Индивидуальный подход к диагностике профессиональной бронхолёгочной патологии с использованием алгоритмов машинного обучения

Введение. Распространённость профессиональных заболеваний органов дыхания остаётся достаточно высокой. Технологии искусственного интеллекта успешно применяются для оценки риска развития бронхолёгочных заболеваний. Новизна исследования заключается в одновременном сравнении методов классической статистики и интерпретируемого машинного обучения с использованием SHAP-анализа, что обеспечивает как научную обоснованность, так и практическую применимость полученных результатов в системе профпатологии.

Цель исследования — по результатам клинических, функциональных и лабораторных показателей у пациентов с профессиональной бронхолёгочной патологией построить модель машинного обучения и определить предикторы прогрессирования заболевания в постконтактном периоде.

Материалы и методы. Для изучения изменений клинических, функциональных, лабораторных и рентгенологических данных с учётом длительности заболевания пациенты были разделены на 2 группы: первая (61 человек) — пациенты с профессиональной бронхолёгочной патологией (диагноз установлен при первичной госпитализации в период продолжения работы в алюминиевом производстве); вторая группа (69 человек) — лица с профессиональной бронхолёгочной патологией в постконтактном периоде (наблюдаются в клинике с установленным диагнозом профессионального заболевания 5 и более лет). Все обследованные — бывшие работники алюминиевого производства. Итоговая база данных включает 130 наблюдений с 58 признаками (бинарными и количественными) и бинарной целевой переменной. Для построения прогностической модели использовался алгоритм градиентного бустинга на решающих деревьях XGBoost (XGBClassifier). Результатом является прогностическая функция f(x), отображающая вектор входных признаков в прогнозное значение вероятности отнесения пациента к первой или второй группе.

Результаты. При проведении математической статистики, с применением непараметрического критерия Манна–Уитни, после коррекции методом Бенджамини–Хохберга были выявлены признаки, статистически различающиеся между группами. К таковым были отнесены: стаж работы во вредных условиях, итоговое количество баллов по шкале CAT (COPD Assessment Test), выраженность одышки по шкалам mMRS и Борга, количество метров, пройдённых в ходе проведения теста с 6-минутной ходьбой. Из спирометрических показателей значимой оказалась форсированная жизненная ёмкость лёгких и из лабораторных показателей — уровень трансферрина в сыворотке крови. Дополнительно модель выявила вклад следующих лабораторных показателей: количество тромбоцитов, лимфоцитов, палочкоядерных лейкоцитов, липопротеидов высокой плотности (ЛПВП), триглицеридов, индекса атерогенности, креатинина, щелочной фосфатазы, калия, церулоплазмина и функциональных показателей — ОФВ1 и остаточного объёма лёгких.

Ограничения исследования. Исследование имеет профессиональные (работники производства алюминия) и гендерные (мужчины) ограничения.

Заключение. От периода установления диагноза до постконтактного периода профессиональной бронхолёгочной патологии нарастают показатели одышки по шкалам mMRS и Борга, показатель CAT 9, с одновременным ухудшением показателей 6-МШТ, что проявляется максимальными симптомами и оказывает чрезвычайно сильное влияние на качество жизни пациента и его физическую активность. Одновременно отмечается повышение количества ЛПНП при увеличенных показателях уровня тромбоцитов крови, что повышает риски атеросклероза, тромбоза и развития сердечно-сосудистой патологии. На этапе установления диагноза значим провоспалительный фон, характеризующийся увеличением количества палочкоядерных лейкоцитов и церулоплазмина крови. Модель XGBClassifier продемонстрировала высокую прогностическую точность, подтверждённую значениями ROC-AUC, чувствительности и специфичности.

Этика. В соответствии с требованиями Комитета по биомедицинской этике обследование проведено только с письменного информированного согласия пациентов, работа не ущемляла права и не подвергала опасности благополучие субъектов исследования в соответствии с требованиями биомедицинской этики, утверждёнными Хельсинской декларацией Всемирной медицинской ассоциации (2024) и приказом Минздрава России № 200Н (от 01.04.2016 г.). ФГБНУ ВСИМЭИ имеет лицензию на осуществление медицинской деятельности Территориального органа Росздравнадзора по Иркутской области № Л041-00110-38/00355362 от 28.07.2020 г.

Участие авторов:

Бейгель Е.А. — концепция и дизайн исследования, сбор материала и обработка данных, написание текста, оформление и редактирование статьи;
Лахман О.Л. — концепция и дизайн исследования, оформление и редактирование статьи;
Рожкова Н.Ю. — статистическая обработка, написание текста, оформление и редактирование статьи;
Пещерова С.М. — статистическая обработка, написание текста, оформление и редактирование статьи;
Все соавторы — утверждение окончательного варианта статьи, ответственность за целостность всех частей статьи.

Финансирование. Финансирование осуществлялось в рамках выполнения научно-исследовательской работы (НИР) «Изучение механизмов формирования и прогрессирования нейродегенеративных и бронхолёгочных нарушений при воздействии промышленных токсикантов» (номер государственной регистрации № 01201355913) и поисковых научных исследований «Разработка способов диагностики, лечения, реабилитации и профилактики заболеваний, направленных на продление активного долголетия населения Сибири» (номер государственной регистрации № АААА-А20-120100190008-8); «Разработка подходов к лечению и медицинской реабилитации пациентов при коморбидном течении постковидного синдрома и военнослужащих, пострадавших в боевых действиях» (номер госрегистрации 12303200011-5).

Конфликт интересов. Конфликт интересов отсутствует.

Дата поступления: 17.08.2025 / Дата принятия к печати: 12.09.2025 / Дата публикации: 00.00.2025

1. Шпагин И.С., Котова О.С., Камнева Н.В., Кузнецова Г.В., Логвиненко К.В., Лисова Е.С. Профессиональная хроническая обструктивная болезнь лёгких в сочетании с сердечной недостаточностью — клинико-функциональные особенности. Медицина труда и промышленная экология. 2019; 59(7): 388–394. https://doi.org/10.31089/1026-9428-2019-59-7-388-394

2. Бойкин А.С., Куренкова Г.В. Гигиеническая характеристика заболеваемости с временной утратой трудоспособности работников, занятых в производстве алюминия. Прикаспийский вестник медицины и фармации. 2021; 2(2): 17–22. https://elibrary.ru/inwhfw

3. Бейгель Е.А., Катаманова Е.В., Ефимова Н.В. Факторы риска развития коморбидных заболеваний при профессиональной бронхолёгочной патологии. Гигиена и санитария. 2022; 101(9): 1043–1048. https://doi.org/10.47470/0016-9900-2022-101-9-1043-1048

4. Бабанов С.А., Будаш Д.С. Клинико-лабораторные особенности и прогнозирование течения хронического пылевого бронхита, силикоза и пневмокониоза от воздействия сварочных аэрозолей. Санитарный врач. 2016; 4: 37–47. https://clck.ru/3PQHun

5. Крылов А.П. Статистические методы в медицине. Терапевт. 2025; 3: 13–25. https://doi.org/10.33920/MED-12-2503-02 https://elibrary.ru/boeceb

6. Северцев А.Н., Аносов В.Д., Домрачев С.А., Исмати А.О., Овчинников С.В., Соловьев Н.О. и др. Роль машинного обучения в выявлении предикторов результатов лечения желудочно-кишечных кровотечений у пациентов, получающих антиагреганты и антикоагулянты. Кремлёвская медицина. Клинический вестник. 2025; 1: 35–39. https://doi.org/10.48612/cgma/v83n-tmbe-g71t

7. Бритвина П.В. Машинное обучение в медицине: революция диагностики, лечения и персонализации. Вестник науки. 2024; 4(1): 442–444. https://clck.ru/3PQHsP

8. Mondal, Proloy Kumar and Jahan, Md. Khurshid and Bijoy, Mehadi Hasan and Rusho, Maher Ali and Rahman, Mohammad Hasibur. A Systematic Literature Review on the Application of Artificial Intelligence and Machine Learning in Personalized Medicine: Methodological Advances and Emerging Trends (August 16, 2024). https://ssrn.com/abstract=4928301

9. Лучинин А.С. Прогностические модели в медицине. Клиническая онкогематология. 2023; 16(1): 27–36. https://doi.org/10.21320/2500-2139-2023-16-1-27-36

10. Гусев А.В., Гавриленко Г.Г., Гаврилов Д.В. Разработка модели машинного обучения для интерпретации результатов лабораторной диагностики с целью выявления подозрений на заболевания. Лабораторная служба. 2022; 11(2): 9–17. https://doi.org/10.17116/labs2022110219

11. Савушкина О.И., Астанин П.А., Крюков Е.В., Зайцев А.А. Прогнозирование нарушения лёгочного газообмена в постковидном периоде с использованием методов машинного обучения. Бюллетень физиологии и патологии дыхания. 2023; 87: 18–28. https://doi.org/10.36604/1998-5029-2023-87-18-28

12. Wang W., Li M., Fan P., Wang H., Cai J., Wang K., Zhang T., Xiao Z., Yan J., Chen C., Lv Q. Prototype early diagnostic model for invasive pulmonary aspergillosis based on deep learning and big data training. Mycoses. 2023; 66(2): 118–127. https://doi.org/10.1111/myc.13540

13. Jiang Z., Bakker O.J., Bartolo P.J. Industry 4.0-Compliant Occupational Chronic Obstructive Pulmonary Disease Prevention: Literature Review and Future Directions. Sensors. 2024; 24(17): 5734. https://doi.org/10.3390/s24175734

14. Si X.A., Xi J. Deciphering Exhaled Aerosol Fingerprints for Early Diagnosis and Personalized Therapeutics of Obstructive Respiratory Diseases in Small Airways. Journal of Nanotheranostics. 2021; 2: 94–117. https://doi.org/10.3390/jnt2030007

15. Kotlyarov S., Lyubavin A. Early detection of atrial fibrillation in chronic obstructive pulmonary disease patients. Medicina. 2024; 60(3): 352. https://doi.org/10.3390/medicina60030352

16. Трусов П.В., Цинкер М.Ю., Зайцева Н.В., Нурисламов В.В., Свинцова П.Д., Кучуков А.И. Оценка пространственного распределения зон локализации риска развития бронхолёгочной патологии на основе математического моделирования воздушно-пылевых потоков в дыхательных путях и лёгких человека. Анализ риска здоровью. 2024; 2: 141–152. https://doi.org/10.21668/health.risk/2024.2.13

17. Егоров И.А., Смирнова С.С., Семенов А.В. Использование индуктивного типа машинного обучения для выявления факторов риска инфицирования медицинских работников высококонтагиозными вирусами (на модели COVID-19). Анализ риска здоровью. 2024; 2: 122–131. https://doi.org/10.21668/health.risk/2024.2.11

18. Пашковская А.П. Исследование и сравнительный анализ алгоритмов машинного обучения для определения их эффективности в задаче классификации деменции. Современные инновации, системы и технологии. 2025; 5(1): 1041–1047. https://doi.org/10.47813/2782-2818-2025-5-1-1041-1047

19. Amaral J.L.M., de Sá Sousa C.M., de Oliveira Ribeiro C., de Sá P.M., Lopes A.J., de Melo P.L. A diagnostic support system based on interpretable machine learning and oscillometry for accurate diagnosis of respiratory dysfunction in silicosis. bioRxiv. 2025. https://doi.org/10.1101/2025.01.08.632001

20. Merryn J. Baker et al. Rapid, non-invasive breath analysis for enhancing detection of silicosis using mass spectrometry and interpretable machine learning. Journal of Breath Research. 2025; 19(2): 026011. https://doi.org/10.1088/1752-7163/adbc11