Анна Викторовна Кузнецова — кандидат биологических наук, старший научный сотрудник Лаборатории математической биофизики
Москва
Anna V. Kuznetsova — PhD Sci. (Bio), Senior Researcher Laboratory of Mathematical Biophysics
Moscow
Людмила Робертовна Борисова — кандидат физико-математических наук, доцент кафедры математики и анализа данных
Москва
Lyudmila R. Borisova — Cand. Sci. (Phys. And Math.) Assoc. Prof., Department of Mathematics and Data Analysis
Moscow
Ирина Алексеевна Демина — кандидат медицинских наук, врач, лаборант-исследователь Центрального НИИ эпидемиологии Роспотребнадзора
Москва
Irina A. Demina — Cand. Sci. (Med.), physician, Laboratory Assistant- Researcher of the Central Research Institute of Epidemiology, Federal Service for Surveillance on Consumer Rights Protection and Human Wellbeing
Moscow
Цель работы — прогнозирование осложнений при COVID-19 в виде пневмонии тяжелой степени по базе клинико-лабораторных данных методами машинного обучения (МО). Градация тяжести заболевания COVID-19 основана на результатах компьютерной томографии (КТ). Группы пациентов состояли из 31 пациента с тяжелой формой пневмонии (КТ 2–4) и 113 пациентов с нетяжелой формой (КТ 0–1) и без пневмонии. База данных включила 105 клинико-лабораторных показателей. Применены стандартные непараметрические критерии χ² и критерий Манна-Уиттни (U-тест) c коррекцией на множественное тестирование по Бонферрони-Холму. Выявлены 13 значимых показателей. Использованы методы машинного обучения (МО) системы анализа данных Data Master Azforus с применением лучших из них в виде ансамбля. Методы МО позволили построить мультифакторные нелинейные модели для прогнозирования. Для всего периода наблюдения результат прогнозирования методом статистически взвешенных синдромов (СВС) достиг значения ROC AUC = 0,9. Достаточно точный прогноз пневмонии тяжелой степени при COVID-19 оказалось возможно сделать по 26 наиболее значимым клинико-лабораторным показателям. Известные лечащим врачам клинические признаки, определяющие тяжесть течения пневмонии, подтверждены методами МО. Апробация модели доказала ее перспективность. Внедрение модели в практику повысит точность и оперативность диагностики тяжелого течения пневмонии. Система анализа данных Data Master Azforus (САД ДМА) позволит врачам-исследователям создавать рекомендательные системы по прогнозированию и диагностике заболеваний.
The aim of the work is to predict complications in COVID-19 in the form of severe pneumonia based on clinical and laboratory data using machine learning (ML) methods. The severity of COVID-19 disease is based on the results of computed tomography (CT). The patient groups consisted of 31 patients with severe pneumonia (CT 2–4) and 113 patients with mild form (CT 0–1) and without pneumonia. The database included 105 clinical and laboratory parameters. The standard nonparametric criteria χ2 and the Mann-Whittney criterion (U-test) with correction for multiple Bonferroni- Holm testing were applied. 13 significant indicators have been identified. Machine learning (ML) methods of the data analysis system («Data Master Azforus») were used and the best of them were applied in the form of an ensemble. ML methods have made it possible to build multifactorial nonlinear models for forecasting. For the entire follow-up period, the prediction result by the method of statistically weighted syndromes (SWS) reached a value of ROC AUC = 0.9. It was possible to make a fairly accurate prediction of severe pneumonia in COVID-19 based on the 26 most significant clinical and laboratory indicators. The clinical signs known to the attending physicians that determine the severity of pneumonia have been confirmed by ML methods. The approbation of the model proved its promise. The introduction of the model into practice will increase the accuracy and efficiency of diagnosis of severe pneumonia. The data analysis system («Data Master Azforus») will allow research doctors to create recommendation systems for predicting and diagnosing diseases
The authors declare that there are no conflicts of interest present.