Интерпретируемые большие языковые модели для раннего прогнозирования множественной лекарственной устойчивости
Распространение антимикробной резистентности (AMR) в условиях отделений реанимации и интенсивной терапии представляет собой критическую проблему современного здравоохранения, приводящую к росту летальности, осложнений и экономических затрат. Своевременная идентификация пациентов с высоким риском развития инфекций, вызванных устойчивыми патогенами, является необходимым условием для оптимизации терапии и применения превентивных стратегий. В данном исследовании предложены новые архитектуры на основе больших языковых моделей (Large Language Models, LLM), адаптированные для решения задачи классификации риска AMR по данным электронных медицинских карт, рассматриваемых в качестве нерегулярных многомерных временных рядов.
Оценка предложенных LLM-архитектур проводилась на наборе анонимизированных электронных карт 3502 пациентов Университетской больницы Фуэнлабрады (Мадрид, Испания) за период с 2004 по 2020 год. Производительность моделей сравнивалась с эталонными методами глубокого обучения, включая GRU, LSTM, Transformer, Mamba и Graph Convolutional Neural Networks. Все модели обучались на нерегулярных многомерных временных рядах с окнами прогнозирования в 4, 7 и 14 дней. Для интерпретации предсказаний использовался метод SHAP (SHapley Additive exPlanations).
Архитектуры на основе LLM продемонстрировали статистически значимое превосходство над базовыми моделями глубокого обучения. В 7-дневном прогностическом окне модель InstructTime-LLM показала наилучший результат (ROC-AUC 0,792 ± 0,009), тогда как модель Blocks-LLM достигла сопоставимой эффективности в 14-дневном окне. SHAP-анализ позволил идентифицировать клинически значимые предикторы высокого риска АМР, среди которых центральный венозный доступ, предшествующая антибиотикотерапия и положительные результаты микробиологического посева.
Результаты исследования подтверждают высокий потенциал специализированных LLM-архитектур для раннего прогнозирования антимикробной резистентности в отделениях интенсивной терапии, сочетающих высокую прогностическую точность с возможностью содержательной интерпретации решений. Предложенные модели представляют собой перспективную основу для разработки клинических систем поддержки принятия решений, направленных на своевременное выявление пациентов группы риска и персонализацию терапевтических стратегий.
