ntvНаучно-технический вестник информационных технологий, механики и оптикиScientific and Technical Journal of Information Technologies, Mechanics and Optics2226-14942500-0373Университет ИТМО10.17586/2226-1494-2022-22-5-970-981ntv-81Research ArticleКОМПЬЮТЕРНЫЕ СИСТЕМЫ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИCOMPUTER SCIENCEПрогнозирование летального исхода у пациентов с установленным диагнозом COVID-19Prediction of fatal outcome in patients with confirm COVID-19https://orcid.org/0000-0003-2343-9641КорсаковИ. Н.KorsakovI. N.

Корсаков Игорь Николаевич — кандидат физико-математических наук, специалист по информационному обеспечению

Санкт-Петербург, 197341

sc 57189603967

Igor N. Korsakov — PhD (Physics & Mathematics), IT Specialist

Saint Petersburg, 197341

sc 57189603967

korsakov_in@almazovcentre.ruhttps://orcid.org/0000-0002-1547-0123КароноваТ. Л.KaronovaT. L.

Каронова Татьяна Леонидовна — доктор медицинских наук, доцент, главный научный сотрудник, заведующий научно-исследовательской лабораторией, профессор кафедры

Санкт-Петербург, 197341

sc 55812730000

Tatiana L. Karonova — D. Sc. (Medicine), Associate Professor, Chief Researcher, Head of Laboratory, Chair Professor

Saint Petersburg, 197341

sc 55812730000

karonova@mail.ruhttps://orcid.org/0000-0001-8169-7812КонрадиА. О.KonradiA. O.

Конради Александра Олеговна — доктор медицинских наук, академик РАН, заместитель генерального директора по научной работе

Санкт-Петербург, 197341

sc 7004144504

Alexandra O. Konradi — D. Sc. (Medicine), Academician of the RAS, Deputy Director General for Research

Saint Petersburg, 197341

sc 7004144504

Konradi_ao@almazovcenter.ruhttps://orcid.org/0000-0001-5469-5635РубинА. Д.RubinA. D.

Рубин Аркадий Дмитриевич — доктор медицинских наук, доцент, директор Лечебно-реабилитационного комплекса

Санкт-Петербург, 197341

Arkadii D. Rubin — D. Sc. (Medicine), Associate Professor, Medical Director of the Treatment and Rehabilitation Facility

Saint Petersburg, 197341

rubin_ad@almazovcentre.ruhttps://orcid.org/0000-0002-2190-1495КурапеевД. И.KurapeevD. I.

Курапеев Дмитрий Ильич — кандидат медицинских наук, заместитель генерального директора по информационным технологиям

Санкт-Петербург, 197341

sc 57225231263

Dmitry I. Kurapeev — PhD (Medicine), Deputy CEO for Information Technology

Saint Petersburg, 197341

sc 57225231263

dkurapeev@gmail.comhttps://orcid.org/0000-0002-4878-6909ЧерниковаА. Т.ChernikovaA. T.

Черникова Алёна Тимуровна — младший научный сотрудник

Санкт-Петербург, 197341

Alena T. Chernikova — Junior Researcher

Saint Petersburg, 197341

arabicaa@gmail.comhttps://orcid.org/0000-0001-6066-3525МихайловаА. А.MikhaylovaA. A.

Михайлова Арина Алексеевна — ординатор кафедры

Санкт-Петербург, 197341

Arina A. Mikhaylova — Department Resident

Saint Petersburg, 197341

armikhaylova@yandex.ruhttps://orcid.org/0000-0003-2929-0980ШляхтоЕ. В.ShlyakhtoE. V.

Шляхто Евгений Владимирович — доктор медицинских наук, академик РАН, генеральный директор

Санкт-Петербург, 197341

sc 16317213100

Evgeny V. Shlyakhto — D. Sc. (Medicine), Academician of the RAS, Director General

Saint Petersburg, 197341

sc 16317213100

e.shlyakhto@almazovcentre.ruНациональный медицинский исследовательский центр им. В.А. АлмазоваРоссияAlmazov National Medical Research CentreRussian Federation202212122024225970981Copyright © Корсаков И.Н., Каронова Т.Л., Конради А.О., Рубин А.Д., Курапеев Д.И., Черникова А.Т., Михайлова А.А., Шляхто Е.В., 20242024Корсаков И.Н., Каронова Т.Л., Конради А.О., Рубин А.Д., Курапеев Д.И., Черникова А.Т., Михайлова А.А., Шляхто Е.В.Korsakov I.N., Karonova T.L., Konradi A.O., Rubin A.D., Kurapeev D.I., Chernikova A.T., Mikhaylova A.A., Shlyakhto E.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ntv.elpub.ru/jour/article/view/81Предмет исследования

Предмет исследования. Появление нового коронавируса SARS-CoV-2 является основой развития пандемии COVID-19. Пандемия привела к резкому росту нагрузки на системы здравоохранения высокой летальности и существенным трудностям в организации медицинской помощи. Для прогнозирования течения заболевания и определения показания к более агрессивному лечению предложено множество различных клинических и биологических маркеров. Однако не всегда клинико-лабораторная оценка состояния точно предсказывает развитие тяжелого течения болезни. В этом случае технологии, основанные на искусственном интеллекте, могут существенно влиять на оценку прогнозирования. Выполнен системный анализ факторов, влияющих на течение инфекционного заболевания у пациентов с диагностированным COVID-19, госпитализированных в стационар.

Метод

Метод. Предложенный подход основан на применении машинного обучения для прогнозирования летального исхода у пациентов с установленным диагнозом COVID-19. В основе подхода лежит анамнез пациента и клинические, лабораторные и инструментальные данные, полученные в первые 72 часа нахождения пациента в стационаре.

Основные результаты

Основные результаты. Алгоритм машинного обучения для прогнозирования летального исхода у пациентов с COVID-19 в течение 72 часов госпитализации продемонстрировал высокую чувствительность (0,816) и специфичность (0,865).

Практическая значимость

Практическая значимость. Созданный алгоритм может помочь улучшить оказание медицинской помощи пациентам, снизить смертность и свести к минимуму нагрузку на врачей во время пандемии COVID-19. При ограничении ресурсов в период пандемии, включая аппараты искусственной вентиляции легких, точное прогнозирование состояния пациентов с тяжелым течением и возможным летальным исходом может дать важные рекомендации для разделения групп пациентов и рационального распределении лечебных ресурсов.

SARS-CoV-2, the new coronavirus underlying the development of the COVID-19 pandemic, has led to a sharp increase in the burden on healthcare systems, high mortality and significant difficulties in organizing medical care. The aim of the study was to conduct a systematic analysis of factors affecting the course of infectious disease in patients with diagnosed COVID-19 hospitalized. In order to predict the course of the disease and determine the indications for more aggressive treatment, many different clinical and biological markers have been proposed, however, clinical and laboratory assessment of the condition is not always simple and can clearly predict the development of a severe course. Technologies based on artificial intelligence (AI) have played a significant role in predicting the development of the disease. One of the main requirements during a pandemic is an accurate prediction of the required resources and likely outcomes. In the present study, a machine learning (ML) approach is proposed to predict the fatal outcome in patients with an established diagnosis of COVID-19 based on the patient’s medical history and clinical, laboratory and instrumental data obtained in the first 72 hours of the patient’s stay in the hospital. A machine learning algorithm for predicting the lethal outcome in patients with COVID-19 during 72 hours of hospitalization demonstrated high sensitivity (0.816) and specificity (0.865). Given the serious concerns about limited resources, including ventilators, during the COVID-19 pandemic, accurately predicting patients who are likely to require artificial ventilation can help provide important recommendations regarding patient triage and resource allocation among hospitalized patients. In addition, early detection of such persons may allow for routine ventilation procedures, reducing some of the known risks associated with emergency intubation. Thus, this algorithm can help improve patient care, reduce patient mortality and minimize the burden on doctors during the COVID-19 pandemic.

машинное обучениематематическая модельклассификацияметрики моделиROC-анализриск-факторCOVID-19machine learningmathematical modelclassificationmodel metricsROC analysisrisk factorCOVID-19Исследование выполнено при финансовой поддержке Министерства науки и высшего образования Российской Федерации (Соглашение № 075-15-2022-301 от 20.04.2022).This work was financially supported by the Ministry of Science and Higher Education of the Russian Federation (Agreement No. 075-15-2022-301).ReferencesLee E.E., Hwang W., Song K.H., Jung J., Kang C.K., Kim J.H., Oh H.S., Kang Y.M., Lee E.B., Chin B.S., Song W., Kim N.J., Park J.K. Predication of oxygen requirement in COVID-19 patients using dynamic change of inflammatory markers: CRP, hypertension, age, neutrophil and lymphocyte (CHANeL) // Scientific Reports. 2021. V. 11. N 1. P. 13026. https://doi.org/10.1038/s41598-021-92418-2Lee E.E., Hwang W., Song K.H., Jung J., Kang C.K., Kim J.H., Oh H.S., Kang Y.M., Lee E.B., Chin B.S., Song W., Kim N.J., Park J.K. Predication of oxygen requirement in COVID-19 patients using dynamic change of inflammatory markers: CRP, hypertension, age, neutrophil and lymphocyte (CHANeL). Scientific Reports, 2021, vol. 11, no. 1, pp. 13026. https://doi.org/10.1038/s41598-021-92418-2Yu L., Halalau A., Dalal B., Abbas A.E., Ivascu F., Amin M., Nair G.B. Machine learning methods to predict mechanical ventilation and mortality in patients with COVID-19 // PLoS ONE. 2021. V. 16. N 4. P. e0249285. https://doi.org/10.1371/journal.pone.0249285Yu L., Halalau A., Dalal B., Abbas A.E., Ivascu F., Amin M., Nair G.B. Machine learning methods to predict mechanical ventilation and mortality in patients with COVID-19. PLoS One, 2021, vol. 16, no. 4, pp. e0249285. https://doi.org/10.1371/journal.pone.0249285Burdick H., Lam C., Mataraso S., Siefkas A., Braden G., Dellinger R.P., McCoy A., Vincent J.L., Green-Saxena A., Barnes G., Hoffman J., Calvert J., Pellegrini E., Das R. Prediction of respiratory decompensation in Covid-19 patients using machine learning: The READY trial // Computers in Biology and Medicine. 2020. V. 124. P. 103949. https://doi.org/10.1016/j.compbiomed.2020.103949Burdick H., Lam C., Mataraso S., Siefkas A., Braden G., Dellinger R.P., McCoy A., Vincent J.L., Green-Saxena A., Barnes G., Hoffman J., Calvert J., Pellegrini E., Das R. Prediction of respiratory decompensation in Covid-19 patients using machine learning: The READY trial. Computers in Biology and Medicine, 2020, vol. 124, pp. 103949. https://doi.org/10.1016/j.compbiomed.2020.103949Syeda H.B., Syed M., Sexton K.W., Syed S., Begum S., Syed F., Prior F., Yu F. Role of machine learning techniques to tackle the COVID-19 crisis: systematic review // JMIR Medical Informatics. 2021. V. 9. N 1. P. e23811. https://doi.org/10.2196/23811Syeda H.B., Syed M., Sexton K.W., Syed S., Begum S., Syed F., Prior F., Yu F. Role of machine learning techniques to tackle the COVID-19 crisis: systematic review. JMIR Medical Informatics, 2021, vol. 9, no. 1, pp. e23811. https://doi.org/10.2196/23811Jehi L., Ji X., Milinovich A., Erzurum S., Merlino A., Gordon S., Young J.B., Kattan M.W. Development and validation of a model for individualized prediction of hospitalization risk in 4,536 patients with COVID-19 // PloS ONE. 2020. V. 15. N 8. P. e0237419. https://doi.org/10.1371/journal.pone.0237419Jehi L., Ji X., Milinovich A., Erzurum S., Merlino A., Gordon S., Young J.B., Kattan M.W. Development and validation of a model for individualized prediction of hospitalization risk in 4,536 patients with COVID-19. PloS ONE, 2020, vol. 15, no. 8, pp. e0237419. https://doi.org/10.1371/journal.pone.0237419Moez Ali. PyCaret: An open source, low-code machine learning library in Python // PyCaret version 2.1. 2020 [Электронный ресурс]. URL: https://www.pycaret.org (дата обращения: 21.07.2022).Moez Ali. PyCaret: An open source, low-code machine learning library in Python. PyCaret version 2.1. 2020. Available at: https:// www.pycaret.org (accessed: 21.07.2022).Lundberg S.M., Erion G., Chen H., DeGrave A., Prutkin J.M., Nair B., Katz R., Himmelfarb J., Bansal N., Lee S.-I. From local explanations to global understanding with explainable AI for trees // Nature Machine Intelligence. 2020. V. 2. N 1. P. 56–67. https://doi.org/10.1038/s42256-019-0138-9Lundberg S.M., Erion G., Chen H., DeGrave A., Prutkin J.M., Nair B., Katz R., Himmelfarb J., Bansal N., Lee S.-I. From local explanations to global understanding with explainable AI for trees. Nature Machine Intelligence, 2020, vol. 2, no. 1, pp. 56–67. https://doi.org/10.1038/s42256-019-0138-9Chen H., Lundberg S.M., Lee S.I. Explaining models by propagating shapley values of local components // Studies in Computational Intelligence. 2021. V. 914. P. 261–270. https://doi.org/10.1007/978-3-030-53352-6_24Chen H., Lundberg S.M., Lee S.I. Explaining models by propagating shapley values of local components. Studies in Computational Intelligence, 2021, vol. 914, pp. 261–270. https://doi.org/10.1007/978-3-030-53352-6_24Linardatos P., Papastefanopoulos V., Kotsiantis S. Explainable ai: A review of machine learning interpretability methods // Entropy. 2021. V. 23. N 1. P. 18. https://doi.org/10.3390/e23010018Linardatos P., Papastefanopoulos V., Kotsiantis S. Explainable ai: A review of machine learning interpretability methods. Entropy, 2021, vol. 23, no. 1, pp. 18. https://doi.org/10.3390/e23010018Li X., Xiong H., Li X., Wu X., Zhang X., Liu J., Bian J., Dou D. Interpretable deep learning: interpretation, interpretability, trustworthiness, and beyond // Knowledge and Information Systems. 2022. in press. https://doi.org/10.1007/s10115-022-01756-8Li X., Xiong H., Li X., Wu X., Zhang X., Liu J., Bian J., Dou D. Interpretable deep learning: interpretation, interpretability, trustworthiness, and beyond. Knowledge and Information Systems, 2022, in press. https://doi.org/10.1007/s10115-022-01756-8Yang Y., Zhu X.F., Huang J., Chen C., Zheng Y., He W., Zhao L.H., Gao Q., Huang X.X., Fu L.J., Zhang Y., Chang Y.Q., Zhang H.J., Lu Z.J. Nomogram for prediction of fatal outcome in patients with severe COVID-19: a multicenter study // Military Medical Research. 2021. V. 8. N 1. P. 21. https://doi.org/10.1186/s40779-021-00315-6Yang Y., Zhu X.F., Huang J., Chen C., Zheng Y., He W., Zhao L.H., Gao Q., Huang X.X., Fu L.J., Zhang Y., Chang Y.Q., Zhang H.J., Lu Z.J. Nomogram for prediction of fatal outcome in patients with severe COVID-19: a multicenter study. Military Medical Research, 2021, vol. 8, no. 1, pp. 21. https://doi.org/10.1186/s40779-021-00315-6Zarei J., Jamshidnezhad A., Haddadzadeh Shoushtari M., Mohammad Hadianfard A., Cheraghi M., Sheikhtaheri A. Machine learning models to predict in-hospital mortality among inpatients with COVID-19: Underestimation and overestimation bias analysis in subgroup populations // Journal of Healthcare Engineering. 2022. P. 1644910. https://doi.org/10.1155/2022/1644910Zarei J., Jamshidnezhad A., Haddadzadeh Shoushtari M., Mohammad Hadianfard A., Cheraghi M., Sheikhtaheri A. Machine learning models to predict in-hospital mortality among inpatients with COVID-19: Underestimation and overestimation bias analysis in subgroup populations. Journal of Healthcare Engineering, 2022, pp. 1644910. https://doi.org/10.1155/2022/1644910Baker K.F., Hanrath A.T., van der Loeff I.S., Kay L.J., Back J., Duncan C.J. National early warning score 2 (NEWS2) to identify inpatient COVID-19 deterioration: a retrospective analysis // Clinical Medicine, Journal of the Royal College of Physicians of London. 2021. V. 21. N 2. P. 84–89. https://doi.org/10.7861/clinmed.2020-0688Baker K.F., Hanrath A.T., van der Loeff I.S., Kay L.J., Back J., Duncan C.J. National early warning score 2 (NEWS2) to identify inpatient COVID-19 deterioration: a retrospective analysis. Clinical Medicine, Journal of the Royal College of Physicians of London, 2021, vol. 21, no. 2, pp. 84–89. https://doi.org/10.7861/clinmed.2020-0688Kondapalli A.R., Koganti H., Challagundla S.K., Guntaka C., Biswas S. Machine learning predictions of COVID-19 second wave end-times in Indian states // Indian Journal of Physics. 2022. V. 96. N 8. P. 2547–2555. https://doi.org/10.1007/s12648-021-02195-xKondapalli A.R., Koganti H., Challagundla S.K., Guntaka C., Biswas S. Machine learning predictions of COVID-19 second wave end-times in Indian states. Indian Journal of Physics, 2022, vol. 96, no. 8, pp. 2547–2555. https://doi.org/10.1007/s12648-021-02195-xMahdavi M., Choubdar H., Zabeh E., Rieder M., Safavi-Naeini S., Jobbagy Z., Ghorbani A., Abedini A., Kiani A., Khanlarzadeh V., Lashgari R., Kamrani E. A machine learning based exploration of COVID-19 mortality risk // Plos ONE. 2021. V. 16. N 7. P. e0252384. https://doi.org/10.1371/journal.pone.0252384Mahdavi M., Choubdar H., Zabeh E., Rieder M., Safavi-Naeini S., Jobbagy Z., Ghorbani A., Abedini A., Kiani A., Khanlarzadeh V., Lashgari R., Kamrani E. A machine learning based exploration of COVID-19 mortality risk. Plos ONE. 2021, vol. 16, no. 7, pp. e0252384. https://doi.org/10.1371/journal.pone.0252384

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