ИИ для диагностики СРК: почему точности 99% недостаточно

Сообщается, что ИИ может диагностировать синдром раздражённого кишечника (СРК) с точностью, приближающейся к 99%. Это звучит как клинический прорыв. Однако опубликованные данные говорят о более узком выводе: шесть неоднородных исследований «случай — контроль», всего 1 366 участников и отсутствие внешней валидации на независимой проспективной когорте.

Систематический обзор 2025 года Bhagavathula и соавторов охватил 18 053 публикации и выявил лишь шесть исследований, соответствовавших его критериям для диагностики СРК с помощью ИИ. В этих исследованиях использовали данные о микробиоме кала, летучих соединениях, измеренных методом газовой хроматографии, нейровизуализации или активности протеаз. Заявленные показатели эффективности варьировали от умеренных до очень высоких; наибольшая площадь под ROC-кривой (AUC) — до 0,98–0,99 — была указана для моделей случайного леса на основе данных микробиома кала.

Эти показатели описывают ранние эксперименты по разработке моделей, а не диагностический тест, готовый для гастроэнтерологической клиники. Это различие не является придиркой: от него зависит, поможет ли модель пациенту или уверенно отнесёт его к неверной категории.

Что на самом деле измеряет показатель 99%

Во всех шести исследованиях СРК применялся дизайн «случай — контроль». Исследователи отбирали людей, уже отнесённых к группе с СРК, сравнивали их с контрольной группой, а затем обучали и тестировали модели на данных, полученных из этой исходной популяции. Такой подход может ответить на интересный технический вопрос: способен ли алгоритм выявить в этом наборе данных закономерности, разделяющие эти две группы? Но он не позволяет установить, будет ли модель работать у нового пациента с болью в животе, приёмом лекарств, изменениями в питании, сопутствующими состояниями и неясным диагнозом.

Обзор выявил настолько значительные различия в биомаркерах, архитектурах моделей, методах и качестве отчётности, что результаты нельзя было объединить в метаанализе. Случайный лес, обученный на характеристиках микробиома, нельзя напрямую сопоставить с методом опорных векторов, обученным на данных нейровизуализации, или искусственной нейронной сетью, обученной на летучих соединениях. Оценка качества в обзоре с использованием подходов QUADAS-2, PROBAST-AI и TRIPOD-AI выявила существенную методологическую вариабельность и указала на необходимость стандартизированных протоколов валидации и проспективных многоцентровых исследований.

AUC 0,99 на отложенной части одного исходного набора данных не означает, что тест обладает 99%-й точностью диагностики в реальных условиях.

Самое важное: ни в одном из шести исследований не применялась внешняя валидация — тестирование готовой модели на отдельно собранной когорте пациентов. Это базовая проверка того, усвоила ли модель сигнал, связанный с СРК, а не особенности практики, лабораторных методов, местной популяции или случайные особенности исходного набора данных.

Небольшие наборы данных и многомерная биология

В шесть исследований суммарно вошли 1 366 участников, или в среднем около 228 на исследование. Это слабая основа для моделей, обучаемых на многомерных данных о биомаркерах. Секвенирование микробиома может давать сотни или тысячи потенциальных микробных признаков. Модель, у которой потенциальных входных параметров значительно больше, чем пациентов, может подгонять шум, особенно если исследователи многократно настраивают её на небольшом наборе данных.

Случайные леса могут быть полезными инструментами, но они не превращают ограниченную выборку в большую. Без независимой валидации впечатляющий внутренний результат может отчасти отражать переобучение: модель усвоила микробные закономерности одной когорты, включая признаки, не связанные с устойчивым профилем СРК.

Географические различия создают ещё одну проблему. Исследования проводились в Великобритании, Китае и Японии. Состав микробиома различается между популяциями и зависит от привычного рациона, поэтому модель, разработанная в одних условиях, может плохо переноситься на другие. Ни одно исследование из этой доказательной базы не проверяло этот вопрос напрямую.

Проблема низко-FODMAP-диеты

Исследования микробиома обеспечивают впечатляющие цифры точности, но микробиом также очень чувствителен к лечению. Систематический обзор и метаанализ 2025 года Chu и соавторов включил 10 рандомизированных контролируемых исследований с 590 участниками и показал, что низко-FODMAP-диета изменяла показатели кишечной микробиоты по сравнению с обычным питанием. В обзоре сообщалось об изменениях, затрагивающих Bifidobacterium и Akkermansia, а также о снижении общего микробного богатства.

Это имеет значение, поскольку низко-FODMAP-диета — часто используемое диетическое вмешательство при СРК. Если люди с СРК изменили рацион до сдачи образца кала, алгоритм может наряду со статусом СРК — а не независимо от него — усваивать закономерности, связанные с воздействием диеты или ответом на лечение. В доступных исследованиях ИИ при СРК не стандартизировали и не контролировали статус питания на момент сбора образцов.

Это не доказывает, что модели микробиома выявляли лишь низко-FODMAP-диеты. Но это указывает на серьёзный неустранённый смешивающий фактор. Проспективное исследование могло бы решить эту проблему, тщательно регистрируя рацион, при необходимости включая участников, ранее не получавших лечения, и тестируя модель в независимых популяциях. Ни одно из опубликованных исследований этого не сделало.

Почему распространённость меняет клинический вопрос

Наборы данных «случай — контроль» часто содержат примерно равное число случаев и участников контрольной группы. В клиниках ситуация иная. В обзоре описывается распространённость СРК около 10–15% в соответствующем клиническом контексте. Когда распространённость заболевания снижается, снижается и положительная прогностическая ценность, даже если чувствительность и специфичность остаются неизменными.

Рассмотрим гипотетический тест с чувствительностью 95% и специфичностью 95%, применяемый среди 1 000 человек, из которых у 10% есть СРК. Он выявил бы 95 из 100 людей с СРК, но также ошибочно отметил бы 45 из 900 людей без СРК. Около трети положительных результатов оказались бы ложноположительными. Этот расчёт не описывает какую-либо конкретную ИИ-модель для СРК; он показывает, почему точность на сбалансированном наборе данных не может заменить клинически значимую валидацию.

Обзор 2023 года Palmieri и соавторов, посвящённый применению ИИ и больших данных в трансплантационной медицине, рассматривает более широкий разрыв между контролируемыми условиями разработки и эффективностью в реальном мире. Этот вывод следует переносить осторожно, но напрямую: модель требует валидации в условиях, где клиницисты намерены её применять, с распространённостью, структурой случаев и рабочими процессами этих условий.

У СРК также нет чёткого биологического эталонного стандарта

СРК по-прежнему диагностируется на основании симптомов. В исследованиях ИИ случаи классифицировали с помощью Римских критериев — той же клинической системы, которую модели теоретически должны были бы дополнять или заменять. Это создаёт проблему замкнутого круга. Модель может очень хорошо воспроизводить метку, основанную на Римских критериях, не доказывая, что она обнаружила более точный биологический диагноз.

Эта проблема знакома и в других областях диагностики с помощью ИИ. Систематический обзор 2023 года ИИ для отбора эмбрионов выявил обнадёживающие сравнительные показатели эффективности, но заключил, что клиническое применение требует дальнейшей валидации. Обзор 2022 года машинного обучения при биполярном расстройстве выявил существенную неоднородность биологических, клинических и нейропсихологических моделей. Эти состояния отличаются от СРК, но оба примера иллюстрируют трудность превращения впечатляющих показателей на этапе разработки в надёжные клинические решения, когда целевой диагноз не имеет единственного окончательного биомаркера.

ИИ особенно хорошо работает, когда задача имеет стабильную, чётко определённую цель и большие репрезентативные данные. Например, система Yan и соавторов для туберкулёза на основе КТ была предназначена для структурированной задачи анализа изображений. СРК отличается: это синдром, определяемый симптомами, его потенциальные биомаркеры меняются в зависимости от питания и географии, а эталонный стандарт является клиническим.

Что сделало бы ИИ-тест на СРК убедительным?

Полезное исследование должно было бы включать последовательно обращающихся пациентов с соответствующими симптомами, регистрировать рацион и статус лечения, заранее определить модель и проспективно валидировать её в независимых центрах и популяциях. Оно должно было бы сообщать чувствительность, специфичность, положительную и отрицательную прогностическую ценность, калибровку и последствия ложноположительных и ложноотрицательных результатов при реалистичной распространённости. Также необходимо показать, что модель улучшает значимое для пациента решение по сравнению с тщательной оценкой по Римским критериям и надлежащим обследованием на тревожные симптомы.

На данный момент диагностика СРК на основе ИИ — тема для исследований, а не клинический инструмент. Людям с подозрением на СРК следует пройти стандартное клиническое обследование, используя Римские критерии в соответствующем контексте и проводя дополнительную оценку, когда этого требуют симптомы или настораживающие признаки. Структурированная проба низко-FODMAP-диеты может помочь некоторым пациентам, но она также должна побуждать исследователей осторожнее относиться к микробиому кала как к неизменному отпечатку заболевания. В текущей литературе представлены шесть пилотных наборов данных, а не доказательство того, что алгоритм способен диагностировать СРК в реальных условиях.