Проспективная внутренняя валидация XGBoost-модели прогнозирования сепсиса в условиях длительного пребывания пациентов в ОРИТ

Цель исследования: провести проспективную валидацию ранее разработанной модели машинного обучения для прогнозирования развития сепсиса у данной категории пациентов.

Материалы и методы: Проспективная валидация выполнена в соответствии с рекомендациями TRIPOD+AI на данных базы “Russian Intensive Care Dataset” (RICD v3.0). Использовалась модель XGBoost, оценивающая риск развития сепсиса каждый час госпитализации с периодом прогнозирования 6 часов на основе антропометрических, клинических, лабораторных и витальных показателей, агрегированных в динамические временные окна. Эффективность модели оценивалась по площади под ROC-кривой (AUROC) с 95% доверительным интервалом (ДИ), а также по диагностическим метрикам при оптимальной отрезной точке.

Результаты: Валидация проведена на когорте пациентов, госпитализированных в ОРИТ ФНКЦ РР в период с октября 2024 по сентябрь 2025 года (n = 103; 53 561 пациенто-час наблюдения). Длительность пребывания в ОРИТ составила 32 (27; 38) суток. Модель XGBoost продемонстрировала AUROC 0,737, что соответствовало исходным результатам внутреннего тестирования (AUROC 0,752; 95% ДИ 0,730; 0,767). Ранее определенная оптимальная точка отсечения (0,5651) обеспечила чувствительность 60,3%, специфичность 81,5% и высокую прогностическую ценность отрицательного результата (97,4%). Ввиду высокой доли ложноположительных срабатываний модель показала наибольшую клиническую применимость для исключения сепсиса в ближайшие 6 часов. Вместе с тем, использование многоуровневого подхода к интерпретации делает модель потенциально полезной для стратификации пациентов по вероятности развития сепсиса.

Заключение: Проспективная валидация подтвердила устойчивость и воспроизводимость модели машинного обучения для прогнозирования сепсиса у пациентов, длительно находящихся в ОРИТ. Результаты свидетельствуют о возможности интеграции модели в медицинскую информационную систему как компонента системы поддержки принятия врачебных решений для последующей оценки в условиях реальной клинической практике.

1. Singer M, Deutschman CS, Seymour CW, et al. The third international consensus definitions for sepsis and septic shock (sepsis-3). JAMA - J Am Med Assoc. 2016; 315: 801-10. doi: 10.1001/jama.2016.0287.

2. La Via L, Sangiorgio G, Stefani S, et al. The Global Burden of Sepsis and Septic Shock. Epidemiologia. 2024; 5: 456-78. doi: 10.3390/epidemiologia5030032.

3. Arbous SM, Termorshuizen F, Brinkman S, et al. Three-year mortality of ICU survivors with sepsis, an infection or an inflammatory illness: an individually matched cohort study of ICU patients in the Netherlands from 2007 to 2019. Crit Care. 2024; 28: 374. doi: 10.1186/s13054-024-05165-x.

4. Fleischmann C, Scherag A, Adhikari NKJ, et al. Assessment of global incidence and mortality of hospital-treated sepsis current estimates and limitations. Am J Respir Crit Care Med. 2016; 193: 25972. doi: 10.1164/rccm.201504-0781OC.

5. Sakr Y, Jaschinski U, Wittebole X, et al. Sepsis in intensive care unit patients: Worldwide data from the intensive care over nations audit. Open Forum Infect Dis. 2018; 5: ofy313. doi: 10.1093/ofid/ofy313.

6. Лянгузов А.В., Лучинин А.С., Игнатьев С.В. и др. Предикторы летальности в отделении реананимации и интенсивной терапии у пациентов с гемобластозами и инфекционными осложнениями // Анестезиология и реаниматология. – 2023. – №1. – С.33-38. doi: 10.17116/anaesthesiology202301133.

7. Кочкин А.А., Ядгаров М.Я., Берикашвили Л.Б. и др. Предикторы летальных исходов у пациентов с рефрактерным септическим шоком // Вестник анестезиологии и реаниматологии. – 2021. – Т.18. – №3. – С.30-35. doi: 10.21292/2078-5658-2021-18-3-30-35.

8. Abe T, Ogura H, Shiraishi A, et al. Characteristics, management, and in-hospital mortality among patients with severe sepsis in intensive care units in Japan: The FORECAST study. Crit Care. 2018; 22: 322. doi: 10.1186/s13054-018-2186-7.

9. Mohamed AKS, Mehta AA, James P. Predictors of mortality of severe sepsis among adult patients in the medical Intensive Care Unit. Lung India. 2017; 34: 330-5. doi: 10.4103/lungindia.lungindia_54_16.

10. Vincent JL, Marshall JC, Ñamendys-Silva SA, et al. Assessment of the worldwide burden of critical illness: The Intensive Care Over Nations (ICON) audit. Lancet Respir Med. 2014; 2: 380-6. doi: 10.1016/S2213-2600(14)70061-X.

11. Raghavan M, Marik PE. Management of sepsis during the early “golden hours”. J Emerg Med. 2006; 31: 185-99. doi: 10.1016/j.jemermed.2006.05.008.

12. Im Y, Kang D, Ko RE, et al. Time-to-antibiotics and clinical outcomes in patients with sepsis and septic shock: a prospective nationwide multicenter cohort study. Crit Care. 2022; 26: 19. doi: 10.1186/s13054-021-03883-0.

13. Evans L, Rhodes A, Alhazzani W, et al. Surviving sepsis campaign: international guidelines for management of sepsis and septic shock 2021. Intensive Care Med. 2021; 47: 1181-247. doi: 10.1007/s00134-021-06506-y.

14. Vincent J-L, Beumier M. Diagnostic and prognostic markers in sepsis. Expert Rev Anti Infect Ther. 2013; 11: 265-75. doi: 10.1586/eri.13.9.

15. He RR, Yue GL, Dong ML, et al. Sepsis Biomarkers: Advancements and Clinical Applications—A Narrative Review. Int J Mol Sci. 2024; 25. doi: 10.3390/ijms25169010.

16. Adegbite BR, Edoa JR, Ndzebe Ndoumba WF, et al. A comparison of different scores for diagnosis and mortality prediction of adults with sepsis in Low-and-Middle-Income Countries: a systematic review and meta-analysis. EClinicalMedicine. 2021; 42: 101184. doi: 10.1016/j.eclinm.2021.101184.

17. Konjety P, Chakole VG. Beyond the Horizon: A Comprehensive Review of Contemporary Strategies in Sepsis Management Encompassing Predictors, Diagnostic Tools, and Therapeutic Advances. Cureus. 2024; 16: e64249. doi: 10.7759/cureus.64249.

18. Sakib N, Ahamed SI, Khan RA, et al. Unpacking prevalence and dichotomy in quick sequential organ failure assessment and systemic inflammatory response syndrome parameters: Observational data–driven approach backed by sepsis pathophysiology. JMIR Med Informatics. 2020; 8: e18352. doi: 10.2196/18352.

19. Islam MM, Nasrin T, Walther BA, et al. Prediction of sepsis patients using machine learning approach: A meta-analysis. Comput Methods Programs Biomed. 2019; 170: 1-9. doi: 10.1016/j.cmpb.2018.12.027.

20. Yadgarov MY, Landoni G, Berikashvili LB, et al. Early detection of sepsis using machine learning algorithms: a systematic review and network meta-analysis. Front Med. 2024; 11: 1491358. doi: 10.3389/fmed.2024.1491358.

21. Fleuren LM, Klausch TLT, Zwager CL, et al. Machine learning for the prediction of sepsis: a systematic review and meta-analysis of diagnostic test accuracy. Intensive Care Med. 2020; 46: 383-400. doi: 10.1007/s00134-019-05872-y.

22. Likhvantsev VV., Berikashvili LB, Yadgarov MY, et al. The Tri-Steps Model of Critical Conditions in Intensive Care: Introducing a New Paradigm for Chronic Critical Illness. J Clin Med. 2024; 13. doi: 10.3390/jcm13133683.

23. Hawkins RB, Raymond SL, Stortz JA, et al. Chronic Critical Illness and the Persistent Inflammation, Immunosuppression, and Catabolism Syndrome. Front Immunol. 2018; 9: 1511. doi: 10.3389/fimmu.2018.01511.

24. Bagshaw SM, Stelfox HT, Iwashyna TJ, et al. Timing of onset of persistent critical illness: a multi-centre retrospective cohort study. Intensive Care Med. 2018; 44: 2134-44. doi: 10.1007/s00134-018-5440-1.

25. Yadgarov MY, Rebrova OY, Berikashvili LB, et al. Machine Learning Model for Sepsis Prediction in Prolonged and Chronic Critical Illness: Development and Validation Using Retrospective Real-World ICU Data. J Clin Med. 2026; 15: 777. doi: 10.3390/jcm15020777.

26. Гречко А.В., Ядгаров М.Я., Яковлев А.А. и др. Российская база данных пациентов отделений реанимации и интенсивной терапии RICD // Общая реаниматология. – 2024. – Т.20. – №3. – С.22- 31. doi: 10.15360/1813-9779-2024-3-22-31.

27. RICD - Open dataset [updated 2025 Oct 16; cited 2025 Dec 9]. Available from: https://fnkcrr-database. ru.

28. Collins GSS, Reitsma JBB, Altman DGG, et al. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): The TRIPOD Statement. BMC Med. 2015; 13: 1. doi: 10.1186/s12916-014-0241-z.

29. Collins GS, Moons KGM, Dhiman P, et al. TRIPOD+AI statement: Updated guidance for reporting clinical prediction models that use regression or machine learning methods. Bmj. 2024; 385. doi: 10.1136/bmj-2023-078378.

30. Wang Z, Wang W, Sun C, et al. A methodological systematic review of validation and performance of sepsis real-time prediction models. Npj Digit Med. 2025; 8: 190. doi: 10.1038/s41746-025-01587-1.

31. Schvetz M, Fuchs L, Novack V, et al. Outcomes prediction in longitudinal data: Study designs evaluation, use case in ICU acquired sepsis. J Biomed Inform. 2021; 117: 103734. doi: 10.1016/j.jbi.2021.103734.

32. Liu Z, Khojandi A, Mohammed A, et al. HeMA: A hierarchically enriched machine learning approach for managing false alarms in real time: A sepsis prediction case study. Comput Biol Med. 2021; 131: 104255. doi: 10.1016/j.compbiomed.2021.104255.

33. Yu SC, Gupta A, Betthauser KD, et al. Sepsis Prediction for the General Ward Setting. Front Digit Heal. 2022; 4: 848599. doi: 10.3389/fdgth.2022.848599.

34. Rockenschaub P, Akay EM, Carlisle BG, et al. External validation of AI-based scoring systems in the ICU: a systematic review and meta-analysis. BMC Med Inform Decis Mak. 2025; 25: 5. doi: 10.1186/s12911-024-02830-7.

35. Wong A, Otles E, Donnelly JP, et al. External validation of a widely implemented proprietary sepsis prediction model in hospitalized patients. JAMA Intern Med. 2021; 181: 1065-70. doi: 10.1001/jamainternmed.2021.2626.

36. Amland RC, Haley JM, Lyons JJ. A Multidisciplinary Sepsis Program Enabled by a Two-Stage Clinical Decision Support System: Factors That Influence Patient Outcomes. Am J Med Qual. 2016; 31: 501-8. doi: 10.1177/1062860615606801.

37. Narayanan N, Gross AK, Pintens M, et al. Effect of an electronic medical record alert for severe sepsis among ED patients. Am J Emerg Med. 2016; 34: 185-8. doi: 10.1016/j.ajem.2015.10.005.

38. Tafelski S, Nachtigall I, Deja M, et al. Computer-assisted Decision Support for Changing Practice in Severe Sepsis and Septic Shock. J Int Med Res. 2010; 38: 1605-16. doi: 10.1177/147323001003800505.

39. Liu VX, Fielding-Singh V, Greene JD, et al. The timing of early antibiotics and hospital mortality in sepsis. Am J Respir Crit Care Med. 2017; 196: 856-63. doi: 10.1164/rccm.201609-1848OC.

40. Agnello L, Vidali M, Padoan A, et al. Machine learning algorithms in sepsis. Clin Chim Acta. 2024; 553: 117738. doi: 10.1016/j.cca.2023.117738.

41. Boussina A, Shashikumar SP, Malhotra A, et al. Impact of a deep learning sepsis prediction model on quality of care and survival. Npj Digit Med. 2024; 7: 14. doi: 10.1038/s41746-023-00986-6.

42. Sendak MP, Ratliff W, Sarro D, et al. Real-world integration of a sepsis deep learning technology into routine clinical care: Implementation study. JMIR Med Informatics. 2020; 8: e15182. doi: 10.2196/15182.

43. Adams R, Henry KE, Sridharan A, et al. Prospective, multi-site study of patient outcomes after implementation of the TREWS machine learning-based early warning system for sepsis. Nat Med. 2022; 28: 1455-60. doi: 10.1038/s41591-022-01894-0.

44. Valan B, Prakash A, Ratliff W, et al. Evaluating sepsis watch generalizability through multisite external validation of a sepsis machine learning model. Npj Digit Med. 2025; 8: 350. doi: 10.1038/s41746-025-01664-5.