Оценка риска развития средней и тяжелой степени тяжести пневмонии при COVID‑19 методами машинного обучения

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.

1. Биличенко 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 5 237 244

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. Т. 102, № 5. C. 296–303. https://doi.org/10.20862/0042 4676 2021 102 5 296 303

3. Hemraj 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/v34i1231369

4. Inoue 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 2

5. 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.

6. 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.2023.1125530

7. Морозов 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.

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. Т. 11, № 6. С. 447–456. https://doi.org/10.20514/2226 6704 2021 11 6 447 456.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.x

14. Cortes C., Vapnik V. Support-Vector Networks. Machine Learning, 20, 273–297 (1995) DOI: 10.1007/BF00994018

15. 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.

16. Friedman, J. H. (2002). Stochastic gradient boosting. Comput. Stat. Data Anal., 38 (4): 367–378.

17. 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.

18. 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), 114–123

19. Гулиев 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.

20. 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.