Заболеваемость COVID-19 в Москве на основании данных компьютерной томографии: сравнение моделей прогнозирования
- Авторы: Соловьев А.В.1, Коденко М.Р.1,2, Решетников Р.В.1,3, Сухих Т.Д.1, Мухортова А.Н.1, Блохин И.А.1, Гончар А.П.1, Леонов Д.В.1, Абрамова И.В.1, Омелянская О.В.1
-
Учреждения:
- Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы
- Московский государственный технический университет им. Н.Э. Баумана (национальный исследовательский университет)
- Первый Московский государственный медицинский университет им. И.М. Сеченова (Сеченовский Университет)
- Выпуск: Том 3, № 1S (2022)
- Страницы: 8-9
- Раздел: Материалы конференции
- URL: https://journals.rcsi.science/DD/article/view/106799
- DOI: https://doi.org/10.17816/DD105651
- ID: 106799
Цитировать
Полный текст
Аннотация
ОБОСНОВАНИЕ. Основной инструмент для оценки степени тяжести поражения лёгких при COVID-19 ― компьютерная томография (КТ) [1]. В Российской Федерации широко применяется визуальная шкала оценки поражения лёгочной паренхимы «КТ 0-4» [2]. В настоящее время «золотым стандартом» для установления диагноза COVID-19 стала полимеразная цепная реакция (ПЦР), позволяющая выявлять РНК вируса, но данный метод имеет низкую чувствительность [3, 4]. Заболеваемость COVID-19 носит волновой характер течения [5], поэтому прогнозирование заболеваемости и характера течения болезни очень актуально.
ЦЕЛЬ ― определить более эффективную модель для прогнозирования динамики заболеваемости COVID-19 по данным КТ в Москве, что будет способствовать повышению эффективности планирования помощи пациентам.
МЕТОДЫ. Анализ проводили посредством деления исходных данных (13.04.2021–23.02.2022) на обучающую и тестовую подвыборки, в качестве порогового значения временного интервала принято начало спада пятой волны штамма омикрон (06.02.2022). Для анализа использовали статистические данные заболеваемости по Москве. В данном исследовании для моделирования и прогнозирования временных данных (forecasting) применяли методы ETS, ARIMA, BATS, TBATS и NNETAR (с использованием нейронных сетей) [6]. Эффективность прогнозирования оценивали по количественным метрикам средней абсолютной масштабированной ошибки (MASE).
РЕЗУЛЬТАТЫ. Всего за период пандемии по имеющимся данным в Москве с 13.04.2020 по 21.03.2022 проведено 916 566 процедур компьютерной томографии органов грудной клетки (КТ ОГК) в рамках диагностики COVID-19. По критерию MASE, лучшей моделью предсказания является NNETAR для всех типов по шкале «КТ 0-4» (MASE для тестовой выборки: КТ-1 ― 3.8; КТ-2 ― 2.0; КТ-3 ― 1.3; КТ-4 ― 0.5).
ЗАКЛЮЧЕНИЕ. Модель NNETAR с применением нейронных сетей показала наилучший результат в прогнозировании заболеваемости COVID-19 в Москве и подтвердила тенденцию к постепенному снижению заболеваемости со значительным уменьшением степени тяжести поражения лёгких по шкале «КТ 0-4». Разница в динамике течения обусловлена множеством факторов: способами диагностики и лечения, в том числе отмечается постепенный уход от КТ-исследований при меньшей степени тяжести заболевания; эпидемиологическими ограничениями и профилактикой; мутациями вируса COVID-19; влиянием СМИ.
Ключевые слова
Об авторах
А. В. Соловьев
Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы
Автор, ответственный за переписку.
Email: atlantis.92@mail.ru
Россия, Москва
М. Р. Коденко
Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы; Московский государственный технический университет им. Н.Э. Баумана (национальный исследовательский университет)
Email: atlantis.92@mail.ru
Россия, Москва; Москва
Р. В. Решетников
Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы; Первый Московский государственный медицинский университет им. И.М. Сеченова (Сеченовский Университет)
Email: atlantis.92@mail.ru
Россия, Москва; Москва
Т. Д. Сухих
Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы
Email: atlantis.92@mail.ru
Россия, Москва
А. Н. Мухортова
Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы
Email: atlantis.92@mail.ru
Россия, Москва
И. А. Блохин
Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы
Email: atlantis.92@mail.ru
Россия, Москва
А. П. Гончар
Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы
Email: atlantis.92@mail.ru
Россия, Москва
Д. В. Леонов
Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы
Email: atlantis.92@mail.ru
Россия, Москва
И. В. Абрамова
Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы
Email: atlantis.92@mail.ru
Россия, Москва
О. В. Омелянская
Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы
Email: atlantis.92@mail.ru
Россия, Москва
Список литературы
- Zhang R, Ouyang H, Fu L, et al. CT features of SARS-CoV-2 pneumonia according to clinical presentation: a retrospective analysis of 120 consecutive patients from Wuhan city // Eur Radiol. 2020;30(8):4417–4426. doi: 10.1007/s00330-020-06854-1
- Морозов С.П., Проценко Д.Н., Сметанина С.В., и др.; Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы. Лучевая диагностика коронавирусной болезни (COVID-19): организация, методология, интерпретация результатов. Методические рекомендации № 34. Серия «Лучшие практики лучевой и инструментальной диагностики». 2-е изд., перераб. и дополн. Москва, 2021. 108 с.
- Ai T, Yang Z, Hou H, et al. Correlation of chest CT and RT-PCR testing for Coronavirus Disease 2019 (COVID-19) in China: A report of 1014 cases. Radiology. 2020;296(2):E32–E40. doi: 10.1148/radiol.2020200642
- Kucirka LM, Lauer SA, Laeyendecker O, et al. Variation in false-negative rate of reverse transcriptase polymerase chain reaction-based SARS-CoV-2 tests by time since exposure. Ann Intern Med. 2020;173(4):262–267. doi: 10.7326/M20-1495
- Mahapatra DP, Triambak S. Towards predicting COVID-19 infection waves: A random-walk Monte Carlo simulation approach. Chaos Solitons Fractals. 2022;156:111785. doi: 10.1016/j.chaos.2021.111785
- Perone G. Comparison of ARIMA, ETS, NNAR, TBATS and hybrid models to forecast the second wave of COVID-19 hospitalizations in Italy. Eur J Health Econ. 2021:1–24. doi: 10.1007/s10198-021-01347-4
![](/img/style/loading.gif)