При сепсисе модель чаще предлагала меньше внутривенной жидкости

Модель рассматривала лечение как цепочку решений: состояние пациента меняется, и после каждого изменения нужно заново выбирать дозу жидкости и сосудосуживающих препаратов. Для этого авторы разбили возможные состояния на 1 000 вариантов, а действия — на 25 сочетаний уровней двух препаратов. Затем алгоритм перебирал решения и искал такую стратегию, которая по архивным данным давала бы лучший предполагаемый исход.

Главная трудность здесь — нельзя просто сравнить прогноз модели с тем, что сделали врачи: модель могла бы предлагать действия, которые в похожих случаях почти никто не применял, и тогда честно оценить их пользу по старым историям невозможно. Авторы поэтому использовали два независимых способа проверки и отдельно оценили, насколько модель вообще похожа на решения врачей. Чтобы восстановить привычную врачебную практику, они обучили случайный лес — набор решающих деревьев — предсказывать действия врачей по состоянию пациента.

Важный результат оказался не только в итоговой оценке модели, но и в устройстве самого подхода: набор признаков пациента оказался важнее, чем их количество. Когда в описание состояния добавляли слишком много переменных, модель чаще скатывалась к бездействию; тщательно отобранные клинически важные признаки работали лучше. В итоге авторы предлагают понимать модель не как совершенно новую схему лечения, а как вариант, который близок к обычной практике и может подсвечивать заметные расхождения для дополнительной проверки. До этого подобные оценки часто опирались на один способ расчёта, а здесь согласие двух методов дополнили проверкой устойчивости и сходства с решениями врачей.