Балакин Евгений Игоревич, канд. мед. наук
Москва
Evgenii I. Balakin, Cand. Sci. (Med.)
Moscow
Юрку Ксения Алексеевна, канд. мед. наук
Москва
Kseniya A. Yurku, Cand. Sci. (Med.)
Moscow
Мальсагова Кристина Ахмедовна, канд. биол. наук
Москва
Kristina. A. Malsagova, Cand. Sci. (Biol.)
Moscow
Буткова Татьяна Владимировна, канд. мед. наук
Москва
Tatiana V. Butkova, Cand. Sci. (Med.)
Moscow
Кайшева Анна Леонидовна, д-р биол. наук
Москва
Anna L. Kaysheva, Dr. Sci. (Biol.)
Moscow
Пустовойт Василий Игоревич, д-р мед. наук
Москва
Vasiliy I. Pustovoit, Dr. Sci. (Med.)
Moscow
Введение. Черепно-мозговая травма (ЧМТ) остается серьезной проблемой в области здравоохранения в связи с ее гетерогенностью и непредсказуемостью исходов. Среди молекулярных маркеров интерлейкин-6 (ИЛ-6) часто ассоциируется с каскадами вторичных воспалительных реакций. Однако его диагностическая и прогностическая ценность в различные временные точки после травмы остается недостаточно изученной у спортсменов.
Цель. Оценка диагностической точности и прогностической значимости ИЛ-6 при стратификации тяжести ЧМТ в различные временные точки после травмы с использованием моделей машинного обучения.
Материалы и методы. Проведено проспективное когортное наблюдение 89 мужчин-спортсменов, активно занимающихся контактными видами спорта (смешанные единоборства и кудо), средний возраст 28,7 ± 5,3 года, с документированным подтверждением сотрясения мозга, ушибом мозга легкой и средней степени тяжести. Осуществляли последовательный забор плазмы крови через 3, 6, 12 и 24 ч после травмы. Концентрация ИЛ-6 определена с помощью валидированных протоколов для иммуноферментного анализа. Для решения задач классификации тяжести травмы были обучены модели на основе алгоритмов градиентного бустинга (XGBoost), логистической регрессии и случайного леса. Точность ответа моделей оценивалась с помощью ROC-анализа. Для определения наиболее значимых временных точек применялся метод оценки важности признаков SHAP (SHapley Additive exPlanations). Для прогнозирования и стратификации пациентов была реализована модель на основе рекуррентной нейронной сети с долгой краткосрочной памятью (LSTM). Статистическая валидация включала H-критерий Краскела – Уоллиса (H = 31,77; p < 0,001) и корреляционный анализ Спирмена (rs = 0,81; p < 0,001).
Результаты. Концентрации ИЛ-6 через 6 и 12 ч продемонстрировали наибольшую дискриминационную способность при ушибе мозга средней степени тяжести. Модель XGBoost достигла AUC 0,92 [95% ДИ: 0,88; 0,96], чувствительности 87% и специфичности 84%. Анализ SHAP показал, что значения ИЛ-6 через 6 и 12 ч оказали наибольшее влияние на прогнозы модели. Логистическая регрессия и случайный лес дали AUC 0,84 и 0,88 соответственно. Выявленное диагностическое окно между 6 и 12 ч после травмы совпадает с пиком нейровоспалительной активности.
Выводы. Уровень ИЛ-6, измеренный в течение 6–12 ч после ЧМТ, представляет собой специфический биомаркер для ранней стратификации тяжести травмы. Интеграция объяснимых подходов машинного обучения обеспечивает надежную и клинически значимую поддержку принятия решений в нейротравматологии.
Introduction. Traumatic brain injury (TBI) remains a serious healthcare problem due to its heterogeneity and unpredictable outcomes. In TBI, secondary inflammatory cascades are frequently associated with the level of interleukin-6 (IL-6). However, its diagnostic and prognostic value at various time points after injury requires further investigation in athletes.
Objective. To evaluate the diagnostic accuracy and prognostic significance of IL-6 in stratifying TBI severity at various time points after injury with the use of machine learning models.
Materials and methods. A prospective cohort study was conducted among 89 male athletes, with a mean age of 28.7 ± 5.3 years. These athletes were actively engaged in contact sports (mixed martial arts and kudo) and had documented evidence of concussion or mild to moderate brain contusion. Sequential blood plasma collection was performed at 3, 6, 12, and 24 h post-injury. IL-6 concentration was determined using validated enzyme-linked immunosorbent assay (ELISA) protocols. In order to classify injury severity, models were trained using gradient boosting (XGBoost), logistic regression, and random forest algorithms. The accuracy of model responses was evaluated using ROC analysis. To identify the most significant time points, the SHAP (SHapley Additive exPlanations) feature importance method was applied. For patient prediction and stratification, a model based on a long short-term memory (LSTM) recurrent neural network was implemented. Statistical validation used the Kruskal–Wallis H-test (H = 31.77; p < 0.001) and Spearman’s correlation analysis (rs = 0.81; p < 0.001).
Results. The greatest discriminatory ability of IL-6 concentrations for moderate brain contusion was noted at 6 and 12 h. The XGBoost model achieved an area under the curve of 0.92 [95% CI: 0.88; 0.96], with a sensitivity of 87% and a specificity of 84%. The SHAP analysis revealed that IL-6 values at 6 and 12 h had the greatest impact on the model’s predictions. Logistic regression and random forest yielded areas under the curve of 0.84 and 0.88, respectively. The identified diagnostic window between 6 and 12 h post-injury coincides with the peak of neuroinflammatory activity.
Conclusions. The level of IL-6 measured within 6–12 h after TBI represents a specific biomarker for early stratification of injury severity. The integration of explainable machine learning approaches provides robust and clinically relevant decision support in neurotraumatology.
The authors declare that there are no conflicts of interest present.