Методы машинного обучения для прогнозирования течения заболевания на примере развития тяжелой степени пневмонии

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.

1. Биличенко Т. Н. Факторы риска, иммунологические механизмы и биологические маркеры тяжелого течения COVID‑19 (обзор исследований). Русский медицинский журнал (РМЖ). Медицинское обозрение. 2021;5(5):237–244. DOI: 10.32364/2587-6821-2021-5-5-237-244

2. Кудрявцев Ю. С., Берегов М. М., Бердалин А. Б., Лелюк В. Г. Сравнение основных шкал оценки тяжести поражения легких при COVID‑19 по данным компьютерной томографии и оценка их прогностической ценности. Вестник рентгенологии и радиологии. 2021;102(5):296–303. DOI: 10.20862/0042-4676-2021-102-5-296-303

3. Inoue A., Takahashi H., Ibe T., Ishii H., Kurata Y., Ishizuka Y. et al. Comparison of semiquantitative chest CT scoring systems to estimate severity in coronavirus disease 2019 (COVID‑19) pneumonia. Eur Radiol. 2022May;32(5):3513–3524. DOI: 10.1007/s00330-021-08435-2

4. Hemraj S. K., Jacob M. J., Kotian V., K S.D., G. G.R., Veliath L. B. Chest C. T. Findings and Their Temporal Evolution in COVID‑19 Pneumonia. Cureus. 2022;14(6):e26021. DOI: 10.7759/cureus.26021

5. Nokiani A. A., Shahnazari R., Abbasi M. A., Divsalar F., Bayazidi M., Sadatnaseri A. COVID‑19 Chest CT Quantification: Triage and Prognostic Value in Different Ages. Clin Med Res. 2023Mar;21(1):14–25. DOI: 10.3121/cmr.2023.1772

6. Szabó M., Kardos Z., Kostyál L., Tamáska P., Oláh C., Csánky E. et al. The importance of chest CT severity score and lung CT patterns in risk assessment in COVID‑19-associated pneumonia: a comparative study. Front Med (Lausanne). 2023May17;10:1125530. DOI: 10.3389/fmed.2023.1125530

7. Морозов С. П., Гомболевский В. А., Чернина В. Ю., Блохин И. А., Мокиенко О. А., Владзимирский А. В. и др. Прогнозирование летальных исходов при COVID‑19 по данным компьютерной томографии органов грудной клетки. Туберкулез и болезни легких. 2020;98(6):7–14. DOI: 10.21292/2075-1230-2020-98-6-7-14

8. Мелехов А. В., Сайфуллин М. А., Петровичев В. С., Агаева А. И., Голубых К. Ю., Никитин И. Г. Сопоставление данных компьютерной томографии с исходами, клиническими и лабораторными характеристиками пациентов с COVID‑19. Архивъ внутренней медицины. 2021;11(6):447–456. DOI: 10.20514/2226-6704-2021-11-6-447-456

9. Komurcuoglu B., Susam S., Batum Ö., Turk M. A., Salik B., Karadeniz G., et al. Correlation between chest CT severity scores and clinical and biochemical parameters of COVID‑19 pneumonia. Clin Respir J. 2022Jul;16(7):497–503. DOI: 10.1111/crj.13515

10. Wang D., Willis D. R., Yih Y. The pneumonia severity index: Assessment and comparison to popular machine learning classifiers. Int J Med Inform. 2022;163:104778. DOI: 10.1016/j.ijmedinf.2022.104778

11. Holm S. A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics. 1979;6(2):65–70.

12. Senko O. V., Kuznetsova A. V., Matveev I. A., Litvinchev I. S. Chapter VIII. Search of regularities in data: optimality, validity, and interpretability. Advances of Artificial Intelligence in a Green Energy Environment. Edited by Pandian Vasant, Joshua Thomas, Elias Munapo, Gerhard-Wilhelm Weber. Elsevier Inc. 2022;151–171.

13. Сенько О. В., Кузнецова А. В., Воронин Е. М., Кравцова О. А., Борисова Л. Р., Кирилюк И. Л., и др. Методы интеллектуального анализа данных в исследованиях эпидемии COVID‑19. Журнал Белорусского государственного университета. Математика. Информатика. 2022;(1):83–96. DOI: 10.33581/2520-6508-2022-1-83-96