Эволюция ранней диагностики и прогнозирования инфекционных осложнений в хирургии: от лейкоцитарного индекса интоксикации к искусственному интеллекту

Шевченко Ю.Л., Федык О.В., Щепарёв И.С.

Цель. Обобщить эволюцию лабораторных и цифровых подходов к ранней диагностике и прогнозированию инфекционных осложнений в хирургии – от классических лейкоцитарных индексов до систем искусственного интеллекта.

Материалы и методы. Проведён целенаправленный анализ публикаций по лейкоцитарным индексам интоксикации, интегральным гематологическим индексам (NLR, PLR, SII, DNI), биохимическим маркёрам (С реактивный белок, прокальцитонин, пресепсин), новым параметрам гематологических анализаторов (MDW), иммунофенотипическим маркёрам (моноцитарный HLA DR, субпопуляции моноцитов CD14/CD16), метагеномному секвенированию (mNGS) и моделям машинного обучения для раннего выявления сепсиса.

Результаты. Классические лейкоцитарные индексы сохраняют ценность как дешёвый инструмент стратификации риска, но ограничены субъективностью и низкой специфичностью к бактериальной инфекции. Интегральные гематологические индексы и MDW улучшают раннее выявление сепсиса за счёт использования данных стандартного общего анализа крови. Биохимические маркёры, особенно прокальцитонин и пресепсин, демонстрируют более высокую диагностическую и прогностическую точность, однако подвержены влиянию хирургической травмы и требуют учёта кинетики. Иммунофенотипические показатели моноцитов отражают функциональное репрограммирование врождённого иммунитета и позволяют оценивать иммунный дисбаланс. Методы mNGS повышают частоту выявления возбудителей и сокращают время до этиологической диагностики, но ограничены высокой стоимостью и сложностью внедрения. Алгоритмы машинного обучения на основе данных электронных медицинских карт превышают традиционные шкалы (SIRS, qSOFA) по точности раннего прогнозирования сепсиса, но сталкиваются с проблемами переобучения, «усталости от тревог» и недостаточной внешней валидации.

Заключение. Современная стратегия раннего выявления инфекционных осложнений в хирургии должна опираться на комбинированное использование доступных гематологических и биохимических маркёров, иммунофенотипирования и AI систем, интегрированных в электронные медицинские карты. Особое значение имеют стандартизация методик, экономическая оценка и мультицентровая валидация перед широким внедрением в практику.

1. Заболотских И.Б., Мусаева Т.С., Трембач Н.В. и др. Эпидемиология неблагоприятных исходов в плановой абдоминальной хирургии: результаты проспективного наблюдательного многоцентрового исследования // Вестник интенсивной терапии имени А.И. Салтанова. – 2025. – №3. – С.51-63. doi: 10.21320/1818-474X-2025-3-51-63.

2. Орлова О.А., Тутельян А.В., Замятин М.Н., Акимкин В.Г. Эпидемиологическая диагностика инфекций, связанных с оказанием медицинской помощи, на современном этапе // Медицинский алфавит. – 2019. – №3(32). – С.5-10. doi: 10.33667/2078-5631-2019-3-32(407)-5-10.

3. Яровой С.К., Хороненко В.Э., Сугаипов М.-Э., Зигангирова Н.А. Послеоперационные инфекционно­воспалительные осложнения в онкохирургии. Что делать при исчерпании возможностей классической противомикробной терапии // РМЖ. – 2025. – №10. – С.28-33. doi: 10.32364/2225-2282-2025-10-4.

4. Шевченко Ю.Л. Хирургическое лечение инфекционного эндокардита и основы гнойно-септической кардиохирургии // Монография. – М.: Династия, 2015. – 448 с.

5. Evans L, Rhodes A, Alhazzani W, et al. Surviving Sepsis Campaign: International guidelines for management of sepsis and septic shock 2021. Intensive Care Med 2021; 47: 1181-1247. doi: 10.1007/s00134-021-06506-y.

6. Cicchinelli S, Pignataro G, Gemma S, et al. PAMPs and DAMPs in Sepsis: A Review of Their Molecular Features and Potential Clinical Implications. Int J Mol Sci. 2024; 25(2): 962. doi: 10.3390/ijms25020962.

7. Громов М.И., Рысев А.В., Журавлев Ю.Ф. и др. Лейкоцитарный индекс интоксикации по В.К. Островскому как критерий оценки бактериальной инфекции // Вестник хирургии имени И.И. Грекова. – 2023. – №182(2). – С.53-58. doi: 10.24884/0042-4625-2023-182-2-53-58.

8. Шевченко Ю.Л., Матвеев С.А., Мазайшвили К.В. Лейкоцитарные индексы в прогнозировании и лечении инфекционных осложнений у кардиохирургических больных // Клиническая медицина и патфизиология. – 1996. – №2. – С.16-18.

9. Zhong X, Ma A, Zhang Z, et al. Neutrophil-to-lymphocyte ratio as a predictive marker for severe pediatric sepsis. Transl Pediatr. 2021; 10(3): 657-665. doi: 10.21037/tp-21-47.

10. Islam MM, Satici MO, Eroglu SE. Unraveling the clinical significance and prognostic value of the neutrophil-to-lymphocyte ratio, platelet-to-lymphocyte ratio, systemic immune-inflammation index, systemic inflammation response index, and delta neutrophil index: An extensive literature review. Turkish Journal of Emergency Medicine. 2024; 24(1): 8-19. doi: 10.4103/tjem.tjem_198_23.

11. Шелыгин Ю.А., Сухина М.А., Набиев Э.Н. и др. Нейтрофильно­лимфоцитарное отношение, как биомаркер инфекционных осложнений в колоректальной хирургии (собственные данные, систематический обзор и метаанализ) // Колопроктология. – 2020. – №19(4). – С.71-92. doi: 10.33878/2073-7556-2020-19-4-71-92.

12. Halilzade Mİ, Taş EE. The role of delta neutrophil index and other markers in prognosis of tubo-ovarian abscess and prediction of surgical adverse events. Medicine. 2025; 104: 34(e44075). doi: 10.1097/ MD.0000000000044075.

13. Woo A, Oh DK, Park C-J, et al. Monocyte distribution width compared with C-reactive protein and procalcitonin for early sepsis detection in the emergency department. PLoS ONE. 2021; 16(4): e0250101. doi: 10.1371/ journal. pone.0250101.

14. Quirant-Sánchez B, Plans-Galván O, Lucas E, et al. HLA-DR Expression on Monocytes and Sepsis Index Are Useful in Predicting Sepsis. Biomedicines. 2023; 11(7): 1836. doi: 10.3390/biomedicines11071836.

15. Schuetz P, Beishuizen A, Broyles M, et al. Procalcitonin (PCT)-guided antibiotic stewardship: an international experts consensus on optimized clinical use. Clin Chem Lab Med. 2019; 57(9): 1308-1318. doi: 10.1515/cclm-2018-1181.

16. Lippi G, Salvagno GL, Gelati M, et al. Analytical Evaluation of the New Beckman Coulter Access Procalcitonin (PCT) Chemiluminescent Immunoassay. Diagnostics (Basel). 2020; 10(3): 128. doi: 10.3390/diagnostics10030128.

17. Esposito JE, D’Amato M, Parruti G, Polilli E. Monocyte Distribution Width for Sepsis Diagnosis in the Emergency Department and Intensive Care Unit: A Systematic Review and Meta-Analysis. Int J Mol Sci. 2025; 26(15): 7444. doi: 10.3390/ijms26157444.

18. Вершинина М.Г., Стериополо Н.А., Иванов А.М., Малышев М.Е. Стратегия контроля антимикробной терапии с использованием прокальцитонинового теста в клинической практике // Кремлёвская медицина. Клинический вестник. – 2022. – №3. – С.41-45. doi: 10.26269/gy5y-7794.

19. Amanai E, Nakai K, Saito J, et al. Usefulness of presepsin for the early detection of infectious complications after elective colorectal surgery, compared with C-reactive protein and procalcitonin. Scientific Reports. 2022; 12(1): 3960. doi: 10.1038/s41598-022-06613-w.

20. Lu CY, Kao CL, Hung KC, et al. Diagnostic efficacy of serum presepsin for postoperative infectious complications: a meta-analysis. Frontiers Immunology. 2023; 14: 1320683. doi: 10.3389/fimmu.2023.1320683.

21. Попов Д.А., Плющ М.Г., Овсеенко С.Т. и др. Мониторинг уровня sCD14-ST (пресепсина) в периоперационном периоде у кардиохирургических больных // Анестезиология и реаниматология. – 2013. – №3. – С.30-35.

22. Crouser ED, Parrillo JE, Seymour CW, et al. Improved early detection of sepsis in the ED with a novel monocyte distribution width biomarker. Chest. 2017; 152(3): 518-526. doi: 10.1016/j.chest.2017.04.183.

23. Crouser ED, Parrillo JE, Seymour CW, et al. Monocyte distribution width enhances early sepsis detection in the emergency department beyond SIRS and qSOFA. Crouser et al. Journal of Intensive Care. 2020; 8(33). doi: 10.1186/s40560-020-00446-3.

24. Meraj F, Shaikh S, Maqsood S, et al. Monocyte Distribution Width, a Novel Biomarker for Early Sepsis Screening and Comparison with Procalcitonin and C-Reactive Protein. J Lab Physicians. 2023; 15: 294-299. doi: 10.1055/s-0042-1758666.

25. Esposito JE, D’Amato M, Parruti G, Polilli E. Monocyte Distribution Width for Sepsis Diagnosis in the Emergency Department and Intensive Care Unit: A Systematic Review and Meta-Analysis. Int J Mol Sci. 2025; 26(15): 7444. doi: 10.3390/ijms26157444.

26. Billeter A, Turina M, Seifert B, et al. Early serum procalcitonin, interleukin-6, and 24-hour lactate clearance: useful indicators of septic infections in severely traumatized patients. World Journal of Surgery 2009; 33(3): 558-66. doi: 10.1007/s00268-008-9896-y.

27. Первова О. В., Черданцев Д. В., Шапкина В. А., и др. Интраабдоминальная инфекция: принципы клинико­лабораторного мониторинга // Сибирское медицинское обозрение. 2018; 1: 27-35. doi: 10.20333/2500136-2018-1-27-35.

28. Kim WY, Jeong ES, Kim I, Lee K. Clinical Utility of Rapid Pathogen Identification for Detecting the Causative Organisms in Sepsis: A Single-Center Study in Korea. Canadian Journal of Infectious Diseases and Medical Microbiology. 2018; 2018: 1698241. doi: 10.1155/2018/1698241.

29. Qin C, Zhang S, Zhao Y, et al. Diagnostic value of metagenomic next-generation sequencing in sepsis and bloodstream infection. Frontiers in Cellular and Infection Microbiology. 2023; 13: 1117987. doi: 10.3389/fcimb. 2023.1117987.

30. Singer M, Deutschman CS, Seymour CW, et al. The Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3). JAMA. 2016; 315(8): 801-10. doi: 10.1001/jama.2016.0287.

31. Vincent JL, Moreno R, Takala J, et al. The SOFA (Sepsis-related Organ Failure Assessment) score to describe organ dysfunction/failure. On behalf of the Working Group on Sepsis-Related Problems of the European Society of Intensive Care Medicine. Intensive Care Med. 1996; 22(7): 707-10. doi: 10.1007/BF01709751.

32. Yadav S, Suthar R, Meena R, et al. A prospective study of effectiveness of Mannheim peritonitis index scoring system in predicting the morbidity and mortality in peritonitis due to hollow viscous perforation. International Surgery Journal. 2020; 7(7), 2255-2260. doi: 10.18203/2349-2902.isj20202832.

33. Li F, Wang S, Gao Z, et al. Harnessing artificial intelligence in sepsis care: advances in early detection, personalized treatment, and real-time monitoring. Front Med (Lausanne). 2025; 11: 1510792. doi: 10.3389/fmed. 2024.1510792.

34. Adams R, Henry KE, Sridharan A, et al. Prospective, multi-site study of patient outcomes after implementation of the TREWS machine learning-based early warning system for sepsis. Nat Med. 2022; 28: 1455-60. doi: 10.1038/s41591-022-01894-0.

35. Wong A, Otles E, Donnelly JP, et al. External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients. JAMA Intern Med. 2021; 181(8): 1065-1070. doi: 10.1001/jamainternmed.2021.2626.

36. Despraz J, Matusiak R, Nektarijevic S, et al. CHUV Sepsis consortium. An artificial intelligence-powered learning health system to improve sepsis detection and quality of care: a before-and-after study. NPJ Digit Med. 2026; 9(1): 106. doi: 10.1038/s41746-025-02180-2.

37. Gupta A, Chauhan RGS, Shreekumar A. Improving sepsis prediction in intensive care with SepsisAI: A clinical decision support system with a focus on minimizing false alarms. PLOS Digital Health 2024. doi: 10.1371/journal.pdig.0000569.

38. Al-Juhani A, Desoky R, Iskander Z, et al. Advances in Data-Driven Early Warning Systems for Sepsis Recognition and Intervention in Emergency Care: A Systematic Review of Diagnostic Performance and Clinical Outcomes. Cureus 2025; 17(8): e89882. doi: 10.7759/cureus.89882.

39. Downing NL Rolnick J, Poole SF, et al. Electronic health record-based clinical decision support alert for severe sepsis: a randomised evaluation. BMJ Qual Saf. 2019; 28(9): 762-768. doi: 10.1136/bmjqs-2018-008765.

40. Ельский И.К., Васильев А.А., Смирнов Н.Л. Использование нейросетевого моделирования для прогнозирования течения острого панкреатита // Хирургическая практика. – 2021. – №4. – С.23-32. doi: 10.38181/2223-2427-2021-4-23-32.

41. Bhavani SV, Lonjers Z, Carey KA, et al. The Development and Validation of a Machine Learning Model to Predict Bacteremia and Fungemia in Hospitalized Patients Using Electronic Health Record Data. Crit Care Med. 2020; 48(11): e1020-e1028. doi: 10.1097/CCM.0000000000004556.

42. Stevenson M, Forsyth JE, Hossain A, et al. ADAPT-Sepsis collaborators. Cost-effectiveness of procalcitonin-guided antibiotic duration for hospitalized patients with sepsis. Crit Care. 2025; 29(1): 508. doi: 10.1186/ s13054-025-05732-w.