Тяжелая бронхиальная астма: Оценка вероятности частых обострений с учетом профессионального контакта

Файл статьи: 
Иконка PDF health-risk-analysis-2026-2-11.pdf
УДК: 
616.248: 614.256.5
DOI: 
10.21668/health.risk/2026.2.11
Авторы: 

А.И. Борисова1, Е.С. Галимова2, Е.Р. Абдрахманова1,2, А.Б. Бакиров1,2, И.И. Зайдуллин1, Э.Ф. Кабирова1, Д.О. Каримов1, А.А. Дистанова1, Э.Т. Валеева1,2, Ю.Г. Азнабаева2

Организация: 

1Уфимский научно-исследовательский институт медицины труда и экологии человека, Российская Федерация, 450106, г. Уфа, ул. Степана Кувыкина, 94
2Башкирский государственный медицинский университет, Российская Федерация, 450008, г. Уфа, ул. Ленина, 3

Аннотация: 

Бронхиальная астма (БА) остается одним из наиболее распространенных хронических воспалительных забо-леваний дыхательных путей и представляет значимую медико-социальную проблему в связи с высокой частотой обострений, госпитализаций и снижением качества жизни пациентов. На сегодняшний день сохраняется медико-социальная проблема, связанная с клинической сложностью пациентов с тяжелой БА, при которой частые обострения (три раза в год и более) формируют основную нагрузку на систему здравоохранения и ассоциируются с неблагоприятными исходами. В связи с этим актуальной задачей является разработка шкал оценки вероятности обострений на основе доступных клинико-функциональных и профессиональных параметров с целью формирования групп, нуждающихся в углубленном обследовании и наблюдении у профильных специалистов.

Нами проанализированы результаты обследования 174 пациентов с тяжелой БА в возрасте от 18 до 71 года. Исходом моделирования считали «частые обострения» (≥ трех эпизодов за последний год). Для построения модели применен гибридный алгоритм машинного обучения: метод градиентного бустинга для отбора наиболее значимых предикторов. В перечень предикторов включены: пол, возраст, стаж БА, профессиональный контакт, ИМТ, ГЭРБ, уровни эозинофилов и ОФВ1. Валидация проведена методом 5-кратной стратифицированной кросс-валидации.

Установлено, что ключевыми факторами вероятности частых обострений являются наличие профессио-нального контакта с аллергенами или ирритантами на рабочем месте, снижение функции внешнего дыхания и наличие коморбидной патологии. Стратификация по терцилям прогнозной вероятности позволила выделить группы низкой, умеренной и высокой вероятности. Согласно разработанной шкале, сочетание ОФВ1 < 40 %, наличия ГЭРБ и профессионального контакта при высоком уровне эозинофилов повышает вероятность частых обострений до 97 %. Результаты визуализированы в виде теплограммы.

Предложена шкала для оценки вероятности частых обострений у пациентов с тяжелой бронхиальной астмой, преимущественно для врачей первичного звена – терапевтов и врачей общей практики. Ее применение направлено на своевременное выявление и выделение пациентов в группы с умеренной и высокой вероятностью обострения тяжелой бронхиальной астмы для последующего направления к профильным специалистам (аллергологам-иммунологам и пульмонологам). Данный подход способствует снижению частоты госпитализаций, что может иметь значимое фармакоэкономическое обоснование.

Ключевые слова: 
тяжелая бронхиальная астма, частые обострения, вероятность обострений, профессиональный контакт, машинное обучение, персонифицированная медицина
Тяжелая бронхиальная астма: оценка вероятности частых обострений с учетом профессионального контакта / А.И. Борисова, Е.С. Галимова, Е.Р. Абдрахманова, А.Б. Бакиров, И.И. Зайдуллин, Э.Ф. Кабирова, Д.О. Каримов, А.А. Дистанова, Э.Т. Валеева, Ю.Г. Азнабаева // Анализ риска здоровью. – 2026. – № 2. – С. 116–124. DOI: 10.21668/health.risk/2026.2.11
Список литературы: 
  1. Динамика заболеваемости болезнями органов дыхания среди населения Российской Федерации в 2010–2022 гг. / Н.С. Антонов, Г.М. Сахарова, Л.И. Русакова, О.О. Салагай // Медицина. – 2023. – Т. 11, № 3. – С. 1–17. DOI: 10.29234/2308-9113-2023-11-3-1-17
  2. Global strategy for asthma management and prevention (2024 update) [Электронный ресурс] // Global Initiative for Asthma. – URL: https://ginasthma.org/wp-content/uploads/2024/05/GINA-2024-Strategy-Repo... (дата обращения: 23.03.2026).
  3. Severe Asthma Exacerbations: From Risk Factors to Precision Management Strategies / M. Paredes, J. Osorio, A. García de la Fuente, E. Rodríguez, C. Picado, I. Ojanguren, E. Arismendi // J. Clin. Med. – 2026. – Vol. 15, № 2. – P. 857. DOI: 10.3390/jcm15020857
  4. Busse W.W. Consequences of severe asthma exacerbations // Curr. Opin. Allergy Clin. Immunol. – 2023. – Vol. 23, № 1. – P. 44–50. DOI: 10.1097/ACI.0000000000000870
  5. An Updated Systematic Review on Asthma Exacerbation Risk Prediction Models Between 2017 and 2023: Risk of Bias and Applicability / A. Liu, Y. Zhang, C.P. Yadav, W. Chen // J. Asthma Allergy. – 2025. – Vol. 18. – P. 579–589. DOI: 10.2147/JAA.S509260
  6. Kaur R., Chupp G. Phenotypes and endotypes of adult asthma: Moving toward precision medicine // J. Allergy Clin. Immunol. – 2019. – Vol. 144, № 1. – P. 1–12. DOI: 10.1016/j.jaci.2019.05.031
  7. Derivation of a prototype asthma attack risk scale centred on blood eosinophils and exhaled nitric oxide / S. Couillard, A. Laugerud, M. Jabeen, S. Ramakrishnan, J. Melhorn, T. Hinks, I. Pavord // Thorax. – 2022. – Vol. 77, № 2. – P. 199–202. DOI: 10.1136/thoraxjnl-2021-217325
  8. Inflammatory and clinical risk factors for asthma attacks (ORACLE2): a patient-level meta-analysis of control groups of 22 randomised trials / F.L. Meulmeester, S. Mailhot-Larouche, C. Celis-Preciado, S. Lemaire-Paquette, S. Ramakrishnan, M.E. Wechsler, G. Brusselle, J. Corren [et al.] // Lancet Respir. Med. – 2025. – Vol. 13, № 6. – P. 505–516. DOI: 10.1016/S2213-2600(25)00037-2
  9. Tibble H., Sheikh A., Tsanas A. Development and validation of a machine learning risk prediction model for asthma attacks in adults in primary care // NPJ Prim. Care Respir. Med. – 2025. – Vol. 35, № 1. – P. 24. DOI: 10.1038/s41533-025-00428-8
  10. Методика прогнозирования тяжелого обострения бронхиальной астмы и астматического статуса / С.О. Шкитин, А.В. Березников, Е.А. Берсенева, Ю.О. Онуфрийчук // Проблемы социальной гигиены, здравоохранения и истории медицины. – 2021. – Т. 29, № 6. – С. 1556–1562. DOI: 10.32687/0869-866X-2021-29-6-1556-1562
  11. Особенности развития обострений тяжелой бронхиальной астмы у пациентов с различными фенотипами за-болевания / Н.Ю. Кравченко, Т.Н. Молостова, А.С. Белевский, Н.Н. Макарьянц, И.В. Кунеевская, З.Н. Гайчиева // РМЖ. Медицинское обозрение. – 2023. – Т. 7, № 2. – С. 96–102. DOI: 10.32364/2587-6821-2023-7-2-96-102
  12. Thomson N.C. Frequent exacerbators in severe asthma: focus on clinical and transcriptional factors // Clin. Transl. Med. – 2022. – Vol. 12, № 5. – P. e860. DOI: 10.1002/ctm2.860
  13. Frequent exacerbators – a distinct phenotype of severe asthma / M. Kupczyk, A. ten Brinke, P.J. Sterk, E.H. Bel, A. Papi, P. Chanez, E. Nizankowska-Mogilnicka, M. Gjomarkaj [et al.] // Clin. Exp. Allergy. – 2014. – Vol. 44, № 2. –
    P. 212–221. DOI: 10.1111/cea.12179
  14. Factors associated with frequent exacerbations in the UK severe asthma registry / F. Yang, J. Busby, L.G. Heaney, A. Menzies-Gow, P.E. Pfeffer, D.J. Jackson, A.H. Mansur, S. Siddiqui [et al.] // J. Allergy Clin. Immunol. Pract. – 2021. – Vol. 9, № 7. – P. 2691–2701.e1. DOI: 10.1016/j.jaip.2020.12.062
  15. Патология пищевода и бронхиальная астма: патогенетические взаимодействия и возможности оптимизации терапии / А.Б. Кацер, И.В. Демко, Е.А. Собко, А.В. Гришков // Профилактическая медицина. – 2024. – Т. 27, № 11. – С. 129–134. DOI: 10.17116/profmed202427111129
  16. Prediction pathway for severe asthma exacerbations: a Bayesian Network analysis / C.P. Yadav, A. Chakraborty, D.B. Price, L.H.M. Lim, Y.R. Juang, R. Beasley, M. Sadatsafavi, C. Janson [et al.] // Chest. – 2025. – Vol. 168, № 2. – P. 301–316. DOI: 10.1016/j.chest.2025.04.046
  17. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods / G.S. Collins, K.G.M. Moons, P. Dhiman, R.D. Riley, A.L. Beam, B. Van Calster, M. Ghassemi, X. Liu [et al.] // BMJ. – 2024. – Vol. 385. – P. e078378. DOI: 10.1136/bmj-2023-078378
  18. PROBAST: A Tool to Assess Risk of Bias and Applicability of Prediction Model Studies: Explanation and Elaboration / K.G.M. Moons, R.F. Wolff, R.D. Riley, P.F. Whiting, M. Westwood, G.S. Collins, J.B. Reitsma, J. Kleijnen, S. Mallett // Ann. Intern. Med. – 2019. – Vol. 170, № 1. – P. W1–W33. DOI: 10.7326/M18-1377
  19. Лучинин А.С. Прогностические модели в медицине // Клиническая онкогематология. Фундаментальные ис-следования и клиническая практика. – 2023. – Т. 16, № 1. – С. 27–36. DOI: 10.21320/2500-2139-2023-16-1-27-36
Получена: 
24.04.2026
Одобрена: 
04.06.2026
Принята к публикации: 
27.06.2026

Вы здесь

Главная