аневризмы брюшной аорты, торакальная, нейро-, верхнеабдоминальная и сосудистая хирургия), экстренность, гипоальбуминемия (< 30 г/л), повышение мочевины крови (> 30 мг/дл), зависимый функциональный статус, ХОБЛ и возраст (60–69 и ≥ 70 лет) [44, 49]. Суммарный балл переводится в классы риска с оценкой вероятности события (например, ~0,5 % для класса I vs ~26,6 % для класса V) [44]. Практическая ценность индекса — простая предоперационная стратификация «на входе» для планирования уровня наблюдения (ОРИТ), обсуждение риска и запуска профилактических мер; его концепция повлияла на последующие регистровые решения, включая калькуляторы NSQIP (Gupta PRF) [25].
Ключевые ограничения: разработка/валидация выполнены в популяции ветеранов с преобладанием мужчин и высокой коморбидностью, поэтому переносимость на смешанные и женские когорты требует осторожности [44]. Кроме того, по мере изменения практики (протоколы ускоренного восстановления, мониторинг нейромышечного блока, протективная вентиляция) возможна потеря калибровки, из-за чего рекомендуется внешняя проверка и при необходимости локальная перекалибровка [26]. В целом Arozullah PRF остается исторически значимой и полезной шкалой для предоперационной стратификации дыхательного риска при понимании ее ограничений [44].
Шкала Gupta PRF (Postoperative Respiratory Failure) — это шкала, построенная на основе многоцентрового проспективного регистра ACS NSQIP за 2007–2008 гг [25]. Модель предсказывает 30-дневную послеоперационную дыхательную недостаточность, определяемую как необходимость ИВЛ более 48 ч после операции или неплановую интубацию/реинтубацию в течение 30 дней. Для разработки использовалась обучающая выборка 2007 г. (211 410 пациентов), где дыхательная недостаточность развилась у 6531 больного (3,1 %); для валидации — независимая выборка 2008 г. (257 385 пациентов). У пациентов с дыхательной недостаточностью 30-дневная летальность была кратно выше: 25,62 vs 0,98 % при отсутствии осложнения. Сначала авторы построили полную логистическую модель, включавшую ряд предоперационных характеристик и детализированный тип операции (21 переменная), а затем сузили ее до модели с пятью предоперационными предикторами: тип операции, экстренный характер вмешательства, функциональный статус, наличие предоперационного сепсиса и более высокий класс ASA. В финальной модели все предикторы остаются доступными еще до индукции анестезии, что делает калькулятор пригодным для предоперационного принятия решений о тактике ведения (планирование уровня мониторинга, вероятности послеоперационной ИВЛ, обсуждение риска с пациентом). Дискриминационная способность модели оказалась очень высокой: c-статистика 0,894 в обучающей и 0,897 в валидационной выборке, что трактуется как отличная дискриминация; калибровка по децилям риска показала хорошее совпадение предсказанного и наблюдаемого риска.
PERISCOPE-PRF. Шкала предназначена для предоперационной стратификации риска послеоперационной дыхательной недостаточности у взрослых после некардиохирургических вмешательств и основана на простых клинико-анамнестических данных, доступных «у постели» (пульсоксиметрия + осмотр), поэтому применима как в плановой, так и в экстренной хирургии. Модель включает 7 предикторов, объединяющих факторы пациента и операции: низкая предоперационная сатурация, наличие хотя бы одного респираторного симптома, сердечная недостаточность, хроническое заболевание печени, открытая внутригрудная/верхнеабдоминальная операция, длительность вмешательства ≥ 2 ч и экстренный характер операции [49]. Суммарный балл распределяет пациентов на три категории риска: < 12 — низкий (~1,1 %), 12–22 — средний (~4,6 %), ≥ 23 — высокий (до ~18,8 %).
Практически шкала удобна для включения в стандартный предоперационный осмотр и помогает выделить пациентов, которым целесообразны более тщательная оптимизация дыхательной функции, выбор щадящей анестезиологической тактики, расширенный мониторинг и раннее планирование интенсивной терапии. В разработке продемонстрированы хорошая дискриминация (площадь под ROC-кривой 0,82) и удовлетворительная калибровка (критерий Хосмера—Лемешоу χ² = 7,08; p = 0,253), однако валидация была внутренней (бутстрэп), поэтому перед широким внедрением в других популяциях требуется внешняя проверка и при необходимости локальная калибровка [49].
Шкалы прогнозирования послеоперационной пневмонии
Arozullah PN. В проспективном когортном исследовании Arozullah A.M. et al. разработали и валидировали многофакторную предоперационную шкалу риска послеоперационной пневмонии у пациентов после крупных некардиальных операций в системе Veterans Affairs. В когорту разработки включили 160 805 пациентов (1997–1999), в валидационную — 155 266 (1995–1997), всего около 100 центров; исключали пациентов с предоперационной пневмонией, зависимостью от ИВЛ и пневмонией, развившейся после уже возникшей дыхательной недостаточности [50]. Исход определяли по критериям центров по контролю и профилактике заболеваний (CDC). Частота пневмонии составила 1,5 % (2466 случаев), а 30-дневная летальность среди них — до 21 %.
Индекс Arozullah PN построен на многовариантной логистической регрессии и включает тип операции, возраст, функциональный статус, потерю массы тела, ХОБЛ, общую анестезию, нарушение сознания, инсульт, уровень мочевины, объем трансфузии, экстренность, длительный прием стероидов, курение и алкоголь [50]. Суммарный счет разделяет пациентов на 5 классов риска — от 0,2 (0–15 баллов) до 15,3 % (> 55 баллов). Дискриминация была высокой: C-статистика 0,805 в основной и 0,817 в валидационной когорте; калибровка по Хосмеру—Лемешоу удовлетворительная (p > 0,1 в обеих выборках). При этом модель имеет те же ограничения, что и шкалы дыхательной недостаточности, разработанные в популяции пожилых людей (особенности когорты и исторический контекст), поэтому сегодня ее уместно рассматривать прежде всего как инструмент стратификации и ориентир для планирования профилактики, требующий проверки переносимости в современных популяциях.
Шкала Gupta PN. Шкала основана на данных национальной программы улучшения качества хирургической помощи за 2007–2008 гг. и предназначена для прогноза риска 30-дневной послеоперационной пневмонии, определенной по стандартному критерию регистра. В исследовании использовали обучающую когорту 2007 г. (211 410 пациентов; пневмония — у 3825 пациентов, 1,8 %) и независимую валидационную когорту 2008 г. (257 385 пациентов) [51]. Пневмония ассоциировалась с резким ростом 30-дневной летальности: 17,0 vs 1,5 % при отсутствии осложнения.
В многофакторном анализе выделено 7 предоперационных предикторов: возраст, физический статус, наличие ХОБЛ, зависимый функциональный статус, предоперационный сепсис, курение (обычно в последние 12 мес.) и тип операции [51]. Все переменные доступны на этапе предоперационной оценки и не требуют интраоперационных параметров. Модель продемонстрировала отличную дискриминацию (площадь под ROC-кривой 0,860 в обучающей и 0,855 в валидационной когорте) и хорошую калибровку по децилям риска. На основе уравнения создан интерактивный калькулятор, позволяющий оценить индивидуальный риск пневмонии для стратификации пациентов, планирования адресной профилактики (интенсивность респираторной физиотерапии, оптимизация ХОБЛ, акцент на отказе от курения) и информированного согласия; инструмент широко реализован в открытых онлайн-калькуляторах.
Модель Rusotto. В исследовании Russotto V. et al. разработана прогностическая модель послеоперационной пневмонии на базе крупной проспективной европейской когорты PERISCOPE [52]. В 63 больницах Европы за 7-дневный период включили 5094 пациента, оперированных под общей и/или регионарной анестезией; первичной конечной точкой была послеоперационная пневмония. Пневмонию определяли как респираторную инфекцию при наличии ≥ 1 признака (изменение мокроты, новые/изменившиеся инфильтраты на рентгенограмме, температура > 38,3 °C, лейкоцитоз > 12 000/мкл), потребовавшую антибактериальной терапии. Частота осложнения составила 2,4 % (120/5094); при пневмонии перевод в отделение интенсивной терапии требовался значительно чаще (68,3 vs 8,0 %; p < 0,001), что подчеркивает ее влияние на тяжесть течения и ресурсоемкость лечения.
В многофакторном анализе выделено 5 независимых предикторов: функциональный статус (отношение шансов [ОШ] 2,28; 95%-й доверительный интервал [95% ДИ] 1,58–3,12), предоперационная сатурация на воздухе (ОШ 0,83; 95% ДИ 0,78–0,84; защитный фактор при более высоких значениях), интраоперационное введение коллоидов (ОШ 2,97; 95% ДИ 1,94–3,99), интраоперационная гемотрансфузия (ОШ 2,19; 95% ДИ 1,41–4,71) и локализация вмешательства (особенно открытые операции на верхнем отделе живота; ОШ 3,98; 95% ДИ 2,19–7,59) [51]. Модель показала высокую прогностическую способность (c-статистика 0,89) и хорошую калибровку (по Хосмеру—Лемешоу p = 0,572), поэтому может применяться для стратификации риска и планирования профилактики, однако перед широким внедрением требуется внешняя валидация [52].
Номограмма Kawasaki. В работе Kawasaki K. et al. представлена прогностическая модель в формате номограммы для оценки индивидуального риска послеоперационной пневмонии после обширных абдоминальных операций [53]. В ретроспективное исследование включили 1050 пациентов, оперированных в 2012–2013 гг.; у 56 пациентов (5,3 %) развилась пневмония.
Модель построена на основе многовариантной логистической регрессии. В итоговую номограмму вошло 5 независимых предикторов POP: возраст (чем старше пациент, тем выше риск), мужской пол, анамнез цереброваскулярного заболевания, индекс Бринкмана ≥ 900 (большой стаж курения), верхняя срединная лапаротомия как тип доступа.
Основная метрика качества — конкорданс-индекс (C-index), который для данной модели составил 0,77, что соответствует хорошей дискриминационной способности (адекватное разделение пациентов с последующим развитием пневмонии и без нее). Авторы использовали внутреннюю валидацию с применением бутстрэп-подхода; данных о внешней валидации номограммы на независимых когортах в литературе не представлено; в обзорах ее упоминают как модель с хорошей дискриминацией, но без подтвержденной переносимости на другие популяции.
Шкалы прогнозирования послеоперационных легочных осложнений
ARISCAT. Шкала ARISCAT (Assess Respiratory Risk in Surgical Patients in Catalonia) — классический предоперационный инструмент для оценки риска послеоперационных легочных осложнений (ПРО), созданный по итогам проспективного многоцентрового исследования в 59 испанских больницах и опубликованный в 2010 г. [16]. В оригинальной работе ПРО определяли как композит (респираторная инфекция, дыхательная недостаточность, бронхоспазм, ателектаз, плевральный выпот, пневмоторакс или аспирационная пневмония). Модель включает 7 предикторов (низкая SpO2, недавняя инфекция верхних дыхательных путей, возраст, анемия, верхнеабдоминальный/торакальный доступ, длительность операции ≥ 2 ч, экстренность), переведенных в балльный индекс с высокой дискриминацией (AUC ≈ 0,90 в разработке).
ARISCAT ценят за практичность: все переменные доступны до операции, а итоговый риск удобен для обсуждения и планирования профилактики/уровня наблюдения; существуют валидированные онлайн-калькуляторы, воспроизводящие оригинальную схему (MDCalc; QxMD) [16, 54, 55]. Внешние проверки показывают, что шкала в целом переносима, включая когорты экстренной абдоминальной хирургии и пожилых пациентов, однако пороги и калибровка могут требовать локальной настройки [56]. В связи с этим оптимально использовать ARISCAT как быстрый предоперационный скрининг с последующей внешней проверкой и при необходимости локальной перекалибровкой, особенно с учетом изменения современной практики (ускоренное восстановление, протективная вентиляция) и зависимости отдельных компонентов композита от клинических решений (например, диагностика/лечение респираторной инфекции) [16, 57, 58].
LAS VEGAS risk score. В шкале LAS VEGAS risk score впервые системно внедрены в модель интраоперационные параметры вентиляции и проведения анестезии [26]. На основе международного наблюдательного исследования (29 стран, более 6000 пациентов) авторы вывели 13 периоперационных характеристик, включая driving pressure (ΔP), длительность операции и другие факторы, и показали умеренно хорошую дискриминацию. Эта шкала особенно полезна для аудита вентиляционных практик и ранней стратификации, но ее ограничивают наблюдательный дизайн и потребность во внешней валидации перед повсеместным клиническим использованием [26]. Шкала позволяет прогнозировать ПРО.
Другие исходы
SPORC-2. SPORC-2 [23] отвечает на очень прикладной вопрос первых суток: каков риск ранней реинтубации/необходимости ИВЛ в ближайшие 1–3 дня? В отличие от чисто предоперационных шкал, SPORC-2 сочетает пред- и интраоперационные факторы и проходит внешнюю валидацию, что делает его удобным инструментом для решения «логистических» задач — выбор уровня наблюдения (ОРИТ), вероятность респираторной поддержки и др. Ограничение здесь очевидно: модель нацелена на тяжелые ранние события, а не на широкий спектр всех ПРО [23].
Сегодня все чаще рекомендуют, чтобы исследования и практические модели сообщали композит ПРО с градацией тяжести по StEP и параллельно показывали дискретные регистровые события NSQIP. Такой подход повышает сопоставимость результатов и улучшает перенос в практику. В 2018 г. консорциум StEP предложил согласованные определения и шкалу тяжести для ПРО, а в 2025 г. стартовал международный Delphi-проект PrECiSIOn, призванный договориться о составе композита, окне наблюдения и «весах» компонентов, то есть приблизиться к современной «золотой рамке» для исследований и клинических решений [19, 23].
LIPS (Lung Injury Prediction Score). Шкала LIPS (Lung Injury Prediction Score) предназначена для раннего прогнозирования риска ALI/ARDS (острого повреждения легких/ОРДС) на момент госпитализации (до клинической манифестации синдрома). Первая версия разработана группой Mayo Clinic: ретроспективная разработка с последующей проспективной валидацией на независимой выборке [58]. LIPS использует признаки первых часов поступления: предрасполагающие состояния (сепсис, шок, пневмония, аспирация, панкреатит, операция высокого риска, травма) и модификаторы риска (алкоголь, курение, гипоальбуминемия, тахипноэ, потребность в кислороде, недавняя химиотерапия, сахарный диабет); сумма баллов отражает вероятность ALI/ARDS [58]. В разработке и проспективной валидации шкала показала хорошую прогностическую способность (AUC 0,84) и удовлетворительную калибровку [58].
Практический смысл LIPS — выявить пациентов с потенциалом для профилактики (до развития ALI/ARDS); шкала быстро рассчитывается и реализована в клинических калькуляторах (MDCalc) [59]. Существуют адаптации и проверки: ED-LIPS для приемного отделения [60], применения в хирургических/реанимационных когортах с акцентом на необходимость внешней валидации [61], тестирование по Берлинским критериям ОРДС (с зависимостью порогов/калибровки от популяции) [62], а также варианты с добавлением динамических маркеров (например, С-реактивного белка) [63] и тематические модификации, включая c-LIPS для COVID-19-ассоциированного ОРДС [64]. Ограничения LIPS связаны с переносимостью (нужна многоцентровая внешняя проверка/перекалибровка) и тем, что часть модификаторов отражает клинические решения, а интраоперационные детали вентиляции не учитываются, поэтому в периоперационном сценарии LIPS рационально сочетать с моделями, включающими интраоперационные факторы [58].
STOP-BANG. Это удобный предоперационный скрининг для выявления пациентов с высоким риском обструктивного апноэ сна (ОАС), ассоциированного с гипоксемией, обструкцией дыхательных путей и реинтубацией после операции. Руководства Американского общества анестезиологов и Общества анестезии и медицины сна рекомендуют применять STOP-BANG на предоперационном осмотре для определения объема мониторинга, обезболивания и респираторной поддержки при подтвержденном или вероятном ОАС [65–67]; метаанализ также связывает высокий риск по STOP-BANG с большей частотой послеоперационных осложнений, что делает шкалу практичным маркером риска даже без полисомнографии [68]. Опросник STOP (храп, сонливость, наблюдаемые остановки дыхания, артериальная гипертензия) был валидирован в хирургической популяции в 2008 г. [69], а расширенная версия STOP-BANG добавляет индекс массы тела > 35 кг/м², возраст > 50 лет, окружность шеи > 40 см и мужской пол; суммарный балл 0–8 интерпретируют как низкий/промежуточный/высокий риск [66]. Порог ≥ 3 обеспечивает высокую чувствительность для выявления умеренно тяжелого и тяжелого ОАС (при умеренной специфичности), 5–8 баллов соответствуют высокой вероятности клинически значимого ОАС; для «серой зоны» 3–4 балла предложен двухшаговый алгоритм усиления вероятности по комбинациям признаков [66, 70, 71]. В хирургических когортах высокий STOP-BANG ассоциирован с ранней послеоперационной гипоксемией и потребностью в респираторной поддержке, а также предсказывает обструкцию дыхательных путей и реинтубацию [68, 72, 73].
Высокий балл STOP-BANG целесообразно трактовать как сигнал к усилению профилактики: опиоид-сберегающее обезболивание и осторожная седация, позиционирование, раннее применение постоянного положительного давления в конце выдоха, непрерывная пульсоксиметрия/капнография в первые сутки, осторожность при амбулаторных вмешательствах и планирование маршрутизации в отделение наблюдения [65, 67, 74]. При этом STOP-BANG — не диагноз (специфичность ограничена), поэтому положительный результат требует клинического контекста и по возможности подтверждения; связь с летальностью и длительностью госпитализации менее стабильна, и в крупной выборке шкала не предсказывала 30-дневную летальность / длительность пребывания в стационаре после учета других факторов [75].
Обобщающие работы последних лет рекомендуют четко указывать определение исхода (композит ПРО/дыхательная недостаточность/пневмония), показывать не только дискриминацию, но и калибровку, обеспечивать внешнюю валидацию и по возможности перекалибровку под популяционный или иной контекст, рассматривать ступенчатые модели — предоперационные (ARISCAT/Gupta) и периоперационные (SPORC-2/интраоперационные предикторы), а также говорить на «двух языках исходов» (композит по StEP и дискретные события NSQIP) для лучшей переносимости между центрами.
Машинное обучение и искусственный интеллект в прогнозировании риска
Разработаны универсальные платформы и узкоспецифичные модели:
- MySurgeryRisk — большая платформа на данных электронной истории болезни, использует ансамбли и бустинг, предсказывает сразу несколько осложнений и летальный исход; показала высокую точность на десятках тысяч операций и прошла дальнейшие масштабные проверки [76, 77]. Такая архитектура легко включает респираторные исходы как одну из целей.
- Узкоспециализированные модели по прогнозированию ПРО: двухцентровое исследование показало, что бустинг/лес дают хорошую точность и выделяют клинически понятные предикторы (возраст, длительность/тип операции, вентиляционные параметры) [78]. Для торакоскопии опубликована объяснимая ML-модель с хорошей работой и простыми факторами риска [43]. В легочной онкологии описана AutoML-рамка для осложнений после резекций легкого с преимуществом по анализу кривой клинической пользы (Decision Curve Analysis — DCA) над базовыми моделями [42].
Современные алгоритмы прогнозирования хирургических осложнений становятся ключевым инструментом в медицине, позволяя индивидуализировать тактику ведения пациентов (рис. 1).
Pythia — это инновационная система, основанная на нейросетях и искусственном интеллекте. Название Pythia отсылает к древнегреческому оракулу, что символизирует способность алгоритма «предсказывать» риски в предоперационный период. Система анализирует предоперационные данные пациента, включая демографические параметры, историю болезней, лабораторные показатели и физиологические данные. На основе этих сведений алгоритм, обученный на больших выборках, идентифицирует сложные зависимости между показателями, которые традиционные модели часто упускают. Например, он может уловить сочетания лабораторных отклонений и возрастных особенностей, повышающих риск послеоперационных осложнений. Среди ключевых преимуществ Pythia — высокая чувствительность и специфичность, способность прогнозировать как общие, так и специфические осложнения, а также возможность самообучения по мере накопления данных. Система легко интегрируется в клинические процессы и может использоваться хирургами и анестезиологами для заблаговременной оценки риска и адаптации тактики лечения.
MySurgeryRisk — это продвинутая платформа прогнозирования, использующая данные из электронных медицинских записей. Алгоритм автоматически извлекает информацию о госпитализациях, назначенных лекарствах, лабораторных тестах, взаимодействиях с другими отделениями и истории хирургических вмешательств. Благодаря обучению на огромных массивах данных MySurgeryRisk выявляет скрытые закономерности, которые позволяют предсказывать риски с высокой точностью. В отличие от Pythia, этот алгоритм не только фиксирует показатели на определенный момент времени, но и анализирует динамику изменений. Среди преимуществ — возможность использования данных в реальном времени, индивидуализированное прогнозирование и удобная интеграция в рабочие процессы клиник. MySurgeryRisk позволяет врачам быстро выявлять пациентов с высоким риском осложнений и корректировать предоперационную подготовку, анестезию и послеоперационное наблюдение.
Подход Big Data представляет собой использование больших массивов данных для выявления скрытых закономерностей и разработки персонализированных стратегий лечения. В медицине Big Data объединяет информацию из множества источников: электронных карт, лабораторных и визуализационных исследований, геномных данных, данных мониторинга жизненных показателей и даже социально-экономических факторов. С помощью алгоритмов машинного обучения, таких как случайный лес или градиентный бустинг, Big Data анализирует многомерные взаимосвязи, которые могут предсказать развитие осложнений задолго до их клинического проявления. Например, система может выявить, что сочетание определенного возраста, лабораторных отклонений и генетической предрасположенности повышает риск послеоперационного сепсиса. Среди преимуществ Big Data — учет разнообразных источников информации, высокая прогностическая точность, возможность раннего выявления рисков и разработка индивидуальных протоколов лечения. Такие системы уже используются для стратегического планирования, создания новых алгоритмов диагностики и оптимизации распределения ресурсов здравоохранения.
Таким образом, Pythia, MySurgeryRisk и Big Data представляют собой три уникальных, но взаимодополняющих подхода к прогнозированию осложнений, открывая новые горизонты в персонализированной медицине. Они позволяют врачам принимать более обоснованные решения, минимизировать риски для пациентов и повышать эффективность медицинской помощи.
Возможности клинического применения шкал прогнозирования представлены на рис. 1.
Рис. 1. Применение различных шкал прогнозирования послеоперационных легочных осложнений Примечание: ACS — Американская коллегия хирургов; ALI — острое повреждение легких; ARDS — синдром острого респираторного дистресса; ARISCAT — шкала оценки респираторного риска у хирургических пациентов; Big Data — большие данные; c-LIPS — модифицированная версия LIPS; ED-LIPS — шкала прогнозирования повреждения легких для отделения неотложной помощи; EHR — электронная медицинская карта/электронная история болезни; LAS VEGAS — оценка параметров вентиляции и респираторного риска при общей анестезии; LIPS — шкала прогнозирования повреждения легких; ML — машинное обучение; NSQIP — национальная программа улучшения качества хирургической помощи; OSA — обструктивное апноэ сна; PN — послеоперационная пневмония; PPC — послеоперационные легочные осложнения; PRF — послеоперационная респираторная недостаточность; PRODIGY — прогнозирование опиоид-индуцированной депрессии дыхания при мониторинге капнографии; SPORC-2 — шкала прогнозирования послеоперационных респираторных осложнений; STOP-BANG — храп, утомляемость, наблюдаемое апноэ, артериальное давление, индекс массы тела, возраст, окружность шеи, пол; VA — система медицинской помощи ветеранам; ИВЛ — искусственная вентиляция легких; ОДН — острая дыхательная недостаточность; ОР — операционная; ОРИТ — отделение реанимации и интенсивной терапии. Fig. 1. Application of various scales for predicting postoperative pulmonary complications Note: ACS — American College of Surgeons; ALI — Acute Lung Injury; ARDS — Acute Respiratory Distress Syndrome; ARISCAT — Assess Respiratory Risk in Surgical Patients in Catalonia; Big Data — Big Data; c-LIPS — modified version of Lung Injury Prediction Score; ED-LIPS — Emergency Department Lung Injury Prediction Score; EHR — Electronic Health Record; LAS VEGAS — Local Assessment of Ventilatory Management during General Anaesthesia for Surgery; LIPS — Lung Injury Prediction Score; ML — Machine Learning; NSQIP — National Surgical Quality Improvement Program; OSA — Obstructive Sleep Apnea; PN — Postoperative Pneumonia; PPC — Postoperative Pulmonary Complications; PRF — Postoperative Respiratory Failure; PRODIGY — PRediction of Opioid-induced respiratory Depression In patients monitored by capnoGraphY; SPORC-2 — Score for Prediction of Postoperative Respiratory Complications; STOP-BANG — Snoring, Tiredness, Observed apnea, Pressure, BMI, Age, Neck circumference, Gender; VA — Veterans Affairs; ИВЛ — Mechanical Ventilation; ОДН — Acute Respiratory Failure; ОР — Operating Room; ОРИТ — Intensive Care Unit (ICU).
Как правильно проверять (валидация)
В настоящее время считается, что необходимый минимум — разделить данные «по времени» (обучаем на прошлых годах, проверяем на следующих), лучше — проверка на другом центре/сети (внешняя валидация). Главное не только точность (AUC/AUROC — площадь под ROC-кривой), но и калибровка (насколько 25 % риска действительно 25 % случаев) и клиническая польза (DCA показывает, дает ли подсказка модели выгоду для принятия решений при разных порогах) [39]. Для формальной оценки качества и рисков смещения применяют PROBAST+AI [40].
Как внедрять в практику
Опыт тех же групп показывает: сначала запускают модель в фоновом режиме (считает, но на решения не влияет), сравнивают с врачебными оценками, оттачивают интерфейс, затем делают проспективную оценку влияния (смотрят, снизились ли ПРО, реинтубации, дни в стационаре и т. п.). Пример: пилоты с применением MySurgeryRisk с имитацией работы в реальном времени [76, 79]. Важно следить за дрейфом данных (меняются пациенты/практики) и периодически перекалибровывать модель [39, 80]. Чтобы результаты были сопоставимы между центрами, исходы лучше задавать на «общем языке» — по StEP/NSQIP [81].
Обсуждение методов прогнозирования
Частота ПРО и вклад отдельных факторов риска существенно варьируют между исследованиями, что объясняется различиями в определениях исходов, структуре хирургических вмешательств и характеристиках популяции. Отдельного внимания заслуживают различия по полу: в некоторых когортах доля мужчин существенно выше (например, при анализе популяций специфических систем здравоохранения), что способно смещать как оценку базового риска, так и вклад предикторов. Следствием является возможная потеря калибровки модели при переносе на популяции с иной половой структурой и коморбидностью. Практическое решение — проводить внешнюю проверку модели с оценкой калибровки отдельно у мужчин и женщин, а при выявлении систематического смещения выполнять локальную перекалибровку (обновление интерсепта/наклона) с последующим аудитом исходов.
Сопоставление результатов разных работ затрудняется также неоднородностью определений ПРО: в одних исследованиях используется широкий композит (включая ателектаз, пневмонию, дыхательную недостаточность), в других — узкие критерии (например, реинтубация или продленная ИВЛ). Это приводит к различиям базовой частоты исхода и влияет на переносимость порогов риска.
Даже при приемлемой дискриминации (AUC) модель может быть клинически непригодной без калибровки в конкретной популяции. В связи с этим при внедрении приоритетны внешняя валидация, оценка калибровки и анализ клинической пользы при выбранных порогах вмешательства. Практический путь включает выбор модели под конкретный клинический вопрос, определение порога вмешательства, применение профилактического пакета у пациентов высокого риска и регулярный аудит исходов. Такой цикл «прогноз – действие – контроль результата» повышает воспроизводимость эффектов профилактики и снижает вариабельность качества.
Выявлен высокий риск — что дальше?
Профилактика ПРО — это связка мер по всей траектории лечения: подготовка пациента (отказ от курения, лечение ХОБЛ, преабилитация и пр.), оптимальные методы анестезии и операция (протективная вентиляция, гидробаланс, опиоид-сбережение, мониторинг и инверсия миорелаксации) и обеспечение ранней активизации и респираторной поддержки по показаниям. Именно комбинация вмешательств дает наиболее выраженное снижение риска [82] (рис. 2).
Рис. 2. Схема модификации периоперационного респираторного риска Примечание: ACS — Американская коллегия хирургов; AI — искусственный интеллект (ИИ); ALI — острое повреждение легких; ARDS — синдром острого респираторного дистресса; Big Data — большие данные; c-LIPS — модифицированная версия LIPS; ED-LIPS — шкала прогнозирования повреждения легких для отделения неотложной помощи; EPCO — стандартизованные клинические исходы; ESA — Европейское общество анестезиологии; ESICM — Европейское общество интенсивной терапии; FiO₂ — фракция кислорода во вдыхаемой смеси; HFNO — высокопоточная назальная оксигенотерапия; LIPS — шкала прогнозирования повреждения легких; ML — машинное обучение; NIV — неинвазивная вентиляция легких; NMB — нервно-мышечная блокада; NSQIP — национальная программа улучшения качества хирургической помощи; PPC — послеоперационные легочные осложнения; OSA — обструктивное апноэ сна; PEEP — положительное давление в конце выдоха; PN — послеоперационная пневмония; PRF — послеоперационная респираторная недостаточность; PROBAST+AI — инструмент оценки риска систематической ошибки в исследованиях моделей прогнозирования с использованием ИИ; SHAP — аддитивные объяснения Шепли; StEP — стандартизованные конечные точки в периоперационной медицине; StEP-COMPAC — классификация/система градации периоперационных респираторных осложнений в рамках StEP; TRIPOD+AI — руководство по прозрачной отчетности исследований прогностических моделей с использованием ИИ; VT — дыхательный объем; ХОБЛ — хроническая обструктивная болезнь легких. Fig. 2. Scheme for modifying perioperative respiratory risk Note: ACS — American College of Surgeons; AI — Artificial Intelligence; ALI — Acute Lung Injury; ARDS — Acute Respiratory Distress Syndrome; Big Data — Big Data; c-LIPS — modified Lung Injury Prediction Score; ED-LIPS — Emergency Department Lung Injury Prediction Score; EPCO — European Perioperative Clinical Outcome; ESA — European Society of Anaesthesiology; ESICM — European Society of Intensive Care Medicine; FiO₂ — Fraction of Inspired Oxygen; HFNO — High-Flow Nasal Oxygen; LIPS — Lung Injury Prediction Score; ML — Machine Learning; NIV — Noninvasive Ventilation; NMB — Neuromuscular Blockade; NSQIP — National Surgical Quality Improvement Program; OSA — Obstructive Sleep Apnea; PEEP — Positive End-Expiratory Pressure; PN — Postoperative Pneumonia; PPC — Postoperative Pulmonary Complications; PRF — Postoperative Respiratory Failure; PROBAST+AI — Prediction model Risk Of Bias ASsessment Tool for Artificial Intelligence; SHAP — Shapley Additive Explanations; StEP — Standardised Endpoints in Perioperative Medicine; StEP-COMPAC — StEP classification/grading framework for perioperative respiratory complications; TRIPOD+AI — Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis for Artificial Intelligence; VT — Tidal Volume; ХОБЛ — Chronic Obstructive Pulmonary Disease.
Отказ от курения. Прекращение курения перед операцией остается одной из самых эффективных и доступных мер. Современные систематические обзоры показывают, что предоперационные программы отказа от курения повышают частоту абстиненции и ассоциированы со снижением частоты послеоперационных осложнений, включая ПРО. В большинстве работ эффект заметен уже при ≥ 4 неделях, а при 6–8 неделях — больше (в том числе за счет снижения воспаления и восстановления мукоцилиарного клиренса). В 2023–2025 гг. вышли новые обзоры и метаанализы, подтверждающие пользу интенсивных вмешательств (поведенческая поддержка, никотинзаместительная терапия) по сравнению с минимальными «советами бросить» [83–85]. Таким образом, активное курение остается одним из наиболее значимых и при этом модифицируемых факторов риска ПРО, а отказ от курения за 6–8 недель до операции является простой и эффективной профилактической мерой.
Оптимизация лечения ХОБЛ и других сопутствующих заболеваний. Для пациентов с ХОБЛ критичны: корректная ингаляционная бронходилатация (длительно действующие β2-агонисты/антихолинергики), уточнение показаний к ингаляционным стероидам, контроль обострений и ингаляционной техники. Обновления GOLD-2025 подчеркивают важность вакцинации от респираторных вирусных инфекций (для пожилых и пациентов с хронической дыхательной недостаточностью) [86], индивидуализацию поддерживающей терапии и обучение пациента. Эти меры снижают риск инфекций и обострений, которые провоцируют ПРО [87, 88]. Следовательно, наличие ХОБЛ существенно повышает риск ПРО, однако оптимизация бронхолитической терапии и контроль симптомов позволяют частично нивелировать этот риск.
Дыхательная реабилитация и «преабилитация». Тренировка инспираторных мышц, обучение дыхательным техникам, аэробные/силовые упражнения до операции уменьшают риск ателектазов/пневмонии и сокращают длительность пребывания. Метаанализы и крупные рандомизированные контролируемые исследования в абдоминальной и торакальной хирургии показывают снижение ПРО на 30–60 %, улучшение дыхательной силы и функциональной готовности [89–91]. Эффект особенно выражен у пациентов высокого риска и при умеренно интенсивных протоколах дыхательной гимнастики в течение 2–4 недель [92]. В целом преабилитация представляет собой перспективный инструмент снижения частоты ПРО, особенно у пациентов высокого риска, несмотря на сохраняющуюся гетерогенность протоколов и доказательной базы.
Санация хронических очагов инфекции верхних дыхательных путей и профилактика инфекций. При признаках инфекции до операции целесообразно лечение по стандартам (с учетом локальной микробиологии и антибактериальной терапии).
Протективная вентиляция во время операции. Современный консенсус рекомендует низкие дыхательные объемы по «идеальной массе» тела (6–8 мл/кг), как минимум умеренный PEEP (обычно ≥ 5 см вод. ст.), ограничение driving pressure (ΔP) и отказ от агрессивных рекрутмент-маневров рутинно. Такой протективный режим последовательно уменьшает ПРО по сравнению с традиционной вентиляцией. На практике это стандартная стратегия выбора параметров ИВЛ при общей анестезии, особенно у пациентов высокого риска [27]. Следовательно, протективная вентиляция с ограничением driving pressure и индивидуализацией PEEP остается ключевым элементом профилактики ПРО в интраоперационном периоде.
Адекватное обезболивание с опиоид-сбережением и регионарная анестезия. Мультимодальная анальгезия (парацетамол/нестероидные противовоспалительные препараты, дексаметазон, местная анестезия, α₂-агонисты и др.) снижает потребление опиоидов, тем самым уменьшая гиповентиляцию, гипоксемию и задержку отхождения мокроты; регионарные методы (эпидуральная, периферические блокады) дополнительно улучшают вентиляцию за счет лучшей подвижности и кашля. Современные обзоры подтверждают безопасность и эффективность опиоид-сберегающих схем, но подчеркивают необходимость подбора техники под тип операции и протокол ускоренного восстановления [75, 93, 94].
Контроль инфузионной терапии. Перегрузка жидкостью способствует интерстициальному отеку легких и ПРО; рестриктивные схемы тоже опасны (гипоперфузия). Наиболее взвешенный подход — целенаправленная гемодинамическая терапия (GDFT/GDHT) с использованием показателей ответа на объем, что в метаанализах и рандомизированных контролируемых исследованиях ассоциировано со снижением послеоперационной заболеваемости и тенденцией к уменьшению ПРО в ряде популяций (абдоминальная/торакальная хирургия), особенно как часть ERAS [95, 96]. Недавний консенсус подчеркивает персонализацию: избегать как гипогидратации, так и гипергидратации [97].
Мониторинг и раннее выявление дыхательных проблем. Расширенный мониторинг SpO₂ и капнографии у пациентов группы риска помогает вовремя заметить дыхательную депрессию на отделении. Международное проспективное исследование PRODIGY предложило валидированную шкалу отбора для проведения непрерывного мониторинга [98, 99]. При высоком риске после экстубации ранняя неинвазивная вентиляция (NIV) снижает вероятность реинтубации; у умеренного риска сопоставимую эффективность показала высокопоточная назальная оксигенация (HFNO) [100–102].
Безопасное управление нервно-мышечной блокадой. Остаточная миоплегия — недооцененный фактор ПРО (обструкция верхних дыхательных путей, гипоксемия, аспирация). Обновленные обучающие материалы и обзоры подчеркивают два столпа профилактики: количественный мониторинг нервно-мышечной передачи (TOF-ratio ≥ 0,9–0,95 к экстубации) и полноценная антагонизация блока. Современные суммарные данные указывают, что использование сугаммадекса по сравнению с неостигмином ассоциировано с более низкими частотами пневмонии, ателектаза, неинвазивной вентиляции и реинтубации, хотя влияние на длительность госпитализации не всегда демонстрируется; вывод — выбирать средство и дозу с опорой на мониторинг и профиль пациента [31, 103]. Таким образом, адекватный мониторинг нейромышечной передачи и полная реверсия блокады являются критически важными для снижения ранних послеоперационных респираторных осложнений.
Ранняя мобилизация и послеоперационные дыхательные практики. Подъем с постели и ходьба с первых часов после операции, позиционирование с приподнятым головным концом, контролируемое глубокое дыхание уменьшают гипостатические изменения и риск ателектазов. Обзоры ERAS и исследования в хирургии показывают, что ранняя мобилизация способствует снижению осложнений и ускоряет восстановление. При сочетании с инструктажем по дыхательным упражнениям эффект сильнее [104].
На рис. 3 представлены мероприятия по профилактике ПРО и их ранжирование по степени важности.
Рис. 3. Подходы к профилактике послеоперационных легочных осложнений Примечание: CPAP — постоянное положительное давление в дыхательных путях; ОАС — обструктивное апноэ сна; ХОБЛ — хроническая обструктивная болезнь легких. Fig. 3. Approaches to the prevention of postoperative pulmonary complications Note: CPAP — continuous positive airway pressure; ОАС — obstructive sleep apnea; ХОБЛ — chronic obstructive pulmonary disease.
Заключение
Послеоперационные легочные осложнения остаются одной из главных причин неблагоприятных исходов и затрат после некардиальной хирургии. Ключ к снижению риска — сочетать стандартизованные определения исходов (StEP/EPCO), валидированные инструменты стратификации и сочетание профилактических мер у выявленных пациентов высокого риска: отказ от курения, оптимизация ХОБЛ, преабилитация, протективная вентиляция, опиоид-сбережение, целенаправленная инфузионная терапия, мониторинг и рациональное применение нейромышечной блокады. Новые предиктивные модели и ML-подходы перспективны, но требуют прозрачной отчетности и внешней валидации. Такой интегрированный подход позволяет уменьшить частоту ПРО и улучшить как кратко-, так и долгосрочные исходы.
Информация о приложениях
Онлайн-версия статьи содержит приложение 1, доступное по ссылке:
https://doi.org/10.21320/1818-474X-2026-3-108-129.
Конфликт интересов. И.Б. Заболотских — вице-президент Общероссийской общественной организации «Федерация анестезиологов и реаниматологов». Остальные авторы заявляют об отсутствии конфликта интересов.
Disclosure. I.B. Zabolotskikh is the VicePresident of the All-Russian public organization “Federation of anesthesiologists and reanimatologists”. Other authors declare no competing interests.
Вклад авторов. Все авторы в равной степени участвовали в разработке концепции статьи, получении и анализе фактических данных, написании и редактировании текста статьи, проверке и утверждении текста статьи.
Author contribution. All authors according to the ICMJE criteria participated in the development of the concept of the article, obtaining and analyzing factual data, writing and editing the text of the article, checking and approving the text of the article.
Этическое утверждение. Не требуется.
Ethics approval. Not required.
Информация о финансировании. Работа выполнена в рамках выполнения проекта «Калькулятор высокого периоперационного риска в плановой абдоминальной хирургии» за счет средств субсидии по Соглашению № 075-15-2025-108 от 29.03.2025 в рамках программы стратегического академического лидерства «Приоритет-2030».
Funding source. The work was carried out as part of the project “Calculator of High Perioperative Risk in Elective Abdominal Surgery” and was funded by a subsidy under Agreement No. 075-15-2025-108 dated March 29, 2025, within the framework of the Strategic Academic Leadership Program “Priority-2030.”
Декларация о наличии данных. Данные, подтверждающие выводы этого исследования, можно получить у корреспондирующего автора по обоснованному запросу.
Data Availability Statement. The data that support the findings of this study are available from the corresponding author upon reasonable request.
