Даже умные модели могут ошибаться системно: The Lancet поставил под сомнение прогнозы выживаемости пожилых онкопациентов
Модели, которые помогают врачам оценивать риск смерти и выбирать тактику лечения у пожилых пациентов с раком, массово страдают методологическими дефектами. К такому выводу пришли авторы крупного систематического обзора в The Lancet Healthy Longevity. Для фармрынка это важный сигнал: эпоха ИИ и прогностической аналитики в онкологии не отменяет базовых требований к качеству данных, клинической полезности и доказательной валидации.
 |
| Обзор 250 моделей показал: даже популярные прогнозы выживаемости могут давать системные ошибки у пожилых онкопациентов. |
250 моделей проверили — ни одна не прошла без серьезных вопросов
Международная исследовательская группа проанализировала 250 опубликованных моделей прогнозирования общей выживаемости и риска смертности у пациентов с онкологическими заболеваниями старше 65 лет. Речь идет о инструментах, которые должны помогать принимать решения — от выбора терапии до оценки хирургических рисков и интенсивности лечения.
Итог оказался жестким: все 250 моделей были отнесены к категории высокого риска систематической ошибки (high risk of bias). Это означает, что их выводы могут быть нестабильными, переоцененными или плохо воспроизводимыми на новых пациентах.
Для отрасли это не академическая придирка. Такие модели уже используются или готовятся к внедрению в клиническую практику, цифровые сервисы и системы поддержки принятия решений.
Где именно ломалась логика прогнозов
Авторы выделили несколько повторяющихся проблем.
Во-первых, 65,6% моделей упрощали непрерывные показатели, превращая их в грубые категории. Например, возраст не анализировался как 72 или 81 год, а сводился к группам вроде 65–74 и 75–84. Это ведет к потере точности.
Во-вторых, 57,2% моделей отбирали факторы через одномерный статистический анализ. Такой подход часто выглядит убедительно на этапе разработки, но плохо работает в реальной многопараметрической клинической среде.
В-третьих, многие модели были переобучены — слишком хорошо описывали исходный массив данных и хуже переносились на другие выборки пациентов.
В-четвертых, 73,6% моделей вообще не оценивали клиническую полезность. То есть не проверяли главный вопрос: помогает ли инструмент врачу принять лучшее решение.
Пожилой пациент оказался «невидимым» внутри моделей
Самый показательный вывод касается гериатрических факторов. Более половины моделей — 55,2% — не включали ни одной переменной, отражающей особенности пожилого пациента:
- сопутствующие заболевания
- когнитивный статус
- питание
- функциональную независимость
- полипрагмазию
- синдром хрупкости
Иными словами, модель прогнозировала выживаемость пожилого человека с раком, но нередко игнорировала сам факт сложного старения как клинической реальности.
У двух пациентов с одинаковой стадией опухоли прогноз может резко различаться из-за саркопении, деменции, нутритивного дефицита или неспособности перенести токсичную терапию.
Для онкологии это критично. Выигрывают те, кто соединит аналитику с реальной клинической полезностью, а не только с красивым интерфейсом.
Почему это важно для фармы сильнее, чем кажется
Рынок лекарств все активнее движется к data-driven модели: цифровой отбор пациентов, real-world evidence, AI-стратификация, прогнозирование ответа на лечение, персонализация маршрута.
Но обзор The Lancet показывает: если фундаментальные прогностические модели ненадежны, поверх них рискованно строить более дорогие решения.
Это касается:
- цифровых companion-сервисов вокруг препаратов
- value-based контрактов с прогнозными KPI
- моделей таргетирования врачей и центров
- оценки экономической эффективности терапии
- клинических исследований с использованием risk stratification
Если базовая модель ошибается, искажаются и downstream-решения бизнеса.
Почему всплеск ИИ не гарантирует качества
Исследование отдельно показывает: наличие machine learning или AI-методов само по себе не решает проблему. Среди 250 работ лишь небольшая часть использовала ИИ-подходы, но общие методологические риски сохранялись.
Это важный контртезис для рынка. Сегодня многие цифровые проекты продаются через слово «AI», хотя ключевой вопрос остается прежним: какие данные использованы, как модель валидирована и улучшает ли она реальные исходы.
Без этого ИИ превращается в дорогую оболочку над слабой статистикой.
Где коммерческий эффект почувствуют компании в ближайшие годы
Для фармкомпаний и medtech-сегмента это означает ужесточение стандартов доказательности. Маркетингового заявления «алгоритм помогает прогнозировать риск» будет недостаточно. Потребуются:
- независимая внешняя валидация
- демонстрация клинической пользы
- работа на локальных популяциях
- прозрачность переменных и логики модели
- соответствие рекомендациям TRIPOD+AI и PROBAST+AI
Почему российский рынок тоже не останется в стороне
Для России тема особенно актуальна из-за старения населения, роста онкозаболеваемости и давления на систему ОМС. Любые инструменты, обещающие лучше распределять ресурсы и персонализировать лечение пожилых пациентов, будут востребованы.
Но импорт зарубежных моделей без локальной адаптации рискован. Большинство проанализированных решений создавались в США, Китае, Японии и странах Западной Европы. Их переносимость на российские маршруты лечения, структуру коморбидности и доступность терапии неочевидна.
Это создает окно возможностей для локальной разработки качественных прогностических решений на российских данных.
Данная публикация предназначена для специалистов здравоохранения и участников фармрынка. Аналитические выводы редакции носят информационный характер и не являются призывом к самолечению или заменой очной консультации врача. При работе с лекарственными препаратами необходимо руководствоваться официальной инструкцией и мнением профильного специалиста. Полный текст дисклеймера.