18 ноября 2026 г.
LabTrajectory: модель прогнозирует 162 осложнения лечения рака по обычным анализам
Исследователи обучили модель искать признаки будущих осложнений в динамике анализов, которые пациенты уже сдают во время лечения.

Для LabTrajectory хватило анализов за 10–30 дней, чтобы оценивать риск новых записей об осложнениях на следующие 720 дней.
В исследовании от 17 ноября 2026 года авторы использовали 2,8 млн лабораторных измерений 3 905 пациентов с множественной миеломой или раком яичников. Модель получает 39 показателей, возраст и пол. Среди входных данных есть показатели крови, работы печени и почек.
Не хотите разбираться сами? Внедряем ИИ в ваш бизнес: задачи без лимита, одна цена в месяц, отмена в любой момент.
Вместо разового снимка. Шкалы CARG и CRASH используют значения до начала терапии. LabTrajectory учитывает изменения анализов и оценивает отдельные осложнения. Для ИИ в медицине это пример работы с уже собранными данными без дополнительных обследований пациента.
На тесте из 390 пациентов исследователи сравнили модели по AUROC. Эта метрика оценивает, насколько хорошо модель отличает пациентов с будущим диагнозом от остальных, и не означает долю правильных ответов.
| Модель | Средний AUROC по диагнозам | | --- | --- | | LabTrajectory | 0,734 | | Gradient boosting по сводкам динамики | 0,710 | | Logistic regression | 0,692 | | XGBoost по частотным признакам | 0,664 |
Без переобучения авторы проверили модель на двух внешних наборах: 8 150 временных окнах MIMIC-IV и 7 347 окнах MMRF CoMMpass. Лучше переносились прогнозы почечных и метаболических осложнений, хуже — инфекционных. Заявленные 1,5–6,1 раза описывают отношение average precision к частоте исхода, причём максимальная оценка опирается на 21 положительное окно всего 4 пациентов.
Код для воспроизведения. Авторы опубликовали исследовательский pipeline. Для своих данных нужны CSV с анализами и диагнозами ICD-10-GM, файл смертей необязателен. README задаёт названия и единицы измерения показателей. Исходные клинические данные авторы не публикуют.
Установка из репозитория:
```bash git clone https://github.com/jalu1870/lab-forecast cd lab-forecast pip install -e . ```
Pipeline последовательно подготавливает записи, обучает модель заполнения пропусков, заполняет данные, обучает прогнозирование и считает метрики. Этим этапам соответствуют команды `labforecast structure`, `train-imputer`, `impute`, `train` и `evaluate`. Обучение прогнозирования использует пять разбиений данных.
Источники: [Vademecum, 18 ноября 2026 года](https://vademec.ru/news/2026/11/18/ii-po-dannym-rutinnykh-analizov-predskazyvaet-organnye-oslozhneniya-u-onkopatsientov-za-mesyatsy-do-), [код и инструкция авторов LabTrajectory](https://github.com/jalu1870/lab-forecast).
Авторы планируют выложить готовые веса модели заполнения пропусков и пяти моделей прогнозирования в релизе репозитория.
Первоисточник