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.rcsi.science/2412-4036/article/view/267731
  • DOI: https://doi.org/10.18565/therapy.2024.7.19-27
  • ID: 267731

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт 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.

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

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».