medalphabetМедицинский алфавитMedical alphabet2078-56312949-2807ООО «Альфмед»10.33667/2078-5631-2025-16-12-20medalphabet-4479Research ArticleСтатьиОценка риска развития средней и тяжелой степени тяжести пневмонии при COVID‑19 методами машинного обученияAssessing the risk of developing moderate and severe pneumonia in COVID‑19 patients using machine learning methodshttps://orcid.org/0000-0002-5586-3503СенькоО.  В.SenkoO. V.

Сенько Олег Валентинович, д.ф.- м.н., профессор, старший научный сотрудник научной группы математических методов и эпидемиологического прогнозирования; ведущий научный сотрудник

Москва

Senko Oleg V., Dr Physical and Mathematical Sci, professor, senior researcher at Scientific Group of Mathematical Methods and Epidemiological Forecasting; leading researcher

Moscow

senkoov@mail.ruhttps://orcid.org/0000-0003-2705-1935КузнецоваА.  В.KuznetsovaA.  V.

Кузнецова Анна Викторовна, к.б.н., старший научный сотрудник лаборатории математической биофизики

Москва

Kuznetsova Anna V., PhD Bio Sci, senior researcher at Laboratory of Mathematical Biophysics

Moscow

azforus@yandex.ruДеминаИ.  А.DeminaI. A.

Демина Ирина Алексеевна, лаборант-исследователь; врач

Москва

Demina Irina A., laboratory assistant-researcher; physician

Moscow

doctor.demira@gmail.comhttps://orcid.org/0000-0001-5925-7757ВоронинЕ. М.VoroninE. M.

Воронин Евгений Михайлович, к.м.н., руководитель научной группы математических методов и эпидемиологического прогнозирования

Москва

Voronin Evgeny M., PhD Med, head of Scientific Group of Mathematical Methods and Epidemiological Forecasting

Moscow

emvoronin@yandex.ruhttps://orcid.org/0000-0002-3612-1889ПлоскиреваА.  А.PloskirevaA.   A.

Плоскирева Антонина Александровна, профессор РАН, д.м.н., заместитель директора по клинической работе

Москва

Ploskireva Antonina A., RAS professor, DM Sci (habil.), deputy director for Clinical Work

Moscow

antoninna@mail.ruhttps://orcid.org/0009-0001-3560-7676ПосынкинаЮ.  Р.PosynkinaI. R.

Посынкина Юлия Романовна, младший научный сотрудник научной группы математических методов и эпидемиологического прогнозирования

Москва

Posynkina Iuliia R., junior researcher at Scientific Group of Mathematical Methods and Epidemiological Forecasting

Moscow

yulya.melnichenko98@gmail.comhttps://orcid.org/0000-0003-4228-9044АкимкинВ. Г.AkimkinV. G.

Акимкин Василий Геннадьевич, академик РАН, д.м.н., профессор, директор

Москва

Akimkin Vasily G., RAS academician, DM Sci (habil.), professor, director

Moscow

ФБУН «Центральный научно-исследовательский институт эпидемиологии» Роспотребнадзора; Федеральный исследовательский центр «Информатика и управление» Российской академии наукРоссияCentral Research Institute of Epidemiology; Federal Research Center “Computer Science and Control” of Russian Academy of SciencesRussian FederationФГБУН «Институт биохимической физики имени Н.М. Эмануэля» Российской академии наукРоссияEmanuel Institute of Biochemical Physics of Russian Academy of SciencesRussian FederationФБУН «Центральный научно-исследовательский институт эпидемиологии» Роспотребнадзора; ГБУЗ «Московский многопрофильный научно-клинический центр имени С.П. Боткина» Департамента здравоохранения города МосквыРоссияCentral Research Institute of Epidemiology; Moscow Multidisciplinary Scientific and Clinical Center n.a. S.P. Botkin (Botkin hospital)Russian FederationФБУН «Центральный научно-исследовательский институт эпидемиологии» РоспотребнадзораРоссияCentral Research Institute of EpidemiologyRussian Federation202529072025016Эпидемиология, гигиена, инфекционные болезни (1)1220Copyright © Сенько О.В., Кузнецова А.В., Демина И.А., Воронин Е.М., Плоскирева А.А., Посынкина Ю.Р., Акимкин В.Г., 20252025Сенько О.В., Кузнецова А.В., Демина И.А., Воронин Е.М., Плоскирева А.А., Посынкина Ю.Р., Акимкин В.Г.Senko O.V., Kuznetsova A.V., Demina I.A., Voronin E.M., Ploskireva A. ., Posynkina I.R., Akimkin V.G.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.med-alphabet.com/jour/article/view/4479

Работа посвящена разработке компьютерного метода оценки степени тяжести течения пневмонии, являющейся осложнением при COVID‑19, по наборам клинико-лабораторных показателей методами машинного обучения (МО). Работа состояла в исследовании возможности предсказания с использованием МО градации степени тяжести течения пневмонии, основанной на результатах компьютерной томографии (КТ). Сравнивались группы из 31 пациента со средней или тяжелой степенью пневмонии (КТ2 – КТ4) и 113 пациентов без пневмонии или с легкой степенью тяжести пневмонии (КТ0 – КТ1). База данных включала 105 клинико-лабораторных показателей. Для сравнения групп применили стандартные непараметрические критерии χ² и критерий Манна-Уиттни (U-тест) c коррекцией на множественное тестирование по Холма– Бонферрони. Наряду с традиционными статистическими методами использовался также оригинальный метод интеллектуального анализа данных, позволяющий статистически обоснованно выделятьинформативные интервалы значений показателей. Для прогнозирования градаций степени тяжести течения пневмонии использовался набор методов МО, включавший наряду с широко известными методами также и оригинальную разработку. В исследованиях использовался программный комплекс Data Master Azforus. Исследование подтвердило возможность прогнозирования результатов оценок степени тяжести течения на основе КТ по клинико-лабораторным показателям с использованием методов машинного обучения. При этом эффективность прогноза по ROC AUC составила около 0,9. Внедрение модели в практику будет способствовать улучшению точности и оперативности диагностики тяжелого течения пневмонии.

The work is devoted to the development of a computer method for assessing the severity of pneumonia, which is a complication of COVID‑19, based on sets of clinical and laboratory indicators using machine learning (ML) methods. The work consisted of investigating the possibility of predicting using ML the computed tomography (CT) grade of severity of pneumonia. Groups of 31 patients with moderate or severe pneumonia (CT2–CT4) and 113 patients without pneumonia or with mild pneumonia (CT0–CT1) were compared. The database included 105 clinical and laboratory parameters. To compare groups, standard nonparametric χ² tests and the Mann-Whitney test (U-test) with Bonferroni-Holm correction for multiple testing were used. Along with traditional statistical methods, an original method of data mining was also used, allowing statistically sound identification of informative intervals of indicator values. To predict severity gradations, a set of ML methods was used, which included, along with widely known methods, also an original development. The research used the Data Master Azforus software package. The study confirmed the possibility of predicting the results of CT based severity grades by clinical and laboratory indicators using machine learning methods. The forecast efficiency according to ROC AUC was about 0.9. The introduction of the model into practice will help improve the accuracy and efficiency of diagnosing severe pneumonia.

COVID 19пневмониятяжесть течениякомпьютерная томографиямашинное обучениеинтеллектуальный анализ данныхCOVID 19pneumoniaseveritycomputed tomographymachine learningdata miningReferencesБиличенко Т.Н. Факторы риска, иммунологические механизмы и биологические маркеры тяжелого течения COVID 19 (обзор исследований). РМЖ. Медицинское обозрение. 2021. Т. 5, № 5. С. 237–244. DOI: http://doi.org/10.32364/2587 6821 2021 5 5 237 244Bilichenko T.N. Risk factors, immunological mechanisms and biological markers of severe COVID 19 (review of studies). RMZh. Medical Review. 2021. Vol. 5, No. 5. P. 237–244. (In Russ.). DOI: http://doi.org/10.32364/2587 6821 2021 5 5 237 244Кудрявцев 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. Т. 102, № 5. C. 296–303. https://doi.org/10.20862/0042 4676 2021 102 5 296 303Kudryavtsev Yu.S., Beregov M.M., Berdalin A.B., Lelyuk V.G. Comparison of the main scales for assessing the severity of lung damage in COVID 19 based on computed tomography data and assessment of their prognostic value. Bulletin of Roentgenology and Radiology. 2021. Vol. 102, No. 5. P. 296–303. (In Russ.). https://doi.org/10.20862/0042 4676 2021 102 5 296 303Hemraj K.S., Jacob M.J., Kotian V., Sachin D.K., Geetha R.G., & Veliath L.B. Correlation of CT Severity Index with Clinical Severity of COVID 19 Pneumonia and it’s Relation to Disease Outcome // Journal of Advances in Medicine and Medical Research. 2022. Vol. 34, № 12. P. 16–26. https://doi.org/10.9734/jammr/2022/v34i1231369Hemraj K.S., Jacob M.J., Kotian V., Sachin D.K., Geetha R.G., & Veliath L.B. Correlation of CT Severity Index with Clinical Severity of COVID 19 Pneumonia and it’s Relation to Disease Outcome // Journal of Advances in Medicine and Medical Research. 2022. Vol. 34, № 12. P. 16–26. https://doi.org/10.9734/jammr/2022/v34i1231369Inoue A., Takahashi H., Ibe T. et al. Comparison of semiquantitative chest CT scoring systems to estimate severity in coronavirus disease 2019 (COVID 19) pneumonia // Eur Radiol. 2022. Vol. 32, P. 3513–3524. https://doi.org/10.1007/s00330 021 08435 2Inoue A., Takahashi H., Ibe T. et al. Comparison of semiquantitative chest CT scoring systems to estimate severity in coronavirus disease 2019 (COVID 19) pneumonia // Eur Radiol. 2022. Vol. 32, P. 3513–3524. https://doi.org/10.1007/s00330 021 08435 2Almasi N.A., Shahnazari R., Abbasi M.A., Divsalar F., Bayazidi M., Sadatnaseri A. CT severity score in COVID 19 patients, assessment of performance in triage and outcome prediction: a comparative study of different methods // Egypt. J. Radiol. Nucl. Med. 2022. Vol. 53, № 1. P. 116. https://doi:10.1186/s43055 022 00781 5 Epub. 2022 May 18. PMCID: PMC9116070.Almasi N.A., Shahnazari R., Abbasi M.A., Divsalar F., Bayazidi M., Sadatnaseri A. CT severity score in COVID 19 patients, assessment of performance in triage and outcome prediction: a comparative study of different methods // Egypt. J. Radiol. Nucl. Med. 2022. Vol. 53, № 1. P. 116. https://doi:10.1186/s43055 022 00781 5 Epub. 2022 May 18. PMCID: PMC9116070.Szabó M., Kardos Z., Kostyál L., Tamáska P., Oláh C., Csánky E. and Szekanecz Z. The importance of chest CT severity score and lung CT patterns in risk assessment in COVID 19- associated pneumonia: a comparative study // Front. Med. 2023. Vol. 10. P. 1125530. https://doi:10.3389/fmed.2023.1125530Szabó M., Kardos Z., Kostyál L., Tamáska P., Oláh C., Csánky E. and Szekanecz Z. The importance of chest CT severity score and lung CT patterns in risk assessment in COVID 19- associated pneumonia: a comparative study // Front. Med. 2023. Vol. 10. P. 1125530. https://doi:10.3389/fmed.2023.1125530Морозов С.П., Гомболевский В. А., Чернина В.Ю. и др. Прогнозирование летальных исходов при COVID 19 по данным компьютерной томографии органов грудной клетки // Туберкулез и болезни легких. 2020. Т. 98, № 6. С. 7–14. https://doi.org/10.21292/2075 1230 2020 98 6 7 14.Morozov S.P., Gombolevsky V.A., Chernina V. Yu. et al. Prediction of fatal outcomes in COVID 19 based on chest computed tomography data // Tuberculosis and lung diseases. 2020. Vol. 98, No. 6. P. 7–14. (In Russ.). https://doi.org/10.21292/207 5 1230 2020 98 6 7 14Мелехов 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. Т. 11, № 6. С. 447–456. https://doi.org/10.20514/2226 6704 2021 11 6 447 456.Melekhov A. V., Saifullin M. A., Petrovichev V. S., Agaeva A. I., Golubykh K. Yu., Nikitin I.G. Comparison of computed tomography data with outcomes, clinical and laboratory characteristics of patients with COVID 19 // Archives of Internal Medicine. 2021. Vol. 11, No. 6. P. 447–456. (In Russ.). https://doi.org/10.20514/222 6 6704 2021 11 6 447 456Sharma S, Aggarwal A, Sharma RK, Patras E, Singhal A. Correlation of chest CT severity score with clinical parameters in COVID 19 pulmonary disease in a tertiary care hospital in Delhi during the pandemic period // Egypt J Radiol Nucl Med. 2022. Vol. 53, № 1. P. 166. DOI: 10.1186/s43055–022–00832-x. Epub 2022 Jul 28. PMCID: PMC9330926.Sharma S, Aggarwal A, Sharma RK, Patras E, Singhal A. Correlation of chest CT severity score with clinical parameters in COVID 19 pulmonary disease in a tertiary care hospital in Delhi during the pandemic period // Egypt J Radiol Nucl Med. 2022. Vol. 53, № 1. P. 166. DOI: 10.1186/s43055–022–00832-x. Epub 2022 Jul 28. PMCID: PMC9330926.Wang D, Willis DR, Yih Y. The pneumonia severity index: Assessment and comparison to popular machine learning classifiers // Int J Med Inform. 2022. Jul, Vol. 163, P. 104778. DOI: 10.1016/j.ijmedinf.2022.104778. Epub 2022 Apr 26. PMID: 35487075.Wang D, Willis DR, Yih Y. The pneumonia severity index: Assessment and comparison to popular machine learning classifiers // Int J Med Inform. 2022. Jul, Vol. 163, P. 104778. DOI: 10.1016/j.ijmedinf.2022.104778. Epub 2022 Apr 26. PMID: 35487075.Holm, S. A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics. 1979. Vol. 6. № 2. P. 65–70. JSTOR4615733. MR0538597 12. Senko O.V., Kuznetsova A.V., Matveev I.A., Litvinchev I.S. Chapter 8 – Search of regularities in data: optimality, validity, and interpretability, Editor(s): Pandian Vasant, Joshua Thomas, Elias Munapo, Gerhard-Wilhelm Weber, Advances of Artificial Intelligence in a Green Energy Environment, Academic Press, 2022, P. 151–171.Holm, S. A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics. 1979. Vol. 6. № 2. P. 65–70. JSTOR4615733. MR0538597 12. Senko O.V., Kuznetsova A.V., Matveev I.A., Litvinchev I.S. Chapter 8 – Search of regularities in data: optimality, validity, and interpretability, Editor(s): Pandian Vasant, Joshua Thomas, Elias Munapo, Gerhard-Wilhelm Weber, Advances of Artificial Intelligence in a Green Energy Environment, Academic Press, 2022, P. 151–171.Сенько О.В., Кузнецова А.В., Воронин Е.М., Кравцова О.А., Борисова Л.Р., Кирилюк И.Л., Акимкин В.Г. Методы интеллектуального анализа данных в исследованиях эпидемии COVID –19. Журн. Белорус. гос. ун-та. Матем. Инф. 2022. Vol. 1. P. 83–96.Senko O.V., Kuznetsova A.V., Voronin E.M., Kravtsova O.A., Borisova L.R., Kirilyuk I.L., Akimkin V.G. Methods of data mining in COVID 19 epidemic research. J. of Belarusian State University. Mat. Inf. 2022. Vol. 1, pp. 83–96. (In Russ.).Cox D.R. The regression analysis of binary sequences (with discussion). J R Stat Soc B. 1958; 20(2):215–242. https://doi.org/10.1111/j.2517–6161.1958.tb00292.xCox D.R. The regression analysis of binary sequences (with discussion). J R Stat Soc B. 1958; 20(2):215–242. https://doi.org/10.1111/j.2517–6161.1958.tb00292.xCortes C., Vapnik V. Support-Vector Networks. Machine Learning, 20, 273–297 (1995) DOI: 10.1007/BF00994018Cortes C., Vapnik V. Support-Vector Networks. Machine Learning, 20, 273–297 (1995) DOI: 10.1007/BF00994018Hastie, T., Tibshirani R., Friedman J.. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed.– Springer-Verlag, 2009. ISBN978 0 387 84857 0.Hastie, T., Tibshirani R., Friedman J.. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed.– Springer-Verlag, 2009. ISBN978 0 387 84857 0.Friedman, J. H. (2002). Stochastic gradient boosting. Comput. Stat. Data Anal., 38 (4): 367–378.Friedman, J. H. (2002). Stochastic gradient boosting. Comput. Stat. Data Anal., 38 (4): 367–378.Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22Nd ACM SIGKDD International Conference on Knowl- edge Discovery and Data Mining, KDD ’16, pages 785–794, New York, NY, USA. ACM.Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22Nd ACM SIGKDD International Conference on Knowl- edge Discovery and Data Mining, KDD ’16, pages 785–794, New York, NY, USA. ACM.Kuznetsova, A.V., Kostomarova I.V., Senko O.V. Modification of the method of optimal valid partitioning for comparison of patterns related to the occurrence of ischemic stroke in two groups of patients. Pattern Recognition and Image Analysis 24 (1), 114–123Kuznetsova, A.V., Kostomarova I.V., Senko O.V. Modification of the method of optimal valid partitioning for comparison of patterns related to the occurrence of ischemic stroke in two groups of patients. Pattern Recognition and Image Analysis 24 (1), 114–123Гулиев Р. Р., Сенько О. В. и др. Применение оптимальных разбиений для многопараметрического анализа данных в клинических исследованиях. Математическая биология и биоинформатика 2016. Т. 11. № 1. С. 46–63. DOI: 10.17537/2016.11.46.Guliev R.R., Senko O.V., et al. Application of optimal partitions for multiparameter data analysis in clinical trials. Mathematical biology and bioinformatics 2016. Vol. 11. No. 1. P. 46–63. (In Russ.). DOI: 10.17537/2016.11.46Zweig, Mark H.; Campbell, Gregory (1993). Receiver-operating characteristic (ROC) plots: a fundamental evaluation tool in clinical medicine. Clinical Chemistry. 39 (8): 561–577. DOI: 10.1093/clinchem/39.4.561. PMID8472349.Zweig, Mark H.; Campbell, Gregory (1993). Receiver-operating characteristic (ROC) plots: a fundamental evaluation tool in clinical medicine. Clinical Chemistry. 39 (8): 561–577. DOI: 10.1093/clinchem/39.4.561. PMID8472349.

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