Построение прогностической модели исхода при тяжелом пиелонефрите
Автор: Павлов В.Н., Воробьев В.А., Ананьев В.А., Щербатых А.В., Лелявин К.Б., Иосифов Д.А., Киселев К.В.
Журнал: Экспериментальная и клиническая урология @ecuro
Рубрика: Инфекционно-воспалительные заболевания
Статья в выпуске: 1 т.19, 2026 года.
Бесплатный доступ
Введение. Тяжелый острый пиелонефрит нередко приводит к системным инфекционным осложнениям и высокому риску смерти. Выявление надежных прогностических факторов и разработка инструментов ранней стратификации риска остаются актуальными. Цель. Оценить факторы, влияющие на внутрибольничную летальность при тяжелом пиелонефрите, определить выживаемость методом Каплана–Майера и разработать модель прогнозирования исхода на основе нейросетевого логистического анализа. Материалы и методы. Проведен ретроспективный анализ 67 пациентов (55±17 лет; 65,7% женщин), госпитализированных в урологический стационар с диагнозом «тяжелый пиелонефрит». Из медицинских карт извлечены демографические, клинико-лабораторные и лечебные параметры, сведения об осложнениях и исходах. Статистическая обработка включала описательную аналитику, сравнение групп по критериям χ² и Манна–Уитни, логистическую регрессию, построение кривых Каплана–Майера с лог-ранговым тестом. Для индивидуального прогноза построена искусственная нейронная сеть (6 входных признаков, один скрытый слой). Результаты. Общая внутрибольничная летальность составила 19,4%. Независимые факторы смерти: возраст> 60 лет (OR 5,1; p=0,03), мужской пол (OR 4,0; p=0,04), тяжелое состояние при поступлении (OR 6,8; p<0,01); сепсис увеличивал риск в 7,5 раза (p<0,001). Кривая Каплана–Майера показала резкое снижение выживаемости в первые 12 сут, после чего наступало плато (66%). У пациентов старше 60 лет выживаемость к 14-му дню была достоверно ниже (57% vs 85%; p=0,02). Нейросетевая модель продемонстрировала AUC=0,89, точность = 85%, чувствительность = 77%, специфичность = 90%. Наиболее весомыми признаками оказались возраст, тяжесть состояния и лейкоцитоз.
Пожилой возраст, мужской пол и системные осложнения являются ключевыми детерминантами смертности при тяжелом пиелонефрите. Комбинация классической статистики с машинным обучением позволяет эффективно прогнозировать исход уже при поступлении, что может улучшить маршрутизацию и тактику лечения высокорисковых пациентов
Короткий адрес: https://sciup.org/142247676
IDR: 142247676 | DOI: 10.29188/2222-8543-2026-19-1-130-139
Building a prognostic outcome model for severe pyelonephritis
Introduction. Severe acute pyelonephritis (SAP) is frequently complicated by systemic infection and carries a considerable risk of in-hospital death. Robust prognostic markers and early risk stratification tools are urgently needed. Objective. To identify factors associated with in-hospital mortality in SAP, estimate survival using Kaplan–Meier analysis, and develop an outcome-prediction model based on neural-network logistic analysis. Materials and methods. We retrospectively reviewed 67 consecutive patients (mean age 55±17 years; 65.7% female) admitted to a single urology department with destructive SAP. Demographic, clinical, laboratory and therapeutic variables, complications and outcomes were extracted from medical records. Statistical work-up comprised descriptive statistics, χ² and Mann–Whitney tests, multivariate logistic regression, Kaplan–Meier survival curves with log-rank test, and construction of an artificial neural network (six input features, one hidden layer) for individual outcome prediction. Results. Overall in-hospital mortality was 19.4%. Independent predictors of death were age - 60 years (OR 5.1; p=0.03), male sex (OR 4.0; p=0.04) and severe clinical status at admission (OR 6.8; p<0.01); sepsis increased the risk 7.5-fold (p<0.001). The Kaplan–Meier curve revealed a steep decline in survival during the first 12 days, reaching a plateau of 66 % thereafter. Patients - 60 years exhibited significantly lower 14-day survival than younger individuals (57% vs 85%; p=0.02). The neural-network model achieved an AUC of 0.89, accuracy 85%, sensitivity 77% and specificity 90%. Age, baseline severity and leukocytosis were the most influential features. Conclusions. Advanced age, male sex and systemic infectious complications are key determinants of mortality in SAP. Combining classical biostatistics with machine-learning techniques enables accurate early outcome prediction and may optimise triage and management of high-risk patients.
