Мы научили ИИ говорить на языке лабораторной диагностики

Вчера мы говорили о проблеме. Сегодня - о решении!

Представляем проект «ЛабЧекап».

Это не просто программа. Это - интеллектуальный помощник, который на основе уже готовых данных диспансеризации (пол, возраст, ОАК, СОЭ, глюкоза, холестерин) с высочайшей точностью прогнозирует концентрации ключевых показателей второго уровня!

🧠 Что это значит на практике?

· ЛипидоСкрининг: Прогноз ХС-ЛПНП с точностью 97% (средняя абсолютная погрешность с анализатором = 0,28 ммоль/л).
· ДиаСкрининг: Прогноз уровня гликированного гемоглобина (HbA1c) с точностью 96% (средняя погрешность метода 0,4%). Помогаем выявить риски диабета даже при нормальной глюкозе натощак.
· И это далеко не всё: Ферритин, креатинин, гормоны - наши модели уже охватывают более 20 показателей (отклонения от нормы).

Но и это не всё! ИИ также помогает бороться с преаналитическими ошибками и служит инструментом дополнительного контроля качества.

Мы не заменяем лабораторию. Мы усиливаем ее, делая скрининг глубже, а диагностику - более персонифицированной.

Завтра мы покажем, как это работает в реальной жизни, и как вы можете нам помочь изменить лабораторную медицину к лучшему.

Ложная тревога в анализах: машинное обучение против псевдогиперкалиемии! 🩸🤖

Знаете ли вы, что повышенный калий в анализе крови не всегда опасен? Часто это - псевдогиперкалиемия! Её причина - ошибки на этапе забора или транспортировки пробы (например, гемолиз или неправильная последовательность взятия пробирок).

Мы обучили искусственный интеллект отличать ложные результаты от истинных.

Что выяснилось?
✅ Алгоритм предсказывает уровень истинного уровня калия с точностью ~80%.
✅ Главные «подсказки» для ИИ: сывороточные индексы, общий белок, гематокрит и тромбоциты.
✅ Это поможет избежать ненужных повторных анализов и лечения!

Будущее лабораторной диагностики уже здесь - умные алгоритмы на страже качества анализов! ❤️

Скоро опубликуем статью и сделаем мини викторину по данной тематике 🤝

Так, друзья! Погружаемся в разбор наших моделей для прогноза групп риска по ключевым лабораторным показателям.

Мы используем данные диспансеризации: 🔍 общий анализ крови, СОЭ, холестерин общий, глюкоза, пол и возраст.

Чтобы показать, как «думает» модель, проведём небольшую викторину.

В машинном обучении есть анализ значимости признаков (Feature Importance). Он показывает, какие факторы сильнее всего влияют на прогноз.

📌 Пример: чтобы спрогнозировать «плохой» холестерин (ЛПНП), самым важным признаком будет, очевидно, общий холестерин.

Всё понятно? Тогда начинаем! 👇

Псевдогиперкалиемия - это не болезнь, а преаналитическая ошибка. Ложное завышение уровня калия в крови, которое может привести к неправильному диагнозу и опасному лечению. Почему это происходит? Чаще всего - из-за ошибок на этапе взятия, хранения или транспортировки анализа.

Опасность псевдогиперкалиемии:
❌ Ложные результаты
❌ Неверный диагноз
❌ Ненужное лечение
❌ Риски для пациента и лишние траты

Например, перед сетевой лабораторией стоит задача: отличить реальную патологию у пациента от ошибки на преаналитическом этапе. Разбираем четыре классических случая из практики:

🧪 Пример 1: Отсутствие центрифугирования в ЛПУ (у контрагента, например из дальнего региона)

Ситуация: Лаборатория получает от одного медучреждения серию завышенных результатов по калию.
Решение: Анализ данных в лабораторной информационной системе показал, что в этом ЛПУ нет центрифуги после проведения аудита. Кровь не отделяли от сыворотки вовремя, что привело к выходу калия из клеток в плазму.
Вывод: Без своевременного центрифугирования результаты по калию недостоверны.

🧊 Пример 2: Нарушение температурного режима

Ситуация: Снова завышенный калий, но теперь - из-за неправильной транспортировки.
Решение: Проверка показала, что пробы перевозились с нарушением температурного режима (хладоэлемент или разморожен или находится вплотную с пробирками).
Вывод: Кровь нельзя замораживать или перегревать - это разрушает клетки и высвобождает калий.

🧫 Пример 3: Контаминация ЭДТА

Ситуация: У пациентов из одного ЛПУ на плановом осмотре вдруг обнаружили критически низкий кальций и высокий калий. Клинической картины это не объясняло.
Решение: Оказалось, кровь сначала взяли в пробирку с ЭДТА (фиолетовая крышка), а потом — в пробирку с активатором свертывания (красная крышка). Часть К2ЭДТА или К3ЭДТА попала во вторую пробирку.
Что произошло:

· ЭДТА связала кальций → псевдогипокальциемия
· Высвободился калий → псеввдогиперкалиемия
Вывод: Нарушена последовательность забора крови. Сначала - пробирка без антикоагулянтов, потом - с ЭДТА.

🧫 Пример 4: Гемолиз, хилез, иктеричность.

Наиболее понятный и закономерный итог ложного повышения калия. Проверить можно визуально либо с помощью сывороточных индексов.


📊 Статистика ошибок преаналитического этапа:

· Гемолиз — 40–70%
· Недостаток биоматериала — 10–20%
· Неправильная пробирка — 5–15%
· Сгустки — 5–10%

✅ Вывод:
Лаборатория и врач должны работать в одной команде. Важно не только правильно интерпретировать результат, но и уметь заподозрить ошибку. Обучение персонала, аудит процессов и чёткие алгоритмы действий - залог точной диагностики.

Если теория понятна, доверим эту проверку ИИ? Какие данные возьмем из ЛИС для прогностической модели определения псеводогиперкалиемии?