Модель прогнозирования тяжести течения и исхода COVID-19 у пациентов с сахарным диабетом и ожирением, созданная на основе методов искусственного интеллекта

Обоснование. Сахарный диабет 2 типа и ожирение являются, по данным ВОЗ, неинфекционными эпидемиями XXI в.
В 2020 г. мировое сообщество ожидало развитие пандемии COVID-19, которое стало эпидемией инфекционного генеза.
В текущее время сформировалась необходимость выявления факторов риска тяжелого течения и высокой летальности у одной из самых уязвимых групп населения с метаболическими нарушениями (СД и ожирение) с целью улучшения прогноза COVID-19.
Цель исследования: разработать модель прогнозирования тяжести течения и исхода COVID-19 у пациентов с СД и ожирением для оптимизации диагностической/лечебной тактики.
Методы. Исследование проводилось по двум направлениям: ретроспективный анализ и проспективная часть. Ретроспективный анализ включал 645 пациентов с COVID-19 (женщин – 58,6%, мужчин – 41,4%). Средний возраст больных составил 63,6±0,9 года. СД и ожирение встречались в 48,8% (n=315) и 45,5% (n=290) случаев соответственно. Для выявления особенностей клинического течения и предикторов неблагоприятного прогноза COVID-19 все пациенты были разделены на две группы: 1-я группа – с выздоровлением (n=443), 2-я группа – с неблагоприятным исходом (n=202), между которыми был проведен сравнительный анализ. Для разработки модели прогнозирования с использованием методов искуственного интеллекта (ИИ) реализовано несколько видов алгоритмов на основе машинного обучения (МО), среди которых выбрана логистическая регрессия. Регрессионный анализ позволил классифицировать больных на две группы. Класс 0 – отсутствие риска неблагоприятного исхода и класс 1 – высокий риск неблагоприятного исхода. В проспективную часть вошли 130 пациентов, которые составили валидационную выборку для нашего исследования. Все пациенты были распределены по степени тяжести COVID-19, оценены демографические, клинико-анамнестические, лабораторные и инструментальные данные из архивных историй болезни.
Результаты. Был проведен анализ с помощью четырех основных алгоритмов МО: логистическая регрессия, случайный лес, метод опорных векторов, градиентный бустинг. Модель логистической регрессии была выбрана для дальнейшего использования в данной задаче, т.к. она показала наивысшие результаты по всем ключевым метрикам, включая точность, полноту и ROC-AUC. Набор основных параметров представлен следующими признаками: пол, возраст, день от начала заболевания, антропометрические данные (масса тела, рост), на основе которых рассчитывается автоматически индекс массы тела (ИМТ), сопутствующие заболевания (СД, ишемическая болезнь сердца, артериальная гипертензия, хроническая болезнь почек, хроническая обструктивная болезнь легких, бронхиальная астма), принимаемые препараты (инсулинотерапия, пероральные сахароснижающие препараты, глюкокортикостероиды) и лабораторные показатели (уровни глюкозы, креатинина, холестерина, мочевой кислоты, интерлейкина-6, лейкоцитов, Д-диммера, общего белка, креатинина, мочевины, аспартатаминотрансферазы, протромбиновый индекс, С-реактивный белок) и параметры дыхательной функции (МСКТ органов грудной клетки, ЧДД, SpO2). На основании введения этих данных модель прогнозирует вероятный исход (благоприятный/неблагоприятный). После валидизации в проспективной части исследования наша модель ИИ с вероятностью 96% предсказывает риск неблагоприятного исхода.
Заключение. Разработанная прогностическая модель позволяет предупредить неблагоприятное течение COVID-19 благодаря своевременной оценке тяжести состояния и оптимизации тактики лечения у самой уязвимой группы пациентов с метаболическими нарушениями.

Обоснование

Неожиданный новый удар ждал экономику, медицину и, в принципе, все сферы жизни мирового сообщества в начале 2020 г. Он ознаменовался развитием пандемии новой коронавирусной инфекции (НКИ, COVID-19). Было зарегистрировано свыше 761 млн случаев заболевания по всему миру, подтверждено более 6,9 млн летальных исходов [1], что сделало пандемию COVID-19 одной из самых смертоносных в истории [2]. Разумеется, имеются факторы, способствовавшие распространению COVID-19, и их изучение стало жизненно необходимым для уменьшения бремени пандемии. К таким факторам были отнесены такие сопутствующие заболевания, как артериальная гипертензия (АГ), СД, ожирение и хронические заболевания легких [3–5]. Кризис здравоохранения после COVID-19 привел к необходимости разработки новых методов диагностики и подходов к ведению уязвимых групп пациентов, которыми являются пациенты с метаболическими заболеваниями. Таким образом, разработка и клиническая апробация методов ранней оценки неблагоприятного исхода у инфицированных больных – важная задача для оптимизации лечебной тактики [6].

Одним из важных направлений исследований в этом вопросе является использование методов машинного обучения (МО). В настоящее время это активное направление исследований. Во время пандемии были собраны большие объемы данных о пациентах, которые могут быть полезны для прогностического моделирования [7]. Использование именно МО может генерировать точные и специфичные для конкретного пациента прогнозы и помогать врачам [8]. Предыдущие исследования включают исследования внутрибольничной смертности с использованием логистической регрессии всего на 191 пациенте [9] и с последующей многоцентровой проверкой с 299 пациентами для внутреннего обучения и 145 пациентами для внешней проверки. A.M. Alaa et al. изучали прогнозы смертности от всех причин на основе также регрессионных методов со временем госпитализации в качестве предиктора и с использованием моделей риска, однако их результаты также были ограничены из-за небольшого набора данных, ограничивающего обобщаемость на всю популяцию инфицированных больных [10]. Как указывали в 2021 г. S.R. Knight и соавт. [11], прогностические модели, которые способны предсказывать результаты могут также использоваться и для принятия решений о тактике ведения/лечения и определения приоритетов. Одной из таких моделей является модель стратификации риска 4C, которая включает данные о сопутствующих заболеваниях пациента, рутинных лабораторных исследований [12]. Предыдущие исследования, рассматривающие алгоритмы на основе деревьев, такие как XGBoost, подчеркнули его способность хорошо изучать корреляции между ковариатами, когда речь идет о прогнозировании смертности у пациентов с COVID-19 [13, 14]. Все эти исследования использовали комбинацию демографических данных, сопутствующих заболеваний, симптомов, лабораторных тестов и сообщаемого самим пациентом времени начала заболевания.

Таким образом, оценки риска смертности от COVID-19 часто разрабатывались, как мы можем видеть, с использованием небольших нерепрезентативных выборок и методологических ограничений.

Цель исследования. Выявление предиктивных факторов, связанных с повышенной смертностью, и диагностических методов, которые могут улучшить прогноз. Также задачей исследования было разработать модель прогнозирования тяжести течения и исхода на основе методов искусственного интеллекта (ИИ) у пациентов с метаболическими нарушениями и COVID-19 для предложения дополнительного надежного инструмента для принятия врачебных решений.

Методы

Исследование проводилось в два этапа: ретроспективный анализ и проспективная часть. Ретроспективный анализ включал сбор данных архивных историй болезни 645 пациентов (женщин – 58,6%, мужчин – 41,4%; р=0,78) с COVID-19. Средний возраст больных составил 63,6±0,9 года. Для выявления особенностей клинического течения и предикторов неблагоприятного прогноза COVID-19 все пациенты были разделены на две группы: 1-я группа (n=443) – с выздоровлением, 2-я группа (n=202) – с неблагоприятным исходом, между которыми был проведен сравнительный анализ. СД и ожирение встречались в 48,8% (n=315) и 45,5% (n=290) случаев соответственно. Именно для этой группы пациентов анализировались основные параметры и были применены алгоритмы ИИ для прогнозирования неблагоприятного исхода. Научно-исследовательская работа проводилась в соответствии с положениями Хельсинской декларации Всемирной медицинской ассоциации «Рекомендации для врачей, занимающихся биомедицинскими исследованиями с участием людей».

Критерии включения в исследование: подписанное информированное соглас...

Арамисова Л.С., Журтова И.Б., Ахкубекова З.А.