Бородулина Елена Александровна - д. м. н., профессор, заведующий кафедрой фтизиатрии и пульмонологии.
443099, Самара, ул. Чапаевская, 89
Elena A. Borodulina - Dr. Sci. (Med.), Professor, Head of the Department of Phthisiology and Pulmonology, Samara State Medical University.
89 Chapaevskaya St., Samara, 443099
Вдоушкина Елизавета Сергеевна - к. м. н., доцент кафедры фтизиатрии и пульмонологии.
Самара
Elizaveta S. Vdoushkina - Cand. Sci. (Med.), Associate Professor, Department of Phthisiology and Pulmonology, Samara State Medical University.
Samara
Шахгельдян Карина Иосифовна - д. т. н., заведующий научной лабораторией Школа медицины и наук о жизни ДВФУ; профессор НОЦ «Искусственный интеллект» ВВГУ.
Владивосток
Karina I. Shakhgeldyan - Dr. Sci (Tech.), Head of Scientific Laboratory, School of Medicine and Life Sciences, Far Eastern Federal University; Professor, Artificial Intelligence Research Center, Vladivostok State University.
Vladivostok
Курдюкова Елена Александровна - к. б. н., главный специалист лаборатории искусственного интеллекта, ИАПУ ДВО РАН; магистрант 2-го курса НОЦ «Искусственный интеллект» ВВГУ.
Владивосток
Elena A. Kurdyukova - Cand. Sci. (Biol.), Chief Specialist of Artificial Intelligence Laboratory, Institute of Automation and Control Processes, Far Eastern Branch of the Russian Academy of Sciences; 2nd year Master’s Student оf Artificial Intelligence Research Center, Vladivostok State University.
Vladivostok
Бородулин Борис Евгеньевич - д. м. н., профессор кафедры фтизиатрии и пульмонологии.
Самара
Boris E. Borodulin - Dr. Sci. (Med.), Professor, Department of Phthisiology and Pulmonology, Samara State Medical University.
Samara
Пушкин Сергей Юрьевич - д. м. н., заведующий кафедрой хирургических болезней детей и взрослых, СамГМУ; главный врач, Самарская ОКБ им. В.Д. Середавина, главный внештатный специалист-торакальный хирург Самарской области и ПФО.
Самара
Sergey Y. Pushkin - Dr. Sci. (Med.), Head of the Department of Surgical Diseases of Children and Adults, Samara State Medical University; Chief Physician, Samara Regional Clinical Hospital named after V.D. Seredavin; Chief Freelance Thoracic Surgeon of the Samara Region and the Volga Federal District.
Samara
Жилинская Кристина Васильевна - аспирант кафедры фтизиатрии и пульмонологии.
Самара
Kristina V. Zhilinskaya - Resident, Department of Phthisiology and Pulmonology, Samara State Medical University.
Samara
Актуальность: В периоды роста респираторных инфекций актуальным является стратификация помощи пациентам с вирус-ассоциированными поражениями лёгких.
Цель: Разработка прогностической модели исхода течения вирусного поражения лёгких с использованием алгоритмов машинного обучения.
Материалы и методы: Исследование включало 295 пациентов с ковид-ассоциированной пневмонией. Сформированы группы: 1-я группа – умершие (n=78), 2-я группа – выжившие (n=217). Обработка данных осуществлялась с помощью IDE R Studio (Version 4.3.1). Прогностическая модель разработана с использованием потенциальных предикторов и алгоритмов машинного обучения: многофакторная логистическая регрессия, случайный лес и стохастический градиентный бустинг. Использован метод 5-кратной перекрёстной проверки (KFold). Модели прогнозирования смертности были реализованы с помощью среды Google Colaboratory для работы с Python. Качество моделей оценивали по метрикам: площадь под ROC-кривой (АUС) и матрицы неточностей (confusion matrix), позволяющей определить точность (Precision), полноту (Recall) или чувствительность (Sensitivity), специфичность (Specificity), F1-score.
Результаты: На основании предикторов летальности построена прогностическая модель исхода с высоким уровнем статистической значимости отличия в предсказываемых группах: наличие двух и более сопутствующих заболеваний, дыхательной недостаточностью выше 2-й степени, выраженной миалгии и одышки, отношения нейтрофилов к лимфоцитам >5,1, критическим снижением уровня эозинофилов на фоне повышенного уровня СОЭ, глюкозы, АСАТ, мочевины, С-реактивного белка и снижения уровня гемоглобина (p<0,05).
Заключение: Прогностическая модель риска смерти, построенная методами машинного обучения с наилучшей производительностью у алгоритма случайного леса (AUC=0,99) с высокой точностью, позволяет на этапе поступления в стационар оценивать риск летального исхода, оптимизировать выбор тактики ведения.
Background: During periods of increasing respiratory infections, stratifying patient care for virus-associated lung injury is crucial.
Objective: To develop a prognostic model for the outcome of viral lung injury using machine learning algorithms.
Materials and methods: The study included 295 patients with COVID-associated pneumonia, divided into two groups: 1) deceased (n=78) and 2) survivors (n=217). Data processing was performed using IDE R Studio (Version 4.3.1). The prognostic model was created using potential predictors and machine learning algorithms: multivariate logistic regression, random forest, and stochastic gradient boosting. A 5-fold cross-validation method (KFold) was used. Prediction models for mortality were implemented in Google Colaboratory with Python. Model quality was assessed by metrics such as ROC-AUC and confusion matrix, which provided measures like precision, recall, sensitivity, specificity, and F1-score.
Results: The prognostic outcome model was based on mortality predictors, demonstrating a high level of statistical significance between the predicted groups, with significant predictors including the presence of two or more comorbidities, respiratory failure above grade 2, pronounced myalgia and dyspnea, neutrophil-to-lymphocyte ratio >5.1, a critical decrease in eosinophil count accompanied by elevated ESR, glucose, AST, CRP, urea levels, and decreased hemoglobin (p<0.05).
Conclusion: The mortality risk prediction model developed using machine learning methods, particularly the random forest algorithm (AUC=0.99), demonstrates high accuracy and enables the assessment of mortality risk at hospital admission, guiding management decisions and optimizing treatment strategies.
The authors declare that there are no conflicts of interest present.