Ситуационный алгоритм прогнозирования временных послеоперационных параметров госпитализации кардиохирургических пациентов с использованием нейронных сетей

В статье представлен ситуационный алгоритм анализа цепочек событий с целью прогнозирования временных послеоперационных параметров хирургических операций, таких как длительность пребывания в стационаре и в отделении реанимации после операции. Описано построение модели события с использованием специализированных языковых нейросетевых моделей. На основе обезличенных данных архива электронных медицинских карт и заключений выписных эпикризов пациентов с выполненными кардиохирургическими операциями проведена алгоритмическая обработка, которая позволяет выделять кластеры операций и прогнозировать значения временных послеоперационных параметров. В статье представлен алгоритм формирования цепочек событий, описание метода их анализа и результаты экспериментальной проверки метода.

1. Hramov A, Ghosh D, Pisarchik A, et al. Artificial intelligence and complex networks meet natural sciences. The European Physical Journal Special Topics. 2025. doi: 10.1140/epjs/s11734-025-01844-0.

2. Andrikov D.A. Open source ML framework algorithms for biophysical models. Eur. Phys. J. Spec. Top. 2025. doi: 10.1140/epjs/s11734-025-01621-z.

3. Bonde A, Varadarajan KM, Bonde N, et al. Assessing the utility of deep neural networks in predicting postoperative surgical complications: a retrospective study. Lancet Digit Health. 2021; 3(8): e471- e485. doi: 10.1016/S2589-7500(21)00084-4.

4. Gao J, et al. The Use of Artificial Neural Network to Predict Surgical Outcomes After Inguinal Hernia Repair. Journal of Surgical Research. 259: 372-378.

5. Tunthanathip T, Sae-Heng S, Oearsakul T, et al. Machine learning applications for the prediction of surgical site infection in neurological operations. Neurosurg Focus. 2019; 47(2): E7. doi: 10.3171/2019.5.FOCUS19241.

6. Андриков Д.А., Андриков Дм.А., Березкин Д.В., Попов А.Ю., Пролетарский А.В. Нейросетевая графовая архитектура прозрачного искусственного интеллекта в медицине // Врач и ин- формационные технологии. – 2025. – №2. – С.70-83. doi: 10.25881/18110193_2025_2_70.

7. Cypko M, Emmert MY, Falk V, Meyer A. Künstliche Intelligenz in der Herzchirurgie. Chirurg. 2020; 91(3): 235-239. doi: 10.1007/s00104-020-01132-8.

8. Sen E, Seckiner SU. The Use of Artificial Neural Networks to Determine In-Hospital Mortality After Coronary Artery Bypass Surgery. J Cardiothorac Vasc Anesth. 2021; 35(8): 2432-2437. doi: 10.1053/j.jvca.2021.03.049.

9. Wise ES, Hocking KM, Brophy CM. Prediction of in-hospital mortality after ruptured abdominal aortic aneurysm repair using an artificial neural network. Journal of Vascular Surgery. 2015; 62(1). doi: 10.1016/j.jvs.2015.02.038.

10. Vijayasimha A, Avanija J. Hybrid deep learning framework for cardiovascular disease diagnosis and prognosis using GAN, LSTM, GRU, VARMA, and deep DynaQ network. 2025; 15: 41346. doi: 10.1038/s41598-025-25296-7.

11. Li B, Verma R, Beaton D, et al. Predicting outcomes following lower extremity open revascularization using machine learning. Scientific Reports. 2024; 14. doi: 10.1038/s41598-024-52944-1.

12. Hassan AM, Rajesh A, Asaad M, et al. Artificial Intelligence and Machine Learning in Prediction of Surgical Complications: Current State, Applications, and Implications. Am Surg. 2023; 89(1): 25-30. doi: 10.1177/00031348221101488.

13. Yalunin A, Nesterov A, Umerenkov D. RuBioRoBERTa: a pre-trained biomedical language model for Russian language biomedical text mining. arXiv preprint arXiv:2204.03951. 2022.

14. Martynyuk P, Kozlov I, Panfilkin A. Applying the proposed method for creating structural models to multilingual collections of text documents using multi-and monolingual BERT models. International Russian Automation Conference. Cham: Springer Nature Switzerland, 2023: 334-343.

15. Blinov P, et al. RuMedBench: a Russian medical language understanding benchmark. International Conference on Artificial Intelligence in Medicine. Cham: Springer International Publishing, 2022: 383-392.

16. Satheakeerthy S, Stretton B, Tsimiklis J, et al. Zero-shot large language model application for surgical site infection auditing. Infection Disease & Health. 2025. doi: 10.1016/j.idh.2025.05.001.

17. Bonde A, Lorenzen S, Brixen G, Troelsen A, Sillesen, M. Assessing the utility of deep neural networks in detecting superficial surgical site infections from free text electronic health record data. Frontiers in Digital Health. 2024; 5. doi: 10.3389/fdgth.2023.1249835.

18. Карпов О.Э., Андриков Д.А., Максименко В.А., Храмов А.Е. Прозрачный искусственный интеллект для медицины // Врач и информационные технологии. – 2022. – №2. – С.4-11.

19. Карпов О.Э., Храмов А.Е. Прогностическая медицина // Врач и информационные технологии. – 2021. – №.3. – С.20.

20. Шарова Д.Е., Михайлова А.А., Гусев А.В. и др. Анализ мирового опыта в регулировании использования медицинских данных для целей создания систем искусственного интеллекта на основе машинного обучения // Врач и информационные технологии. – 2022. – №4. – С.28-39.

21. Карпов О.Э., Храмов А.Е. Информационные технологии, вычислительные системы и искусственный интеллект в медицине. – М.: ДПК Пресс, 2022.

22. Андреев А.М., Березкин Д.В., Козлов И.А. Гибридный подход к прогнозированию развития ситуаций на основе извлечения событий из потоков разнородных данных. В сборнике: Гибридные и синергетические интеллектуальные системы. Материалы IV Всероссийской Поспеловской конференции с международным участием. Под ред. А.В. Колесникова, 2018. – С.140- 147.

23. Kozlov IA, Andreev AM, Berezkin DV, Shouman MA. Automated monitoring and forecasting of the development of educational technologies. Handbook of Research on Engineering Education in a Global Context. 2019. Р.311-330.

24. ISO/IEC 20889:2018 Information technology — Security techniques — Privacy-enhancing data deidentification terminology and classification of techniques. 2018. Available from: https://www.iso.org/standard/69373.html. Сited 16.11.2025.

25. European DataProtection Board (EDPB). Guidelines4/2019 on Article 25 Data Protection by Design and by Default. Version 2.0. — 2020. Available from: https://edpb.europa.eu/system/files/2021-04/edpb_guidelines_201904_dataprotection_by_design_and_by_default_v2.0_ru.pdf. Сited 16.11.2025. 26. CVE-2019-25030 Detail. National Vulnerability Database, NIST. Available from: https://nvd.nist.gov/vuln/detail/CVE-2019-25030. Сited 16.11.2025.

26. Howell DC. Statistical methods for psychology. PWS-Kent Publishing Co, 1992.

27. Tukey JW. Comparing individual means in the analysis of variance. Biometrics, 1949. Р.99-114.