Разработка прогностической модели угрозы неблагоприятного исхода COVID-19 у госпитализированных больных старших возрастных групп с использованием искусственного интеллекта

Обложка
  • Авторы: Кудрявцева Н.А.1, Чорбинская С.А.1, Девяткин А.В.1,2, Самушия М.А.1, Колпаков Е.А.1, Кузнецов А.И.3, Щепкина Е.В.4,5
  • Учреждения:
    1. ФГБУ ДПО «Центральная государственная медицинская академия» Управления делами Президента РФ
    2. ФГБУ «Центральная клиническая больница с поликлиникой» Управления делами Президента РФ
    3. ФГБОУ ВО «Московский авиационный институт (национальный исследовательский университет)»
    4. ФГБОУ ВПО «Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации»
    5. ГБУЗ «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
  • Выпуск: Том 10, № 7 (2024)
  • Страницы: 19-27
  • Раздел: ОРИГИНАЛЬНЫЕ ИССЛЕДОВАНИЯ
  • URL: https://journals.eco-vector.com/2412-4036/article/view/637455
  • DOI: https://doi.org/10.18565/therapy.2024.7.19-27
  • ID: 637455

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Высокие показатели смертности пациентов c COVID-19, госпитализированных в 2020–2022 гг., особенно среди больных старше 60 лет, определяют необходимость ранней диагностики заболевания COVID-19 и оценки риска развития осложнений и летального исхода с целью оказания своевременного лечения и проведения профилактических мер, обеспечивающих предотвращение неблагоприятных исходов заболевания.

Цель – разработать прогностическую модель с использованием искусственного интеллекта (машинное обучение) для прогнозирования неблагоприятного исхода у пожилых пациентов, госпитализированных с COVID-19 на начальной стадии заболевания.

Материал и методы. Проведено одноцентровое ретроспективное когортное исследование 263 больных, госпитализированных с COVID-19 с марта 2020 г. по декабрь 2022 г. Для построения модели прогнозирования использовалась множественная логистическая регрессия.

Результаты. В ходе многофакторного анализа из 200 различных показателей, полученных у больных COVID-19 в возрасте 60 лет и старше, было выделено 23 наиболее важных, ассоциированных с летальным исходом, которые в последующем были включены в модель прогнозирования неблагоприятного исхода: возраст, данные клинико-инструментального осмотра (термометрии, пульсоксиметрии и подсчета частоты дыхательных движений) с учетом полиморбидности (наличия определенных хронических заболеваний) и анамнестических данных (предшествующей антиковидной вакцинации, проводимой терапии на амбулаторном этапе). В ходе исследования разработана прогностическая модель оценки угрозы неблагоприятного исхода COVID-19. Точность предлагаемого метода на этапе разработки составила 80,4 [76,2; 84,6] %, чувствительность – 79,2 [72,6; 84,8] %, специфичность – 81,7 [76,4; 87,4] % и ROC-AUC – 88,3 [84,7; 91,5] %. На этапе тестирования аналогичные показатели были следующими: точность – 71,7 [60,4; 81,1] %, чувствительность – 70,6 [50,0; 88,2] %, специфичность – 72,2 [59,0; 83,9] %, ROC-AUC – 78,9 [67,0; 88,8] %.

Заключение. Разработана и протестирована модель прогнозирования угрозы развития неблагоприятного исхода COVID-19 у госпитализированных больных старших возрастных групп, которая демонстрирует высокую специфичность и имеет несомненное прикладное значение.

Полный текст

Доступ закрыт

Об авторах

Наталья Александровна Кудрявцева

ФГБУ ДПО «Центральная государственная медицинская академия» Управления делами Президента РФ

Автор, ответственный за переписку.
Email: natalya_kudryavtseva@inbox.ru
ORCID iD: 0000-0003-4019-9598

ассистент кафедры семейной медицины и терапии

Россия, г. Москва

Светлана Алексеевна Чорбинская

ФГБУ ДПО «Центральная государственная медицинская академия» Управления делами Президента РФ

Email: s.chorbinskaya@mail.ru
ORCID iD: 0000-0001-8471-629X

д. м. н., профессор, заведующая кафедрой семейной медицины и терапии

Россия, г. Москва

Андрей Викторович Девяткин

ФГБУ ДПО «Центральная государственная медицинская академия» Управления делами Президента РФ; ФГБУ «Центральная клиническая больница с поликлиникой» Управления делами Президента РФ

Email: dav-med@yandex.ru
ORCID iD: 0000-0001-9230-1270

д. м. н., профессор кафедры семейной медицины и терапии

Россия, г. Москва; г. Москва

Марина Антиповна Самушия

ФГБУ ДПО «Центральная государственная медицинская академия» Управления делами Президента РФ

Email: sma-psychiatry@mail.ru
ORCID iD: 0000-0003-3681-9977

д. м. н., доцент, заведующая кафедрой психиатрии и психотерапии

Россия, г. Москва

Егор Александрович Колпаков

ФГБУ ДПО «Центральная государственная медицинская академия» Управления делами Президента РФ

Email: e.kolpakov0055@yandex.ru
ORCID iD: 0000-0003-4229-3545

аспирант кафедры психиатрии и психотерапии

Россия, г. Москва

Антон Игоревич Кузнецов

ФГБОУ ВО «Московский авиационный институт (национальный исследовательский университет)»

Email: drednout5786@yandex.ru
ORCID iD: 0000-0003-2182-5792

студент

Россия, г. Москва

Елена Викторовна Щепкина

ФГБОУ ВПО «Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации»; ГБУЗ «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»

Email: elenaschepkina@yandex.ru
ORCID iD: 0000-0002-2079-1482

к. соц. н., заместитель начальника отдела сводного контингента и статистики, исследователь данных

Россия, г. Москва; г. Москва

Список литературы

  1. Девяткин А.В., Девяткин А.А. Коронавирусная инфекция COVID-19: факты и комментарии: руководство для врачей. М.: ГЭОТАР-Медиа. 2023; 104 с. [Devyatkin A.V., Devyatkin A.A. COVID-19 coronavirus infection: facts and comments: A guide for doctors. Moscow: GEOTAR-Media. 2023; 104 pp. (In Russ.)]. ISBN: 978-5-9704-8067-0. https://doi.org/10.33029/9704-8067-0-CFC-2023-1-104.
  2. World Health Organization. Tracking SARS-CoV-2 variants. URL: https://www.who.int/activities/tracking-SARS-CoV-2-variants (date of access – 28.08.2024).
  3. Кудрявцева Н.А., Чорбинская С.А., Девяткин А.В. с соавт. Особенности клинического течения COVID-19 у лиц старших возрастных групп. Кремлевская медицина. Клинический вестник. 2023; (4): 28–36. [Kudryavtseva N.A., Chorbinskaya S.A., Devyatkin A.V. et al. Peculiar features of the COVID-19 clinical course in people of older age groups. Kremlevskaya medicina. Klinicheskiy vestnik = Kremlin Medicine Journal. 2023; (4): 28–36 (In Russ.)]. https://doi.org/10.48612/cgma/r69d-vd7v-mura. EDN: BSAOWO.
  4. Кузнецов А.И., Щепкина Е.В., Сушинская Т.В. с соавт. Возможности и ограничения применения искусственного интеллекта в медицине. Новости клинической цитологии России. 2023; 27(2): 18–24. [Kuznetsov A.I., Schepkina E.V., Sushinskaya T.V. et al. Possibilities and limitations of artificial intelligence application in medicine. Novosti klinicheskoy tsitologii Rossii = News of Clinical Cytology of Russia. 2023; 27(2): 18–24 (In Russ.)]. https://doi.org/10.24412/1562-4943-2023-2-0003. EDN: FOEYJU.
  5. Carr E., Bendayan R., Bean D. et al. Evaluation and improvement of the National Early Warning Score (NEWS2) for COVID-19: A multi-hospital study. BMC Med. 2021; 19(1): 23. https://doi.org/10.1186/s12916-020-01893-3. PMID: 33472631. PMCID: PMC7817348.
  6. Barda N., Riesel D., Akriv A. et al. Developing a COVID-19 mortality risk prediction model when individual-level data are not available. Nat Commun. 2020; 11(1): 4439. https://doi.org/10.1038/s41467-020-18297-9. PMID: 32895375. PMCID: PMC7477233.
  7. Lu J., Hu S., Fan R. et al. ACP Risk Grade: A simple mortality index for patients with confirmed or suspected severe acute respiratory syndrome coronavirus 2 disease (COVID-19) during the early stage of outbreak in Wuhan, China. SSRN Electronic Journal. 2020. https://doi.org/10.1101/2020.02.20.20025510.
  8. Imran A., Posokhova I., Qureshi H.N. et al. AI4COVID-19: AI enabled preliminary diagnosis for COVID-19 from cough samples via an app. Inform Med Unlocked. 2020; 20: 100378. https://doi.org/10.1016/j.imu.2020.100378. PMID: 32839734. PMCID: PMC7318970.
  9. Jin C., Chen W., Cao Y. et al. Development and evaluation of an artificial intelligence system for COVID-19 diagnosis. Nat Commun. 2020; 11(1): 5088. https://doi.org/10.1038/s41467-020-18685-1. PMID: 33037212. PMCID: PMC7547659.
  10. Abdulaal A., Patel A., Charani E. et al. Prognostic modeling of COVID-19 using artificial intelligence in the United Kingdom: Model development and validation. J Med Internet Res. 2020; 22(8): e20259. https://doi.org/10.2196/20259. PMID: 32735549. PMCID: PMC7451108.
  11. Xie J., Hungerford D., Chen H. et al. Development and external validation of a prognostic multivariable model on admission for hospitalized patients with COVID-19. SSRN Electronic Journal. 2020. https://doi.org/10.1101/2020.03.28.20045997.
  12. Zack J.E., Garrison T., Trovillion E. et al. Effect of an education program aimed at reducing the occurrence of ventilator-associated pneumonia. Crit Care Med. 2002; 30(11): 2407–12. https://doi.org/10.1097/00003246-200211000-00001. PMID: 12441746.
  13. Щепкина Е.В., Епифанова С.В., Кузнецов А.И. Stard и tripod: рекомендации по предоставлению результатов диагностических и прогностических исследований. Практические советы для оформления статей в журналы. Педиатрия. Журнал им. Г.Н. Сперанского. 2022; 101(1): 236–248. [Schepkina E.V., Epifanova S.V., Kuznetsov A.I. Stard and tripod: Recommendations for the provision of diagnostic and prognostic research results. Practical advice for submitting articles to journals. Pediatriya. Zhurnal im. G.N. Speranskogo = Pediatrics. Journal named after G.N. Speransky. 2022; 101(1): 236–248 (In Russ.)]. https://doi.org/10.24110/0031-403X-2022-101-1-236-249. EDN: RZWUNE.
  14. Moons K.G.M., Altman D.G., Reitsma J.B. et al. Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (TRIPOD): Explanation and elaboration. Ann Intern Med. 2015; 162(1): W1–W73. https://doi.org/10.7326/M14-0698. PMID: 25560730.
  15. Кудрявцева Н.А., Чорбинская С.А., Девяткин А.В., Самушия М.А., Колпаков Е.А., Щепкина Е.В., Кузнецов А.И. Способ прогнозирования наступления смерти у больных COVID-19 в возрасте 60 лет и старше. Патент на изобретение RUS 2805263. Заявка от 13.10.2023. [Kudryavtseva N.A., Chorbinskaya S.A., Devyatkin A.V., Samushiya M.A., Kolpakov E.A., Shchepkina E.V., Kuznetsov A.I. A method for predicting death in patients with COVID-19 aged 60 years and older. Patent for invention RUS 2805263. Application dated 10/13/2023 (In Russ.)].
  16. Кудрявцева Н.А., Девяткин А.В., Чорбинская С.А. с соавт. Программное обеспечение для прогнозирования вероятности наступления смерти у больных госпитализированных с COVID-19 в возрасте 60 лет и старше: Свидетельство о государственной регистрации программы для ЭВМ № 2024611345 Российская Федерация. № 2023689822: заявл. 27.12.2023: опубл. 19.01.2024. [Kudryavtseva N.A., Devyatkin A.V., Chorbinskaya S.A. et al. Software for predicting the probability of death in patients hospitalized with COVID-19 aged 60 years and older: Certificate of state registration of the computer program No. 2024611345 Russian Federation. No. 2023689822: application. 12/27/2023: publ. 01/19/2024 (In Russ.)].
  17. Assaf D., Gutman Y., Neuman Y. et al. Utilization of machine-learning models to accurately predict the risk for critical COVID- 19. Intern Emerg. Med. 2020; 15(8): 1435–43. https://doi.org/10.1007/s11739-020-02475-0. PMID: 32812204. PMCID: PMC7433773.
  18. Das A.K., Mishra S., Gopalan S. Predicting COVID-19 community mortality risk using machine learning and development of an online prognostic tool. PeerJ. 2020; 8: e10083. https://doi.org/10.7717/peerj.10083. PMID: 33062451. PMCID: PMC7528809.
  19. Ryan L., Lam C., Mataraso S. et al. Mortality prediction model for the triage of COVID-19, pneumonia, and mechanically ventilated ICU patients: A retrospective study. Ann Med Surg (Lond). 2020; 59: 207–16. https://doi.org/10.1016/j.amsu.2020.09.044. PMID: 33042536. PMCID: PMC7532803.
  20. Zhao Z., Chen A., Hou W. et al. Prediction model and risk scores of ICU admission and mortality in COVID-19. PLoS One. 2020; 15(7): e0236618. https://doi.org/10.1371/journal.pone.0236618. PMID: 32730358. PMCID: PMC7392248.
  21. Covino M., Sandroni C., Santoro M. et al. Predicting intensive care unit admission and death for COVID-19 patients in the emergency department using early warning scores. Resuscitation. 2020; 156: 84–91. https://doi.org/10.1016/j.resuscitation.2020.08.124. PMID: 32918985. PMCID: PMC7480278.
  22. Haimovich A.D., Ravindra N.G., Stoytchev S. et al. Development and validation of the quick COVID-19 severity index: A prognostic tool for early clinical decompensation. Ann Emerg Med. 2020; 76(4): 442–53. https://doi.org/10.1016/j.annemergmed.2020.07.022. PMID: 33012378. PMCID: PMC7373004.
  23. Luo Y., Mao L., Yuan X. et al. Prediction model based on the combination of cytokines and lymphocyte subsets for prognosis of SARS-CoV-2 Infection. J Clin Immunol. 2020; 40(7): 960–69. https://doi.org/10.1007/s10875-020-00821-7. PMID: 32661797. PMCID: PMC7357264.
  24. Ma X., Li A., Jiao M. et al. Characteristic of 523 COVID-19 in Henan Province and a Death Prediction Model. Front Public Health. 2020; 8: 475. https://doi.org/10.3389/fpubh.2020.00475. PMID: 33014973. PMCID: PMC7506160.
  25. Urban M.L., Bettiol A., Mattioli I. et al. Comparison of treatments for the prevention of fetal growth restriction in obstetric antiphospholipid syndrome: A systematic review and network meta-analysis. Intern Emerg Med. 2021; 16(5): 1357–67. https://doi.org/10.1007/s11739-020-02609-4. PMID: 33475972. PMCID: PMC8310508.
  26. Allenbach Y., Saadoun D., Maalouf G. et al.; DIMICOVID. Development of a multivariate prediction model of intensive care unit transfer or death: A French prospective cohort study of hospitalized COVID-19 patients. PLoS One. 2020; 15(10): e0240711. https://doi.org/10.1371/journal.pone.0240711. PMID: 33075088. PMCID: PMC7571674.
  27. Rigo-Bonnin R., Gumucio-Sanguino V.-D., Perez-Fernández X.-L. et al. Individual outcome prediction models for patients with COVID-19 based on their first day of admission to the intensive care unit. Clin Biochem. 2022; 100: 13–21. https://doi.org/10.1016/j.clinbiochem.2021.11.001. PMID: 34767791. PMCID: PMC8577569.
  28. Попова К.Н., Жуков А.А., Зыкина И.Л. с соавт. Шкала NEWS2 в практике работы инфекционного госпиталя для больных COVID-19. Внедрение и результаты. Вестник анестезиологии и реаниматологии. 2021; 18(1): 7–16. [Popova K.N., Zhukov A.A., Zykina I.L. et al. NEWS2 score in the practice of infectious diseases hospital in COVID-19 patients. Implementation and results. Vestnik anesteziologii i reanimatologii = Messenger of Anesthesiology and Resuscitation. 2021; 18(1): 7–16 (In Russ.)]. https://doi.org/10.21292/2078-5658-2021-18-1-7-16. EDN: XHCHFS.
  29. Yang Z., Hu Q., Huang F. et al. The prognostic value of the SOFA score in patients with COVID-19: A retrospective, observational study. Medicine (Baltimore). 2021;100(32): e26900. https://doi.org/10.1097/MD.0000000000026900. PMID: 34397917. PMCID: PMC8360480.
  30. Пирадов М.А., Супонева Н.А., Рябинкина Ю.В. с соавт. Шкала комы Глазго (Glasgow Coma Scale, GCS): лингвокультурная адаптация русскоязычной версии. Журнал им. Н.В. Склифосовского «Неотложная медицинская помощь». 2021; 10(1): 91–99. [Piradov M.A., Suponeva N.A., Ryabinkina Yu.V. et al. Glasgow Coma Scale: Linguistic-cultural adaptation of the Russian version. Neotlozhnaya meditsinskaya pomoshch’. Zhurnal im. N.V. Sklifosovskogo = Russian Sklifosovsky Journal of “Emergency Medical Care”. 2021; 10(1): 91–99 (In Russ.)]. https://doi.org/10.23934/2223-9022-2021-10-1-91-99. EDN: FIUDEK.
  31. Вечорко В.И., Аверков О.В., Супонева Н.А. с соавт. Валидация русскоязычной версии Шкалы оценки смертности 4С (4C Mortality Score) и прогнозирование исходов тяжелой формы COVID-19. Инфекционные болезни: новости, мнения, обучение. 2022; 11(1): 57–63. [Vechorko V.I., Averkov O.V., Suponeva N.A. et al. Validation of the Russian version of the 4C Mortality Score and prediction of outcomes of severe COVID-19. Infektsionnye bolezni: novosti, mneniya, obuchenie = Infectious Diseases: News, Opinions, Training. 2022; 11(1): 57–63 (In Russ.)]. https://doi.org/10.33029/2305-3496-2022-11-1-57-63. EDN: MOFCMX.
  32. Вечорко В.И., Аверков О.В., Гришин Д.В., Зимин А.А. Шкалы NEWS2, 4C Mortality Score, COVID-GRAM, Sequential Organ Failure Assessment Quick как инструменты оценки исходов тяжелой формы COVID-19 (пилотное ретроспективное когортное исследование). Кардиоваскулярная терапия и профилактика. 2022; 21(3): 20–27. [Vechorko V.I., Averkov O.V., Grishin D.V., Zimin A.A. NEWS2, 4C Mortality Score, COVID-GRAM, Sequential Organ Failure Assessment Quick scales as outcomes assessment tools for severe COVID-19 (pilot retrospective cohort study). Kardiovaskulyarnaya terapiya i profilaktika = Cardiovascular Therapy and Prevention. 2022; 21(3): 20–27 (In Russ.)]. https://doi.org/10.15829/1728-8800-2022-3103. EDN: WLWYJC.
  33. Калькулятор для расчета оценки тяжести состояния пациентов с COVID-19. Доступ: https://ershovlabexpert.ru/test/test_covid19?ysclid=lvwtvqu2fr424055517 (дата обращения – 28.08.2024). [Calculator for calculating the severity of the condition of patients with COVID-19. URL: https://ershovlabexpert.ru/test/test_covid19?ysclid=lvwtvqu2fr424055517 (date of access – 28.08.2024) (In Russ.)].

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Блок-схема общего процесса проведения исследования

Скачать (222KB)
Метаданные
3. Рис. 2. ROC-AUC и cut-off (тачка отсечения) для модели прогнозирования неблагоприятных исходов COVID-19

Скачать (158KB)
Метаданные

© ООО «Бионика Медиа», 2024