ЖурналыПодпискаАрхивКнигиПроектыО насРекламаДоставка/ОплатаКонтакты
+7 (495) 482-43-29
  • Главная
  • / Журналы
  • / Вернуться в журнал
  • / Содержание номера
  • / Статья
Эффективность многофакторной регрессионной модели и клинических шкал в прогнозировании летального исхода на этапе поступления в отделение реанимации и интенсивной терапии у пациентов с инфарктом головного мозга

Эффективность многофакторной регрессионной модели и клинических шкал в прогнозировании летального исхода на этапе поступления в отделение реанимации и интенсивной терапии у пациентов с инфарктом головного мозга

Авторы:
Пётр Алексеевич Поляков,
Леван Бондоевич Берикашвили,
Михаил Яковлевич Ядгаров,
Алексей Александрович Яковлев,
Валерий Владимирович Лихванцев

Журнал: Анестезиология и реаниматология. 2026;(4):45-53.

DOI: 10.17116/anaesthesiology202604145

Прочитано: 444 раза

Резюме

В структуре продленного и хронического критического состояния (ПКС/ХКС) доля пациентов с инсультом достигает 7,7%. Прогнозирование исходов у данной когорты больных сохраняет высокую актуальность. Инструменты прогнозирования, разработанные для пациентов в остром критическом состоянии, могут оказаться малоинформативными для этой специфической группы больных.

ЦЕЛЬ ИССЛЕДОВАНИЯ

Провести сравнительный анализ прогностической эффективности клинических шкал и многофакторной модели, построенной с использованием бинарной логистической регрессии на основании данных первых 48 ч пребывания в отделении реанимации и интенсивной терапии, у взрослых пациентов в остром периоде инфаркта мозга, находящихся в продленном или хроническом критическом состоянии.

МАТЕРИАЛ И МЕТОДЫ

Проведено ретроспективное одноцентровое исследование на основании данных реальной клинической практики из базы RICD v. 2.0. Включены 697 взрослых пациентов в остром периоде инфаркта мозга (4—28-е сутки). Прогностическую эффективность модели и клинических шкал оценивали по площади под ROC-кривой (AUROC) и по площади под кривой «точность — полнота» (AUPRC) с парным сравнением.

РЕЗУЛЬТАТЫ

Летальность в отделении реанимации и интенсивной терапии составила 15,5%. Показаны хорошие прогностические характеристики модели (AUROC 0,819; AUPRC 0,530) на всей выборке и статистически значимое превосходство над всеми анализируемыми клиническими шкалами по AUPRC и над большей частью шкал по AUROC. В модель вошли предикторы, отражающие органную недостаточность, воспалительный синдром и коагулопатию.

ЗАКЛЮЧЕНИЕ

Многофакторная модель бинарной логистической регрессии на основе данных первых 48 ч более эффективно прогнозирует летальный исход у пациентов с инфарктом мозга в продленном и хроническом критическом состоянии по сравнению с клиническими шкалами.

Ключевые слова

  • инфаркт головного мозга
  • ОРИТ
  • хроническое критическое состояние
  • прогностическая модель
  • клинические шкалы

Дата поступления: 24.12.2025

Дата принятия в печать: 06.02.2026

Дата публикации: 24.08.2026

Литература / References
  1. Поляков П. Дополнительные материалы к статье «Эффективность многофакторной регрессионной модели vs клинических шкал в прогнозировании летального исхода на этапе поступления в ОРИТ у пациентов с инфарктом головного мозга». Опубликовано online 22 декабря 2025 г. https://doi.org/10.6084/m9.figshare.30931916
  2. Correction to: An updated definition of stroke for the 21st century: A statement for healthcare professionals from the American Heart Association/American Stroke Association (Stroke (2013) 44 (2064-2089)). Stroke. 2019; 50(8):E239. https://doi.org/10.1161/STR.0b013e318296aeca
  3. Murphy SJ, Werring DJ. Stroke: causes and clinical features. Medicine (United Kingdom). 2020;48(9):561-566. https://doi.org/10.1016/j.mpmed.2020.06.002
  4. Клинические рекомендации. Ишемический инсульт и транзиторная ишемическая атака у взрослых. 2024. Одобрено Научно-практическим Советом Министерства здравоохранения Российской Федерации. Ссылка активна на 02.06.26. https://cr.minzdrav.gov.ru/view-cr/814_1
  5. Клинические рекомендации. Геморрагический инсульт. 2022. Одобрено Научно-практическим Советом Министерства здравоохранения Российской Федерации. Ссылка активна на 02.06.26. https://cr.minzdrav.gov.ru/schema/523_2?ysclid=m0cx5xdk9l747365038
  6. Feigin VL, Brainin M, Norrving B, Martins SO, Pandian J, Lindsay P, Grupper MF, Rautalin I. World Stroke Organization: Global Stroke Fact Sheet 2025. International Journal of Stroke. 2025;20(2):132-144. https://doi.org/10.1177/17474930241308142
  7. Feigin VL, Abate MD, Abate YH; GBD 2021 Stroke Risk Factor Collaborators. Global, regional, and national burden of stroke and its risk factors, 1990-2021: a systematic analysis for the Global Burden of Disease Study 2021. Lancet Neurology. 2024;23(10):973-1003. https://doi.org/10.1016/S1474-4422(24)00369-7
  8. Global Health Estimates 2021: Deaths by Cause, Age, Sex, by Country and by Region, 2000-2021. Geneva, World Health Organization; 2024. Accessed June 02, 2026. https://www.who.int/data/gho/data/themes/mortality-and-global-health-estimates/ghe-leading-causes-of-death
  9. Kahn JM, Le T, Angus DC, Cox CE, Hough CL, White DB, Yende S, Carson SS; ProVent Study Group Investigators. The epidemiology of chronic critical Illness in the United States. Critical Care Medicine. 2015;43(2): 282-287. https://doi.org/10.1097/CCM.0000000000000710
  10. Likhvantsev VV, Berikashvili LB, Yadgarov MY, Yakovlev AA, Kuzovlev AN. The Tri-Steps Model of Critical Conditions in Intensive Care: Introducing a New Paradigm for Chronic Critical Illness. Journal of Clinical Medicine. 2024;13(13):13133683. https://doi.org/10.3390/jcm13133683
  11. Авидзба А.Р., Саскин В.А., Киров М.Ю. Гемодинамика и реперфузионная терапия при ишемическом инсульте: друзья или враги? Анестезиология и реаниматология. 2024;(2):91-96. https://doi.org/10.17116/ANAESTHESIOLOGY202402191
  12. Bulgarelli L, Deliberato RO, Johnson AEW. Prediction on critically ill patients: The role of “big data”. Journal of Critical Care. 2020;60:64-68. https://doi.org/10.1016/j.jcrc.2020.07.017
  13. Castela Forte J, Yeshmagambetova G, van der Grinten ML, Hiemstra B, Kaufmann T, Eck RJ, Keus F, Epema AH, Wiering MA, van der Horst ICC. Identifying and characterizing high-risk clusters in a heterogeneous ICU population with deep embedded clustering. Scientific Reports. 2021;11(1): 12109. https://doi.org/10.1038/s41598-021-91297-x
  14. Zhou H, Liu L, Zhao Q, Jin X, Peng Z, Wang W, Huang L, Xie Y, Xu H, Tao L, Xiao X, Nie W, Liu F, Li L, Yuan Q. Machine learning for the prediction of all-cause mortality in patients with sepsis-associated acute kidney injury during hospitalization. Frontiers in Immunology. 2023;14:1140755. https://doi.org/10.3389/fimmu.2023.1140755
  15. Huang J, Jin W, Duan X, Liu X, Shu T, Fu L, Deng J, Chen H, Liu G, Jiang Y, Liu Z. Twenty-eight-day in-hospital mortality prediction for elderly patients with ischemic stroke in the intensive care unit: Interpretable machine learning models. Frontiers in Public Health. 2023;10:1086339. https://doi.org/10.3389/fpubh.2022.1086339
  16. Jin G, Hu W, Zeng L, Ma B, Zhou M. Prediction of long-term mortality in patients with ischemic stroke based on clinical characteristics on the first day of ICU admission: An easy-to-use nomogram. Frontiers in Neurology. 2023;14:1148185. https://doi.org/10.3389/fneur.2023.1148185
  17. Muessig JM, Nia AM, Masyuk M, Lauten A, Sacher AL, Brenner T, Franz M, Bloos F, Ebelt H, Schaller SJ, Fuest K, Rabe C, Dieck T, Steiner S, Graf T, Jánosi RA, Meybohm P, Simon P, Utzolino S, Rahmel T, Barth E, Schuster M, Kelm M, Jung C. Clinical Frailty Scale (CFS) reliably stratifies octogenarians in German ICUs: A multicentre prospective cohort study. BMC Geriatrics. 2018;18(1):162. https://doi.org/10.1186/s12877-018-0847-7
  18. Pirracchio R, Petersen ML, Carone M, Rigon MR, Chevret S, van der Laan MJ. Mortality prediction in intensive care units with the Super ICU Learner Algorithm (SICULA): A population-based study. Lancet Respiratory Medicine. 2015;3(1):42-52. https://doi.org/10.1016/S2213-2600(14)70239-5
  19. Roberts D, Patrick W, Mojica J, Ostryzniuk P, Patrick M, MacKnight C, Kraut A, Shafer LA. The ALERT scale: An observational study of early prediction of adverse hospital outcome for medical patients. BMJ Open. 2015;5(4):e005501. https://doi.org/10.1136/bmjopen-2014-005501
  20. Wang R, Zhang J, Shan B, He M, Xu J. XGBoost Machine Learning Algorithm for Prediction of Outcome in Aneurysmal Subarachnoid Hemorrhage. Neuropsychiatric Disease and Treatment. 2022;18:659-667. https://doi.org/10.2147/NDT.S349956
  21. Vincent JL, Moreno R, Takala J, Willatts S, De Mendonça A, Bruining H, Reinhart CK, Suter PM, Thijs LG. The SOFA (Sepsis-related Organ Failure Assessment) score to describe organ dysfunction/failure. Intensive Care Medicine. 1996;22(7):707-710. https://doi.org/10.1007/BF01709751
  22. Knaus WA, Draper EA, Wagner DP, Zimmerman JE. APACHE II: A severity of disease classification system. Critical Care Medicine. 1985;13(10):818-829. https://doi.org/10.1097/00003246-198510000-00009
  23. Kalmar K, Giacino JT. The JFK Coma Recovery Scale-Revised. Neuropsychological Rehabilitation. 2005;15(3-4):454-460. https://doi.org/10.1080/09602010443000425
  24. Rappaport M, Hall KM, Hopkins K, Belleza T, Cope DN. Disability rating scale for severe head trauma: Coma to community. Archives of Physical Medicine and Rehabilitation. 1982;63(3):118-123.
  25. Srikar YVS, Jotkar SK. Assessment of Nutritional Risk Using Nutric Score and Outcomes in Mechanically Ventilated Patients. The European Journal of Cardiovascular Medicine. 2025;15:462-468.
  26. Wijdicks EFM, Bamlet WR, Maramattom B V, Manno EM, McClelland RL. Validation of a new coma scale: The FOUR score. Annals of Neurology. 2005;58(4):585-593. https://doi.org/10.1002/ana.20611
  27. Broderick JP, Adeoye O, Elm J. Evolution of the Modified Rankin Scale and Its Use in Future Stroke Trials. Stroke. 2017;48(7):2007-2012. https://doi.org/10.1161/STROKEAHA.117.017866
  28. Teasdale G, Jennett B. Assessment of coma and impaired consciousness. A practical scale. Lancet. 1974;2(7872):81-84. https://doi.org/10.1016/s0140-6736(74)91639-0
  29. Johnson AE, Pollard TJ, Shen L, Lehman LW, Feng M, Ghassemi M, Moody B, Szolovits P, Celi LA, Mark RG. MIMIC-III, a freely accessible critical care database. Scientific Data. 2016;3(1):1-9. https://doi.org/10.1038/sdata.2016.35
  30. Johnson AEW, Bulgarelli L, Shen L, Gayles A, Shammout A, Horng S, Pollard TJ, Hao S, Moody B, Gow B, Lehman LH, Celi LA, Mark RG. MIMIC-IV, a freely accessible electronic health record dataset. Scientific Data. 2023;10(1):1-9. https://doi.org/10.1038/s41597-022-01899-x
  31. Pollard TJ, Johnson AEW, Raffa JD, Celi LA, Mark RG, Badawi O. The eICU collaborative research database, a freely available multi-center database for critical care research. Scientific Data. 2018;5(1):1-13. https://doi.org/10.1038/sdata.2018.178
  32. Fang L, Zhou M, Mao F, Diao M, Hu W, Jin G. Development and validation of a nomogram for predicting 28-day mortality in patients with ischemic stroke. PLoS One. 2024;19(4 April):e0302227. https://doi.org/10.1371/journal.pone.0302227
  33. Abdollahi A, Ashrafi N, Ma X, Zhang J, Wu D, Wu T, Ye Z, Pishgar M. Advanced predictive modeling for enhanced mortality prediction in ICU stroke patients using clinical data. PLoS One. 2025;20(5 May):e0323441. https://doi.org/10.1371/journal.pone.0323441
  34. Zhang J, Fu Y, Liu Y, Deng Y, Dai L, Zhu T, Li H. Risk prediction models for short-term mortality in ICU stroke patients: a systematic review and meta-analysis. Frontiers in Neurology. 2025;16:1623645. https://doi.org/10.3389/fneur.2025.1623645
  35. Zhou Z, Chen B, Mei ZJ, Chen W, Cao W, Xu EX, Wang J, Ye L, Cheng HW. Machine learning-based scoring model for predicting mortality in ICU-admitted ischemic stroke patients with moderate to severe consciousness disorders. Frontiers in Neurology. 2025;16:1534961. https://doi.org/10.3389/fneur.2025.1534961
  36. Saposnik G, Kapral MK, Liu Y, Hall R, O’Donnell M, Raptis S, Tu JV, Mamdani M, Austin PC; Investigators of the Registry of the Canadian Stroke Network; Stroke Outcomes Research Canada (SORCan) Working Group. IScore: A risk score to predict death early after hospitalization for an acute ischemic stroke. Circulation. 2011;123(7):739-749. https://doi.org/10.1161/CIRCULATIONAHA.110.983353
  37. O’Donnell MJ, Fang J, D’Uva C, Saposnik G, Gould L, McGrath E, Kapral MK; Investigators of the Registry of the Canadian Stroke Network. The PLAN score: A bedside prediction rule for death and severe disability following acute ischemic stroke. Archives of Internal Medicine. 2012;172(20):1548-1556. https://doi.org/10.1001/2013.jamainternmed.30
  38. Tuttolomondo A, Pedone C, Pinto A, Di Raimondo D, Fernandez P, Di Sciacca R, Licata G; Gruppo Italiano di Farmacoepidemiologia dell’Anziano (GIFA) researchers. Predictors of outcome in acute ischemic cerebrovascular syndromes: The GIFA study. International Journal of Cardiology. 2008;125(3):391-396. https://doi.org/10.1016/j.ijcard.2007.03.109
  39. Luo X, Li B, Zhu R, Tai Y, Wang Z, He Q, Zhao Y, Bi X, Wu C. Development and validation of an interpretable machine learning model for predicting in-hospital mortality for ischemic stroke patients in ICU. International Journal of Medical Informatics. 2025;198:105874. https://doi.org/10.1016/j.ijmedinf.2025.105874
  40. Zuliani G, Cherubini A, Ranzini M, Ruggiero C, Atti AR, Fellin R. Risk factors for short-term mortality in older subjects with acute ischemic stroke. Gerontology. 2006;52(4):231-236. https://doi.org/10.1159/000093655
  41. Wang W, Rudd AG, Wang Y, Curcin V, Wolfe CD, Peek N, Bray B. Risk prediction of 30-day mortality after stroke using machine learning: a nationwide registry-based cohort study. BMC Neurology. 2022;22(1):195. https://doi.org/10.1186/s12883-022-02722-1
  42. Mittal SH, Goel D. Mortality in ischemic stroke score: A predictive score of mortality for acute ischemic stroke. Brain Circulation. 2017;3(1):29-34. https://doi.org/10.4103/2394-8108.203256
  43. Li XD, Li MM. A novel nomogram to predict mortality in patients with stroke: a survival analysis based on the MIMIC-III clinical database. BMC Medical Informatics and Decision Making. 2022;22(1):92. https://doi.org/10.1186/s12911-022-01836-3
  44. Гречко А.В., Ядгаров М.Я., Яковлев А.А., Берикашвили Л.Б., Кузовлев А.Н., Поляков П.А., Кузнецов И.В., Лихванцев В.В. Российская база данных реанимационных пациентов — RICD. Общая реаниматология. 2024;20(3):22-31. https://doi.org/10.15360/1813-9779-2024-3-22-31
  45. Collins GSS, Reitsma JBB, Altman DGG, Moons KGMGM. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): The TRIPOD Statement. BMC Medicine. 2015;13(1):1. https://doi.org/10.1186/s12916-014-0241-z
  46. Hastie T, Tibshirani R, Friedman J. Springer Series in Statistics. The Elements of Statistical Learning. Mathematical Intelligencer. 2009;27(2):83-85. Accessed June 02, 2026. https://www.springerlink.com/index/D7X7KX6772HQ2135.pdf
  47. Arlot S, Celisse A. A survey of cross-validation procedures for model selection. Statistics Surveys. 2010;4:40-79. https://doi.org/10.1214/09-SS054
  48. DeLong ER, DeLong DM, Clarke-Pearson DL. Comparing the Areas under Two or More Correlated Receiver Operating Characteristic Curves: A Nonparametric Approach. Biometrics. 1988;44(3):837. https://doi.org/10.2307/2531595
  49. Comparison of precision-recall curves — MedCalc Manual. Accessed June 02, 2026. https://www.medcalc.org/en/manual/precision-recall-comparison.php
  50. Saito T, Rehmsmeier M. The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets. PLoS One. 2015;10(3):e0118432. https://doi.org/10.1371/journal.pone.0118432
  51. Jin G, Hu W, Zeng L, Diao M, Chen H, Chen J, Gu N, Qiu K, Lv H, Pan L, Xi S, Zhou M, Liang D, Ma B. Development and verification of a nomogram for predicting short-term mortality in elderly ischemic stroke populations. Scientific Reports. 2023;13(1):12580. https://doi.org/10.1038/s41598-023-39781-4
  52. Liu W, Ma W, Bai N, Li C, Liu K, Yang J, Zhang S, Zhu K, Zhou Q, Liu H, Guo J, Li L. Identification of key predictors of hospital mortality in critically ill patients with embolic stroke using machine learning. BioScientific Reports. 2022;42(9):BSR20220995. https://doi.org/10.1042/BSR20220995
slide-cover
slide-cover
slide-cover

Рекомендуем статьи по данной теме:

Оптимизация дозирования системного изотретиноина у пациентов с акне с высокой вероятностью рецидива.Клиническая дерматология и венерология. 2026;25(4):576-582

Прогнозирование потребности в искусственной вентиляции легких и вазопрессорной терапии у пациентов с черепно-мозговой травмой.Анестезиология и реаниматология. 2026;(4):26-37

Продленный сброс воздуха после лобэктомии и его влияние на 30- и 90-дневную летальность: ретроспективное многоцентровое исследование.Хирургия. Журнал им. Н.И. Пирогова. 2026;(7):87-94

Оптимизация тактики ведения пациентов с изолированной травматической перфорацией барабанной перепонки.Вестник оториноларингологии. 2026;91(3):34-39

Разработка инструмента прогнозирования хронической послеоперационной боли в кардиохирургии.Российский журнал боли. 2026;24(2):62-67

Синдром Фуа—Алажуанина — вариант течения спинальной дуральной артериовенозной фистулы.Журнал неврологии и психиатрии им. С.С. Корсакова. 2026;126(5):125-133

Разработка и валидация моделей для прогнозирования летального исхода, сепсиса и септического шока у пациентов с новой коронавирусной инфекцией (COVID-19).Анестезиология и реаниматология. 2026;(3):25-25

Аминокислотный профиль и интегральные метаболические индексы у онкохирургических пациентов в послеоперационном периоде на фоне комбинированной нутритивной поддержки.Хирургия. Журнал им. Н.И. Пирогова. 2026;(5):50-59

Сравнение подходов к прогнозированию сепсиса у реанимационных пациентов, длительно находящихся в условиях отделения реанимации и интенсивной терапии.Анестезиология и реаниматология. 2026;(2):7-18

Прогнозирование медиастинального метастазирования на основе многофакторного анализа результатов видео-ассистированной медиастинальной лимфаденэктомии у пациентов с немелкоклеточным раком легкого.Хирургия. Журнал им. Н.И. Пирогова. 2025;(10):38-46

Издательство «Медиа Сфера»
РекламаДоставка/ОплатаО насКонтактыОбучение для редакцийПолитика конфиденциальностиПолитика обработки персональных данныхПубличная оферта на реализацию издательской продукции
ЖурналыПодпискаАрхивКнигиПроекты
  • RuStore

© 1998-2026

  • Телефоны издательства:

  • +7 (495) 482-41-18
  • +7 (495) 482-43-29

  • Прямой телефон отдела подписки
    (только по вопросам заказов и доставки журналов)

  • +7 (800) 250-18-12

  • пн-пт с 10:00 до 18:00

  • Telegram
  • VK
info@mediasphera.ru

  • Почтовый адрес:

  • Издательство «Медиа Сфера»,
    а/я 54, Москва, Россия, 127238

  • RuStore

© 1998-2026