Применение алгоритма дерева решений для ранней дифференциальной диагностики между различными клиническими формами острого иксодового клещевого боррелиоза и клещевого энцефалита

Обоснование. Клещевой энцефалит и иксодовый клещевой боррелиоз являются наиболее распространенными в России природно-очаговыми инфекциями, не редко протекающими в виде смешанной формы, которую зачастую клинически сложно отличить от моноинфекции в начале болезни, что может быть обусловлено поздней лабораторной верификацией диагноза и требует поиска принципиально нового подхода к проблеме раннего дифференциального диагноза клещевых инфекций.
Цель исследования: создание алгоритмов деревьев решений для ранней дифференциальной диагностики между изолированными и смешанными формами острого иксодового клещевого боррелиоза и клещевого энцефалита с преобладанием лихорадочного синдрома на основе анализа клинико-лабораторных данных.
Материалы и методы. Ретроспективно проанализированы 55 клинико-лабораторных параметров, полученных в первую неделю болезни от 291 госпитализированного больного клещевыми инфекциями, имевшими или не имевшими мигрирующую эритему на месте присасывания иксодового клеща, включенных в одноцентровое исследование в период с 2010 по 2023 гг. У 211 больных без эритемы анализ проводился между тремя классами в зависимости от диагноза: имевшими смешанную инфекцию безэритемной формы иксодового клещевого боррелиоза с клещевым энцефалитом, моноинфекцию безэритемного боррелиоза или моноинфекцию клещевого энцефалита. Два других класса, включавших 80 пациентов с эритемой, имели микст-заболевание острого эритемного боррелиоза с клещевым энцефалитом или боррелиозную моноинфекцию. Язык программирования Python был применен для разработки двух моделей деревьев решений. Определялись показатели важности всех предикторов. Каждый из классов пациентов был случайным образом разделен на обучающую (70%) и тестовую (30%) выборки. Оценка точности моделей была основана на ROC-анализе.
Результаты. Алгоритм дерева решений для ранней дифференциальной диагностики у больных клещевыми инфекциями без эритемы включал следующие наиболее важные предикторы: максимальную высоту лихорадки, озноб, индекс соотношения нейтрофилов и моноцитов, СОЭ, абсолютное число реактивных лимфоцитов и незрелых гранулоцитов, а также процентное содержание эозинофилов. Модель для дифференциального диагноза между пациентами с эритемой включала: высоту лихорадки, абсолютное число реактивных лимфоцитов и незрелых гранулоцитов, а также процентное содержание базофилов. Обе модели деревьев решений получили высокую прогностическую оценку на основании определения чувствительности, специфичности, прецизионности, точности и показателя F1, а также площади под ROC-кривой, превышающей 0,90.
Заключение: С использованием клинико-лабораторных параметров разработаны два алгоритма дерева решений, имеющих высокую чувствительность, которые легко применимы в клинической практике для ранней дифференциальной диагностики клещевых инфекций с преобладанием синдрома лихорадки.