pmjТихоокеанский медицинский журналPacific Medical Journal1609-1175TGMU10.34215/1609-1175-2025-2-45-49pmj-2925Research ArticleОРИГИНАЛЬНЫЕ ИССЛЕДОВАНИЯORIGINAL RESEARCHESПрогностическая модель летальности на основе логистической регрессии лабораторных показателейPredictive model of mortality based on logistic regression of laboratory indicatorshttps://orcid.org/0009-0009-1622-0511МозольА. Н.MozolA. N.

Мозоль Андрей Николаевич – заместитель главного врача по медицинской части

692701, Приморский край, Хасанский МО, п.г.т. Славянка, ул. Молодежная, 3

Andrei N. Mozol, Deputy Chief Physician for Medical Affairs

Molodezhnaya st., Slavyanka urban-type settlement, Khasansky MO, Primorsky Krai, 692701

usteerus@yandex.ruХасанская центральная районная больницаРоссияKhasanskaya Central District HospitalRussian Federation202511082025024549Copyright © Мозоль А.Н., 20252025Мозоль А.Н.Mozol A.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.tmj-vgmu.ru/jour/article/view/2925

Цель: разработка и валидация математической модели для прогнозирования риска летальных исходов на основе лабораторных показателей крови и мочи пациентов. Материалы и методы. В исследовании проанализированы клинические данные пациентов, включая результаты лабораторных исследований крови и мочи. Для создания модели использовались методы математического моделирования и статистического анализа. Результаты. Разработана прогностическая модель, демонстрирующая высокую точность в определении риска неблагоприятного исхода. Модель основана на доступных лабораторных показателях и может быть легко интегрирована в клиническую практику. Заключение. Предложенная математическая модель представляет собой эффективный инструмент для ранней диагностики риска летальных исходов. Практическая значимость исследования определяется возможностью использования разработанной модели в различных областях клинической медицины для оптимизации лечебно-диагностического процесса.

Objective. To develop and validate a mathematical model for predicting the risk of mortality based on patients’ laboratory indicators from blood and urine tests. Materials and methods. Clinical data of patients, including laboratory test results of blood and urine, were analyzed. Mathematical modeling and statistical analysis methods were used to develop the predictive model. Results. A predictive model demonstrating high accuracy in assessing the risk of adverse outcomes was developed. The model is based on readily available laboratory indicators and can be easily integrated into clinical practice. Conclusion. The proposed mathematical model represents an effective tool for early diagnosis of mortality risk. The practical significance of the study lies in the potential application of the developed model across various fields of clinical medicine to optimize the diagnostic and therapeutic process

прогностическая модель летальностиматематическое моделирование смертириск летального исходаpredictive mortality modelmathematical modeling of mortalityrisk of fatal outcomeАвтор заявляет о финансировании проведенного исследования из собственных средств.ReferencesBahadori M, Soltani M, Soleimani M, Bahadori M Statistical modeling in healthcare: shaping the future of medical research and healthcare delivery. ResearchGate. 2023;9(25):431–446. doi: 10.4018/979-8-3693-0876-9.ch025Bahadori M, Soltani M, Soleimani M, Bahadori M Statistical modeling in healthcare: shaping the future of medical research and healthcare delivery. ResearchGate. 2023;9(25):431–446. doi: 10.4018/979-8-3693-0876-9.ch025Toma M, Ong C Predictive modeling in medicine. MDPI. 2023;3(2):590–601. doi: 10.3390/encyclopedia3020042Toma M, Ong C Predictive modeling in medicine. MDPI. 2023;3(2):590–601. doi: 10.3390/encyclopedia3020042Заворотний О.О., Зиновьев Е.В., Костяков Д.В. Возможности прогнозирования летального исхода тяжелообожженных на основе методов регрессионного анализа. Вестник хирургии имени И.И. Грекова. 2020;179(5):21–29.Zavorotniy OO, Zinoviev EV, Kostyakov D.V. Predicting for mortality rate using regression analysis in patient with burn injury. Grekov's Bulletin of Surgery. 2020;179(5):21–29 (In Russ.) doi: 10.24884/0042-4625-2020-179-5-21-29Hooft L, Schuit E, Debray TPA Prediction models for cardiovascular disease risk in the general population: systematic review damen. Center for health sciences and primary care, university medical center. 2016;353:i2416. doi: 10.1136/bmj.i2416Hooft L, Schuit E, Debray TPA Prediction models for cardiovascular disease risk in the general population: systematic review damen. Center for health sciences and primary care, university medical center. 2016;353:i2416. doi: 10.1136/bmj.i2416Chao HY, Wu CC, Singh A, Shedd A, Wolfshohl J, Chou EH, Huang YC, Chen KF Using machine learning to develop and validate an in-hospital mortality prediction model for patients with suspected sepsis. Biomedicines. 2022;10(4):802. doi: 10.3390/biomedicines10040802Chao HY, Wu CC, Singh A, Shedd A, Wolfshohl J, Chou EH, Huang YC, Chen KF Using machine learning to develop and validate an in-hospital mortality prediction model for patients with suspected sepsis. Biomedicines. 2022;10(4):802. doi: 10.3390/biomedicines10040802Wendland Ph, Schmitt V, Zimmermann J Machine learning models for predicting severe COVID-19 outcomes in hospitals. Informatics in medicine unlocked. 2023;37:101188. doi: 10.1016/j.imu.2023.101188Wendland Ph, Schmitt V, Zimmermann J Machine learning models for predicting severe COVID-19 outcomes in hospitals. Informatics in medicine unlocked. 2023;37:101188. doi: 10.1016/j.imu.2023.101188Насар А.Н., Мадай Д.Ю. Объективная оценка тяжести сочетанной черепно-лицевой травмы (обзор). Кубанский научный медицинский вестник. 2020;27(5):144–162.Nassar AI., Madai DYu. Scoring models for the severity of combined craniofacial trauma (a review). Kuban Scientific Medical Bulletin. 2020;27(5):144–162 (In Russ.) doi: 10.25207/1608-6228-2020-27-5-144-162

The authors declare that there are no conflicts of interest present.