В МГУ создали инструмент для прогнозирования осложнений у пациентов

Исследователи факультета вычислительной математики и кибернетики Московского государственного университета имени М. В. Ломоносова создали инструмент, способный предсказывать развитие критических ситуаций в медицине и промышленности на основе анализа больших массивов данных. Об этом рассказали в пресс-службе вуза, сообщает ТАСС. Разработанная ими библиотека Survivors написана на языке программирования Python и предназначена для анализа событий, распределённых во времени, с акцентом на предсказание вероятности наступления ключевых исходов — таких как летальный исход у пациента или отказ технического оборудования.

Одной из ключевых особенностей новой системы является способность обрабатывать неполные или неоднородные данные, что делает её особенно полезной при работе с медицинской информацией, где часто встречаются пробелы или нестандартизированные записи. Благодаря этому алгоритмы Survivors демонстрируют высокую точность прогнозов без необходимости в предварительной подготовке данных. Это выгодно отличает их от традиционных статистических подходов, которые требуют жёстких допущений и зачастую плохо справляются с реалиями клинической практики.

Создатели подчеркивают, что универсальность библиотеки открывает широкие перспективы её применения: от оценки индивидуальных рисков смертности и прогноза продолжительности жизни до анализа поведения клиентов в коммерческих системах и оценки износа промышленных систем. По словам одного из разработчиков, Юлия Васильева, инструмент ориентирован на специалистов, которым требуется надёжный и интерпретируемый прогноз в условиях неполных или нестабильных данных.

Используемые методы машинного обучения позволяют выявлять сложные закономерности и зависимости, которые ранее могли оставаться незамеченными. Архитектура библиотеки оптимизирована для обработки больших объёмов информации, в том числе с использованием параллельных вычислений. На этапе тестирования исследователи применили Survivors к девяти открытым медицинским наборам данных, а также промышленным датасетам. По результатам испытаний инструмент показал более стабильную и точную работу, чем классические методы, и при этом требует минимальной настройки со стороны пользователя.

Появление таких решений важно для развития предиктивной аналитики в здравоохранении, где своевременное выявление риска осложнений может существенно повлиять на выбор стратегии лечения. Подобные системы также находят применение в смежных сферах — например, в техническом обслуживании оборудования, где предиктивный подход помогает избежать аварийных ситуаций и повысить эффективность эксплуатации систем.