Прогнозирование летального исхода у пациентов с установленным диагнозом COVID-19

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. 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. 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. 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.

1. Lee 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/s41598-021-92418-2

2. Yu 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.0249285

3. Burdick 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.2020.103949

4. Syeda 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/10.2196/23811

5. Jehi 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.0237419

6. Moez 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).

7. 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/s42256-019-0138-9

8. Chen 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_24

9. Linardatos 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/e23010018

10. Li 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/s10115-022-01756-8

11. Yang 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/s40779-021-00315-6

12. Zarei 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/10.1155/2022/1644910

13. Baker 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.2020-0688

14. Kondapalli 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-x

15. Mahdavi 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.0252384