cfpdБюллетень физиологии и патологии дыханияBulletin Physiology and Pathology of Respiration1998-5029Дальневосточный научный центр физиологии и патологии дыхания10.36604/1998-5029-2023-88-50-58cfpd-1097Research ArticleОРИГИНАЛЬНЫЕ ИССЛЕДОВАНИЯORIGINAL RESEARCHВозможности методов интеллектуального анализа данных для оценки исходов COVID-19 у пациентов с заболеваниями системы кровиThe possibilities of data mining methods for assessing the outcomes of COVID-19 in patients with diseases of the blood systemТалькоА. В.TalkoA. V.

Ангелина Владимировна Талько, врач-гематолог, 

690105, г. Владивосток, ул. Русская, 55

Angelina V. Talko, MD, Hematologist, 

55 Russkaya Str., Vladivostok, 690105

talkang92@mail.ruНевзороваВ. А.NevzorovaV. A.

Вера Афанасьевна Невзорова, д-р мед. наук, профессор, директор Института терапии и инструментальной диагностики, 

690002, г. Владивосток, пр-т Острякова, 2

Vera A. Nevzorova, MD, PhD, DSc (Med.), Professor, Director of the Institute of Therapy and Instrumental Diagnostics 

2 Ostryakova Ave., Vladivostok, 690002

nevzorova@inbox.ruЕрмолицкаяМ. З.ErmolitskayaM. Z.

Марина Захаровна Ермолицкая, канд. биол. наук, доцент, старший научный сотрудник лаборатории информационно-аналитических и управляющих систем и технологий, 

690041, г. Владивосток, ул. Радио, 5

Marina Z. Ermolitskaya, PhD (Biol.), Associate Professor, Senior Staff Scientist 

5 Radio Str. Vladivostok, 690041

ermmz@mail.ruБондареваЖ. В.BondarevaZh. V.

Жанна Викторовна Бондарева, канд. мед. наук, доцент Института терапии и инструментальной диагностики, 

690002, г. Владивосток, пр-т Острякова, 2

Zhanna V. Bondareva, MD, PhD (Med.), Associate Professor, Institute of Therapy and Instrumental Diagnostics 

2 Ostryakova Ave., Vladivostok, 690002

bondareva.zhv@tgmu.ruГосударственное бюджетное учреждение здравоохранения «Краевая клиническая больница №2»Regional Clinical Hospital No.2Федеральное государственное бюджетное образовательное учреждение высшего образования «Тихоокеанский государственный медицинский университет» Министерства здравоохранения Российской ФедерацииPacific State Medical UniversityФедеральное государственное бюджетное учреждение науки «Институт автоматики и процессов управления» Дальневосточного отделения Российской академии наукInstitute of Automation and Control Processes of the Far Eastern Branch of the Russian Academy of Sciences2023040720230885058Copyright © Талько А.В., Невзорова В.А., Ермолицкая М.З., Бондарева Ж.В., 20232023Талько А.В., Невзорова В.А., Ермолицкая М.З., Бондарева Ж.В.Talko A.V., Nevzorova V.A., Ermolitskaya M.Z., Bondareva Z.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://cfpd.elpub.ru/jour/article/view/1097

Введение. Различные технологии искусственного интеллекта получают широкое применение во многих областях медицины с интеграцией в научно-исследовательскую и практическую работу, включая гематологию. Привлекательность методов машинного обучения обусловлена возможностью исключения субъективного фактора, как оценки состояния пациента, так и результатов обследования. Цель. Построение прогнозной модели выживаемости пациентов гематологического профиля при заболевании COVID-19. Материалы и методы. Ретроспективно проанализированы 144 медицинские карты пациентов со злокачественными и доброкачественными заболеваниями системы крови, получавших лечение в Краевой клинической больнице №2 г. Владивостока. Средний возраст больных составил 64 года. Твердая конечная точка – летальность пациентов от всех причин (46 человек или 32%). В качестве предикторов для построения прогнозных моделей использовали такие показатели как тип заболевания (злокачественное, доброкачественное); этап терапии; клинические проявления COVID-19 (есть/нет), симптомы инфекции, статус по шкале ECOG на момент поступления, сопутствующие заболевания, терапия глюкокортикостероидами, использование увлажненного кислорода и осложнения COVID-19. При построении прогнозных моделей с бинарным классификатором использовали методы машинного обучения: логистическую регрессию, дерево решения на основе «условного вывода» и «случайный лес». Результаты. Были разработаны 3 прогностические модели. Выбор модели зависел от количества включаемых параметров. Согласно F-мере, точность модели «случайный лес» оказалась выше. На основании выбранных методов машинного обучения наличие дыхательной недостаточности, требующей кислородной поддержки, явилось самым значимым предиктором прогнозирования исхода COVID-19. Заключение. Проведенное нами исследование позволило выявить значимые предикторы неблагоприятного исхода, на основе которых построены прогностические модели выживаемости пациентов гематологического профиля при заболевании коронавирусной инфекцией.

Introduction. Various artificial intelligence technologies are widely used in many areas of medicine with integration into research and practical work, including hematology. The attractiveness of machine learning methods is due to the possibility of excluding the subjective factor both assessment of the patient's condition and examination results. Aim. The construction of a predictive survival model for hematological patients with COVID-19 coronavirus infection. Materials and methods. 144 medical records of patients with malignant and benign diseases of the blood system treated at the Regional Clinical Hospital No. 2 in Vladivostok were retrospectively analyzed. The average age of the studied patients was 64 years. The solid endpoint is the mortality of patients from all causes (46 people or 32%). Indicators such as the type of disease (malignant, benign); the stage of therapy; clinical manifestations of COVID-19 (yes/no); symptoms of infection were used as predictors for constructing predictive models; ECOG status at the time of admission; concomitant diseases; glucocorticosteroids therapy; the use of humidified oxygen and complications of COVID-19. When constructing predictive models with a binary classifier, machine learning methods were used: logistic regression, a decision tree based on “conditional inference” and a “random forest”. Results. 3 predictive models were developed. The choice of the model depended on the number of parameters included. According to the F-measure, the accuracy of the “random forest” model was higher. Based on the selected machine learning methods, the presence of respiratory failure requiring oxygen support was the most significant predictor of forecasting the outcome of COVID-19. Conclusion. Our study allowed us to identify significant predictors of an unfavorable outcome, on the basis of which prognostic models of survival of hematological patients with coronavirus infection were built. 

COVID-19заболевания системы кровиискусственный интеллектмашинное обучениеалгоритм случайного лесаCOVID-19diseases of the blood systemartificial intelligencemachine learningrandom forestReferencesRadakovich N, Nagy M, Nazha A. Machine learning in haematological malignancies // Lancet Haematol. 2020. Vol.7, Iss.7. e541–e550. EDN: SXSAHV. https://doi.org/10.1016/S2352-3026(20)30121-6Radakovich N, Nagy M, Nazha A. Machine learning in haematological malignancies. Lancet Haematol. 2020; 7(7):e541–e550. https://doi.org/10.1016/S2352-3026(20)30121-6Weiss S.M., Kulikowski C.A., Amarel S., Safir A. A model-based method for computer-aided medical decision making // Artif. Intelligence. 1978. Vol.11, Iss.1-2. Р.145–172. https://doi.org/10.1016/0004-3702(78)90015-2Weiss S.M., Kulikowski C.A., Amarel S., Safir A. A model-based method for computer-aided medical decision making. Artif. Intelligence 1978; 11(1-2):145–172. https://doi.org/10.1016/0004-3702(78)90015-2Sidey-Gibbons JAM, Sidey-Gibbons CJ. Machine learning in medicine: a practical introduction // BMC Med. Res. Methodol. 2019. Vol.19. Article number: 64. EDN: CMNPFK. https://doi.org/10.1186/s12874-019-0681-4Sidey-Gibbons JAM, Sidey-Gibbons CJ. Machine learning in medicine: a practical introduction. BMC Med. Res. Methodol. 201; 19:64. https://doi.org/10.1186/s12874-019-0681-4Гусев А.В., Новицкий Р.Э., Ившин А.А., Алексеев А.А. Машинное обучение на лабораторных данных для прогнозирования заболеваний // Фармакоэкономика. Современная фармакоэкономика и фармакоэпидемиология. 2021. Т.14, №4. С.581–529. EDN: ANFRKW. https://doi.org/10.17749/2070-4909/farmakoekonomika.2021.115Gusev A.V., Novitskiy R.E., Ivshin A.A., Alekseev A.A. [Machine learning based on laboratory data for disease prediction]. FARMAKOEKONOMIKA. Modern Pharmacoeconomics and Pharmacoepidemiology 2021; 14(4):581–592 (in Russian). https://doi.org/10.17749/2070-4909/farmakoekonomika.2021.115Sekeroglu B., Tuncal K. Prediction of cancer incidence rates for the European continent using machine learning models // Health Informatics J. 2021; Vol.27, Iss.1. Article number: 1460458220983878. https://doi.org/10.1177/1460458220983878Sekeroglu B., Tuncal K. Prediction of cancer incidence rates for the European continent using machine learning models. Health Informatics J. 2021; 27(1):1460458220983878. https://doi.org/10.1177/1460458220983878Лучинин А.С. Искусственный интеллект в гематологии // Клиническая онкогематология. 2022. Т.15, №1. С.16–27. EDN: ISVFJA. https://doi.org/10.21320/2500-2139-2022-15-1-16-27Luchinin A.S. [Artificial intelligence in hematology]. Clinical Oncohematology 2022; 15(1):16–27 (in Russian). https://doi.org/10.21320/2500-2139-2022-15-1-16-27Venkatesh R., Balasubramanian C., Kahappan M. Development of big data predictive analytics model for disease prediction using machine learning technique // J. Med. Syst. 2019. Vol.43, Iss.8. Article number: 272. https://doi.org/10.1007/s10916-019-1398-yVenkatesh R., Balasubramanian C.. Kahappan M. Development of big data predictive analytics model for disease prediction using machine learning technique. J. Med. Syst. 2019; 43(8):272. https://doi.org/10.1007/s10916-019-1398-yPiñana J.L., Martino R., García-García I., Parody R., Morales M.D., Benzo G., Gómez-Catalan I., Coll R., De La Fuente I., Luna A., Merchán B., Chinea A., de Miguel D., Serrano A., Pérez C., Diaz C., Lopez J.L., Saez A.J., Bailen R., Zudaire T. et al. Risk factors and outcome of COVID-19 in patients with hematological malignancies // Exp. Hematol. Oncol. 2020; Vol.9. Article number: 21. https://doi.org/10.1186/s40164-020-00177-zPiñana J.L., Martino R., García-García I., Parody R., Morales M.D., Benzo G., Gómez-Catalan I., Coll R., De La Fuente I., Luna A., Merchán B., Chinea A., de Miguel D., Serrano A., Pérez C., Diaz C., Lopez J.L., Saez A.J., Bailen R., Zudaire T. et al. Risk factors and outcome of COVID-19 in patients with hematological malignancies. Exp. Hematol. Oncol. 2020; 9:21. https://doi.org/10.1186/s40164-020-00177-zLiang W., Guan W., Chen R., Wang W., Li J., Xu K., Li C., Ai Q., Lu W., Liang H., Li S., He J. Cancer patients in SARS-CoV-2 infection: a nationwide analysis in China // Lancet Oncol. 2020. Vol.21, Iss.3. P.335‒377. https://doi.org/10.1016/S1470-2045(20)30096-6Liang W., Guan W., Chen R., Wang W., Li J., Xu K., Li C., Ai Q., Lu W., Liang H., Li S., He J. Cancer patients in SARS-CoV-2 infection: a nationwide analysis in China. Lancet Oncol. 2020; 21(3):335‒377. https://doi.org/10.1016/S1470-2045(20)30096-6Зинченко А.В., Лим В.С., Крюков Е.В., Казаков С.П., Игнатьева Е.В., Рукавицын О.А. СOVID-19 в гематологическом стационаре, течение и исходы // Гематология. Трансфузиология. Восточная Европа. 2021. Т.7, №2. С.131–141. EDN: SAURGI. https://doi.org/10.34883/PI.2021.7.2.001Zinchenko A.V., Lim V.S., Kryukov E.V., Kazakov S.P., Ignatieva E.V., Rukavitsyn O.A. [СOVID-19 in the hematological hospital, course and outcomes]. Hematology. Transfusiology. Eastern Europe 2021; 7(2):131–141 (in Russian). https://doi.org/10.34883/PI.2021.7.2.001Гривков Л.А., Шахгельдян К.И., Гельцер Б.И., Котельников В.Н., Апанасевич В.И. Методы машинного обучения в прогнозировании рецидивов базальноклеточного рака кожи после фотодинамической терапии // Тихоокеанский медицинский журнал. 2022. №2(88). Р.54–59. EDN: GUIWTI. https://doi.org/10.34215/1609-1175-2022-2-54-59Grivkov L.A., Shahgeldyan K.I., Geltser B.I., Kotelnikov V.N., Apanasevich V.I. [Machine learning methods in prediction of basal cell skin cancer recurrence after photodynamic therapy]. Pacific Medical Journal 2022; (2):54–59 (in Russian). https://doi.org/10.34215/1609-1175-2022-2-54-59Баширов А.Н.,Воронов В.И. Прогнозирование вероятности возникновения бронхиальной астмы у детей с применением алгоритма случайного леса // Современные наукоемкие технологии. 2019. №12-2. С.249–255. EDN: ZTDCCD. https://doi.org/10.17513/snt.37867Bashirov A.N.,Voronov V.I. [Prediction of the probability of occurrence of bronchial asthma in children with the use of the random forest algorithm]. Sovremennye naukoemkie tehnologii = Modern High Technologies 2019; (12-2):249–255. https://doi.org/10.17513/snt.37867Ившин А.А., Багаудин Т.З., Гусев А.В. Искусственный интеллект на страже репродуктивного здоровья:этнические и клинические особенности // Акушерство и гинекология. 2021. №5. C.17–24. EDN: MMMTKH. https://doi.org/10.18565/aig.2021.5.17-24Ivshin A.A., Bagaudin T.Z., Gusev A.V. [Artificial intelligence on guard of reproductive health]. Akusherstvo i Ginekologiya/Obstetrics and Gynecology 2021; (5):17–24 (in Russian). https://doi.org/10.18565/aig.2021.5.17-24Hafiz P., Nematollahi M., Boostani R., Namavar Jahromi B. Predicting implantation outcome of in vitro fertilization and intracytoplasmic sperm injection using data mining techniques // Int. J. Fertil. Steril. 2017. Vol.11, Iss.3. P.184−190. https://doi.org/10.22074/ijfs.2017.4882Hafiz P., Nematollahi M., Boostani R., Namavar Jahromi B. Predicting implantation outcome of in vitro fertilization and intracytoplasmic sperm injection using data mining techniques. Int. J. Fertil. Steril. 2017; 11(3):184−190. https://doi.org/10.22074/ijfs.2017.4882Yoruk U., Hargraves B.A., Vasanawala S.S. Automatic Renal Segmentation for MR Urography Using 3D-GrabCut and Random Forests // Magn. Reson. Med. 2017. Vol.79, Iss.3. P.1696−1707. https://doi.org/10.1002/mrm.26806Yoruk U., Hargraves B.A., Vasanawala S.S. Automatic Renal Segmentation for MR Urography Using 3D-GrabCut and Random Forests. Magn. Reson. Med. 2017; 79(3):1696−1707. https://doi.org/10.1002/mrm.26806Wang H.L., Hsu W.Y., Lee M.H.,Weng H.H., Chang S.W., Yang J.T., Tsai Y.H. Automatic machine-learning-based outcome prediction in patients with primary intracerebral hemorrhage // Front. Neurol. 2019. Vol.10: Article number: 910. https://doi.org/10.3389/fneur.2019.00910Wang H.L., Hsu W.Y., Lee M.H.,Weng H.H., Chang S.W., Yang J.T., Tsai Y.H. Automatic machine-learning-based outcome prediction in patients with primary intracerebral hemorrhage. Front. Neurol. 2019; 10:910. https://doi.org/10.3389/fneur.2019.00910Мелик-Гусейнов Д.В., Карякин Н.Н., Благонравова А.С., Климко В.И., Баврина А.П., Другова О.В., Саперкин Н.В., Ковалишена О.В. Регрессионные модели прогнозирования количества летальных исходов при новой коронавирусной инфекции // Современные технологии в медицине. 2020. Т.12, №2. С.6–13. EDN: GUXMYH. https://doi.org/10.17691/stm2020.12.2.01Melik-Huseynov D.V., Karyakin N.N., Blagonravova A.S., Klimko V.I., Bavrina A.P., Drugova O.V., Saperkin N.V., Kovalishena О.V. Regression Models Predicting the number of deaths from the new coronavirus infection. Sovremennye tehnologii v medicine 2020; 12(2):6–13. https://doi.org/10.17691/stm2020.12.2.01Vaid A., Somani S., Russak A.J., De Freitas J.K., Chaudhry F.F., Paranjpe I., Johnson K.W., Lee S.J., Miotto R., Richter F., Zhao S., Beckmann N.D., Naik N., Kia A., Timsina P., Lala A., Paranjpe M., Golden E., Danieletto M., Singh M., Bottinger E.P., Nadkarni G.N., Glicksberg B.S., Percha B., Aberg J.A., Horowitz C.R. et al. Machine Learning to Predict Mortality and Critical Events in a Cohort of Patients With COVID-19 in New York City: Model Development and Validation // J. Med. Internet Res. 2020. Vol.22, Iss.11. Article number: e24018. EDN: AWUCQB. https://doi.org/10.2196/24018Vaid A., Somani S., Russak A.J., De Freitas J.K., Chaudhry F.F., Paranjpe I., Johnson K.W., Lee S.J., Miotto R., Richter F., Zhao S., Beckmann N.D., Naik N., Kia A., Timsina P., Lala A., Paranjpe M., Golden E., Danieletto M., Singh M., Bottinger E.P., Nadkarni G.N., Glicksberg B.S., Percha B., Aberg J.A., Horowitz C.R. et al. Machine Learning to Predict Mortality and Critical Events in a Cohort of Patients With COVID-19 in New York City: Model Development and Validation. J. Med. Internet Res. 2020; 22(11): e24018. https://doi.org/10.2196/24018Yan L., Zhang H., Goncalves J., Xiao Ya., Wang M., Guo Yu., Sun Ch., Tang X., Jing L., Zhang M., Huang X., Xiao Y., Cao H., Chen Ya., Ren T., Wang F., Xiao Ya., Huang S., Tan X., Huang N. et al. An interpretable mortality prediction model for COVID-19 patients // Nat. Mach. Intell. 2020. Vol.2, Iss.5. P.283−288. EDN: UIKCVM. https://doi.org/10.1038/s42256-020-0180-7Yan L., Zhang H., Goncalves J., Xiao Ya., Wang M., Guo Yu., Sun Ch., Tang X., Jing L., Zhang M., Huang X., Xiao Y., Cao H., Chen Ya., Ren T., Wang F., Xiao Ya., Huang S., Tan X., Huang N. et al. An interpretable mortality prediction model for COVID-19 patients. Nat. Mach. Intell. 2020; 2(5):283−288. https://doi.org/10.1038/s42256-020-0180-7Авдеев С.Н., Царева Н.А., Мержоева З.М., Трушенко Н.В., Ярошецкий А.И. Практические рекомендации по кислородотерапии и респираторной поддержке пациентов с COVID-19 на дореанимационном этапе // Пульмонология. 2020. Т.30, №2. С.151–163. EDN: FINWPJ. https://doi.org/10.18093/0869-0189-2020-30-2-151-163Avdeev S.N., Tsareva N.N., Merzhoeva Z.M., Trushenko N.V., Yaroshetskiy A.I. [Practical guidance for oxygen treatment and respiratory support of patients with COVID-19 infection before admission to intensive care unit]. Pulmonologiya 2020; 30(2):151–163 (in Russian). https://doi.org/10.18093/0869-0189-2020-30-2-151-163

The authors declare that there are no conflicts of interest present.