Возможности методов интеллектуального анализа данных для оценки исходов COVID-19 у пациентов с заболеваниями системы крови

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.

1. Radakovich 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)30121-6

2. Weiss 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)90015-2

3. Sidey-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/s12874-019-0681-4

4. Гусев 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.2021.115

5. Sekeroglu 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/10.1177/1460458220983878

6. Лучинин А.С. Искусственный интеллект в гематологии // Клиническая онкогематология. 2022. Т.15, №1. С.16–27. EDN: ISVFJA. https://doi.org/10.21320/2500-2139-2022-15-1-16-27

7. Venkatesh 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-y

8. Piñana 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-z

9. Liang 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)30096-6

10. Зинченко 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.2021.7.2.001

11. Гривков 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/10.34215/1609-1175-2022-2-54-59

12. Баширов 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.37867

13. Ившин 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.2021.5.17-24

14. Hafiz 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.2017.4882

15. Yoruk 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.26806

16. Wang 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.2019.00910

17. Мелик-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/stm2020.12.2.01

18. Vaid 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/10.2196/24018

19. Yan 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/s42256-020-0180-7

20. Авдеев 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/10.18093/0869-0189-2020-30-2-151-163