Магистрантка МФТИ Анастасия Адамсон разработала модель машинного обучения, которая помогает врачам подбирать препараты детям с артериальной гипертензией. Об этом сообщает cnews.ru. Система анализирует 154 клинико-инструментальных признака — от анамнеза и ЭКГ до суточного мониторинга давления — и прогнозирует, какое из лекарств группы ИАПФ окажется наиболее эффективным для конкретного пациента.
Почему это важно
С 2020 года число детей с гипертонией в России выросло на 17%, схожая динамика фиксируется и в мире: по данным метаанализа в The Lancet Child & Adolescent Health (ноябрь 2025), за два десятилетия частота заболевания у мальчиков почти удвоилась — с 3,4% до 6,53%. При этом подбор терапии в педиатрии остаётся эмпирическим: нормы давления у детей имеют 238 вариантов в зависимости от возраста, роста и пола, а первые результаты лечения видны лишь через два-три месяца. Если препарат не подошёл, схему меняют и снова ждут — всё это время сохраняется риск осложнений, а семьи нередко отказываются от терапии.
Как устроена модель
Данные для обучения автор собирала вручную: в выборку вошли 272 пациента, по каждому — 90 исходных признаков и результаты врачебного контроля через 3–6 месяцев. Из протестированных алгоритмов лучший результат показал Random Forest. Модель выявила неочевидные связи — например, между избыточным весом и эффективностью Лизиноприла, а также роль дополнительной почечной артерии как скрытого фактора риска.
Что это значит для отрасли
Пока система работает только с монотерапией и не учитывает дозировки. К концу 2026 года команда планирует:
- расширить выборку до 500 пациентов;
- интегрировать суточное мониторирование давления для оценки долгосрочного ответа на терапию;
- отработать сценарии клинического применения.
Для педиатрической кардиологии подобные инструменты означают переход от подбора препарата «вслепую» к решениям на основе данных. Даже прирост точности на 2–3% способен сократить месяцы неэффективного лечения для тысяч детей и снизить нагрузку на профильные службы.