cardiotomskСибирский журнал клинической и экспериментальной медициныSiberian Journal of Clinical and Experimental Medicine2713-29272713-265XTSU publishing10.29001/2073-8552-2023-655cardiotomsk-2008Research ArticleЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯEXPERIMENTAL STUDIESМетод нахождения подмножеств согласованных признаков при прогнозировании эффективности реабилитации пациентов после перенесенной коронавирусной инфекцииMethod for finding subsets of consensus features in predicting the effectiveness of rehabilitation of patients after COVID-19https://orcid.org/0000-0002-9355-7638ХодашинскийИ. А.HodashinskyI. A.

Ходашинский Илья Александрович, д-р техн. наук, профессор, профессор, кафедра компьютерных систем в управлении и проектировании; ведущий научный сотрудник лаборатории планирования и разработки медицинских технологий

634050, Томск, ул. Розы Люксембург, 1; 634050, Томск, пр. Ленина, 40

Ilya A. Khodashinsky, Dr. Sci. (Techn.), Professor, Department of Computer Systems in Management and Design; Leading Research Scientist, Laboratory of Planning and Development of Medical Technologies

1, Rozy Lyuksemburg str., Tomsk, 634050; 40, Lenin Ave., Tomsk, 634050

hodashn@rambler.ruhttps://orcid.org/0000-0002-9010-2419СмирноваИ. Н.SmirnovaI. N.

Смирнова Ирина Николаевна, д-р мед. наук, главный научный сотрудник, лаборатория планирования и разработки медицинских технологий; профессор, кафедра госпитальной терапии с курсом реабилитации, физиотерапии и спортивной медицины; главный научный сотрудник, лаборатория аржаанологии, санаторно-курортного дела и курортной медицины

634050, Томск, ул. Розы Люксембург, 1; 634050, Томск, Московский тракт, 2; 667003, Республика Тыва, Кызыл, ул. Улуг-Хемская, 17

Irina N. Smirnova, Dr. Sci. (Med.), Chief Research Scientist, Laboratory of Planning and Development of Medical Technologies; Professor, Department of Hospital Therapy with a Course of Rehabilitation, Physiotherapy and Sports Medicine; Chief Research Scientist, Laboratory of Arzhaanology, Sanatorium and Resort Medicine

1, Rozy Lyuksemburg str., Tomsk, 634050; 2, Moskovsky tract, Tomsk, 634050; 17, Ulug-Khemskaya str., Kyzyl, 667003, Republic of Tyva

irin-smirnova@yandex.ruhttps://orcid.org/0000-0002-0567-590XБардамоваМ. Б.BardamovaM. B.

Бардамова Марина Борисовна, канд. техн. наук, доцент, кафедра компьютерных систем в управлении и проектировании; научный сотрудник, лаборатория планирования и разработки медицинских технологий

634050, Томск, ул. Розы Люксембург, 1; 634050, Томск, пр. Ленина, 40

Marina B. Bardamova, Cand. Sci. (Techn.), Associate Professor, Department of Computer Systems in Management and Design; Research Scientist, Laboratory of Planning and Development of Medical Technologies

1, Rozy Lyuksemburg str., Tomsk, 634050; 40, Lenin Ave., Tomsk, 634050

722bmb@gmail.comhttps://orcid.org/0000-0003-3264-7768СаринК. С.SarinK. S.

Сарин Константин Сергеевич, канд. техн. наук, доцент, кафедра компьютерных систем в управлении и проектировании; научный сотрудник, лаборатория планирования и разработки медицинских технологий

634050, Томск, ул. Розы Люксембург, 1; 634050, Томск, пр. Ленина, 40

Konstantin S. Sarin, Cand. Sci. (Techn.), Associate Professor, Department of Computer Systems in Management and Design; Research Scientist, Laboratory of Planning and Development of Medical Technologies

1, Rozy Lyuksemburg str., Tomsk, 634050; 40, Lenin Ave., Tomsk, 634050

sarin.konstantin@mail.ruhttps://orcid.org/0000-0002-5060-0958СветлаковМ. О.SvetlakovM. O.

Светлаков Михаил Олегович, ассистент, кафедра компьютерных систем в управлении и проектировании; младший научный сотрудник, лаборатория планирования и разработки медицинских технологий

634050, Томск, ул. Розы Люксембург, 1; 634050, Томск, пр. Ленина, 40

Mikhail O. Svetlakov, Assistant, Department of Computer Systems in Management and Design; Junior Research Scientist, Laboratory of Planning and Development of Medical Technologies

1, Rozy Lyuksemburg str., Tomsk, 634050; 40, Lenin Ave., Tomsk, 634050

svetlakov.m4@gmail.comhttps://orcid.org/0000-0003-2601-1739ЗайцевА. А.ZaitsevA. A.

Зайцев Алексей Александрович, канд. мед. наук, директор

634050, Томск, ул. Розы Люксембург, 1

Alexey A. Zaitsev, Cand. Sci. (Med.), Head of the Tomsk Research Institute of Balneology and Physiotherapy branch of the Federal State Budgetary Institution “Federal Scientific and Clinical Center for Medical Rehabilitation and Balneology of the Federal Medical and Biological Agency”

1, Rozy Lyuksemburg str., Tomsk, 634050

alzay2010@yandex.ruhttps://orcid.org/0000-0001-9830-6144ТицкаяЕ. В.TickayaE. V.

Тицкая Елена Васильевна, д-р мед. наук, ведущий научный сотрудник, лаборатория планирования и разработки медицинских технологий

634050, Томск, ул. Розы Люксембург, 1

Elena V. Titskaya, Dr. Sci. (Med.), Leading Research Scientist, Laboratory of Planning and Development of Medical Technologies

1, Rozy Lyuksemburg str., Tomsk, 634050

tickayaev@med.tomsk.ruhttps://orcid.org/0000-0001-9260-0596ТонкошкуроваА. В.TonkoshkurovaA. V.

Тонкошкурова Анна Владимировна, канд. мед. наук, ведущий научный сотрудник, лаборатория планирования и разработки медицинских технологий

634050, Томск, ул. Розы Люксембург, 1

Anna V. Tonkoshkurova, Cand. Sci. (Med.), Leading Research Scientist, Laboratory of Planning and Development of Medical Technologies

1, Rozy Lyuksemburg str., Tomsk, 634050

annatonkoshkurova@gmail.comhttps://orcid.org/0000-0003-3965-109XАнтиповаИ. И.AntipovaI. I.

Антипова Инна Ивановна, канд. мед. наук, врач терапевтического отделения

634050, Томск, ул. Розы Люксембург, 1

Inna I. Antipova, Cand. Sci. (Med.), Doctor, Therapeutic Department

1, Rozy Lyuksemburg str., Tomsk, 634050

antipovaii@med.tomsk.ruХодашинскаяА. И.HodashinskayaA. I.

Ходашинская Антонина Ильинична, лаборант-исследователь, кафедра педиатрии с курсом эндокринологии

634050, Томск, Московский тракт, 2

Antonina I. Khodashinskaya, Research Assistant, Department of Pediatrics with a course in Endocrinology

2, Moskovsky tract, Tomsk, 634050

tonyhodas11@mail.ruhttps://orcid.org/0000-0001-6247-0049ЗариповаТ. Н.ZaripovaT. N.

Зарипова Татьяна Николаевна, д-р мед. наук, профессор, ведущий научный сотрудник, лаборатория планирования и разработки медицинских технологий

634050, Томск, ул. Розы Люксембург, 1

Tatiana N. Zaripova, Dr. Sci. (Med.), Professor

1, Rozy Lyuksemburg str., Tomsk, 634050

ta-zaripova@mail.ruТомский научно-исследовательский институт курортологии и физиотерапии, филиал Федерального государственного бюджетного учреждения «Федеральный научно-клинический центр медицинской реабилитации и курортологии Федерального медико-биологического агентства»; Томский государственный университет систем управления и радиоэлектроникиРоссияFederal Scientific and Clinical Center for Medical Rehabilitation of Balneology of the Federal Medical and Biological Agency (branch of Tomsk Research Institute of Balneology and Physiotherapy); Tomsk State University of Control Systems and RadioelectronicsRussian FederationТомский научно-исследовательский институт курортологии и физиотерапии, филиал Федерального государственного бюджетного учреждения «Федеральный научно-клинический центр медицинской реабилитации и курортологии Федерального медико-биологического агентства»; Сибирский государственный медицинский университет Министерства здравоохранения Российской Федерации; Научно-исследовательский институт медико-социальных проблем и управления Республики ТываРоссияFederal Scientific and Clinical Center for Medical Rehabilitation of Balneology of the Federal Medical and Biological Agency (branch of Tomsk Research Institute of Balneology and Physiotherapy); Siberian State Medical University of the Ministry of Health of the Russian Federation; Research Institute of Medical and Social Problems and Management of the Russian FederationRussian FederationТомский научно-исследовательский институт курортологии и физиотерапии, филиал Федерального государственного бюджетного учреждения «Федеральный научно-клинический центр медицинской реабилитации и курортологии Федерального медико-биологического агентства»РоссияFederal Scientific and Clinical Center for Medical Rehabilitation of Balneology of the Federal Medical and Biological Agency (branch of Tomsk Research Institute of Balneology and Physiotherapy)Russian FederationСибирский государственный медицинский университет Министерства здравоохранения Российской ФедерацииРоссияSiberian State Medical University of the Ministry of Health of the Russian FederationRussian Federation202330122023384270279Copyright © Ходашинский И.А., Смирнова И.Н., Бардамова М.Б., Сарин К.С., Светлаков М.О., Зайцев А.А., Тицкая Е.В., Тонкошкурова А.В., Антипова И.И., Ходашинская А.И., Зарипова Т.Н., 20232023Ходашинский И.А., Смирнова И.Н., Бардамова М.Б., Сарин К.С., Светлаков М.О., Зайцев А.А., Тицкая Е.В., Тонкошкурова А.В., Антипова И.И., Ходашинская А.И., Зарипова Т.Н.Hodashinsky I.A., Smirnova I.N., Bardamova M.B., Sarin K.S., Svetlakov M.O., Zaitsev A.A., Tickaya E.V., Tonkoshkurova A.V., Antipova I.I., Hodashinskaya A.I., Zaripova T.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.sibjcem.ru/jour/article/view/2008

Коронавирусная инфекция вызывает длительно протекающий постковидный синдром, что определяет необходимость проведения медицинской реабилитации. Применение современных технологий машинного обучения для прогнозирования эффективности реабилитации способно персонифицировать процесс оказания помощи.

Цель

Цель: создание метода построения модели прогнозирования эффективности реабилитации пациентов, перенесших COVID-19.

Материал и методы

Материал и методы. В исследование были включены 64 пациента, поступившие на стационарный этап реабилитации после COVID-19, средний возраст составил 56,92 ± 9,29 лет. Для получения информации о состоянии здоровья пациентов были проведены физикальный осмотр, тест шестиминутной ходьбы (ТШХ), клинический и биохимический анализы крови, спирометрия. Полученная база данных была обезличена и трансформирована в набор данных для задачи классификации, выходной меткой которого являлся бинарный признак, свидетельствующий о наличии или отсутствии улучшения результата ТШХ как минимум на 15%. Апробация предложенного метода определения согласованного подмножества признаков проведена с использованием фильтров ReliefF, χ2-квадрат и алгоритма минимальной избыточности и максимальной информативности, в качестве обертки применялся бинарный генетический алгоритм NSGA2. Проведено построение предварительных моделей машинного обучения на найденных подмножествах признаков линейным методом опорных векторов.

Результаты

Результаты. В процессе апробации предложенного метода в задаче прогнозирования эффективности реабилитации пациентов после COVID-19 было выявлено подмножество признаков, позволившее достигнуть максимального значения коэффициента конкордации. Найденное множество включает следующие признаки: пол пациента, наличие сопутствующих заболеваний, одышка, кашель, наличие жалоб на желудочно-кишечный тракт, результат ТШХ, уровень D-димеров, оценка одышки по шкале Борга.

Заключение

Заключение. Предложенный метод позволил определить признаки, имеющие наибольшую важность для прогноза эффективности реабилитации пациентов, перенесших COVID-19.

Coronavirus infection causes long-term post-Covid syndrome, which determines the need for medical rehabilitation. The use of modern machine learning technologies to predict the effectiveness of rehabilitation can personalize the process of providing assistance.

Aim

Aim: To create a method for constructing a model to predict the effectiveness of patients rehabilitation who have suffered COVID-19.

Material and Methods

Material and Methods. The study included 64 patients admitted for inpatient rehabilitation after COVID-19. The average age was 56.92±9.29 years. To obtain information about the patients' health status, a physical examination, six-minute walk test (SHT), clinical and biochemical blood tests, and spirometry were performed in order to obtain information about the health status of the patients. The collected data were anonymized and transformed into a data set for the classification task, the output label of which was a binary attribute indicating the presence or absence of an improvement in the six-minute walk test result by at least 15 %. The proposed method for determining a consistent subset of features was tested by ReliefF, χ2-squared filters and the minimum redundancy and maximum information content algorithm; the binary genetic algorithm NSGA2 was used as a wrapper. The construction of preliminary machine learning models on the found subsets of features using the linear support vector machine was carried out.

Results

Results. In the process of testing the proposed method in the task of predicting the effectiveness of rehabilitation of patients after COVID-19, a subset of signs was identified that made it possible to achieve the maximum value of the concordance coefficient. The found set includes the following characteristics: gender, concomitant diseases, shortness of breath, cough, complaints about the gastrointestinal tract, six-minute walk test result, D-dimer level, assessment of shortness of breath according to the Borg scale.

Conclusion

Conclusion. The proposed method allowed identifying the signs that are of the greatest importance for predicting the effectiveness of patients’ rehabilitation who have had COVID-19.

коронавирусная инфекция COVID-19реабилитацияпрогнозированиемашинное обучениеалгоритмы фильтрации признаковcoronavirus infection COVID-19rehabilitationforecastingmachine learningfeature filtering algorithmsИсследование выполнено в рамках Государственного задания «Разработка персонализированных технологий комплексной медицинской реабилитации лиц, перенесших COVID-19» (шифр 84.005.22.800).the study was carried out within the framework of the State assignment “Development of personalized technologies for comprehensive medical rehabilitation of persons who have suffered COVID-19” (code 84.005.22.800).ReferencesВоробьева Ю.Д., Дюкова Г.М. Астенический синдром в контексте пандемии COVID-19. Медицинский алфавит. 2020;(33):26–34. DOI: 33667/2078-5631-2020-33-26-34.Vorobyeva Yu.D., Dyukova G.M. Asthenic syndrome in the context of the COVID-19 pandemic. Medical Alphabet. 2020;(33):26–34. (In Russ.). DOI: 33667/2078-5631-2020-33-26-34.Молочков А.В., Терпигорев С.А., Белоусова Е.А., Ватазин А.В., Древаль А.В., Зулькарнаев А.Б. и др. Особенности комплексного лечения пациентов с новой коронавирусной инфекцией (COVID-19): методические рекомендации по ведению стационарных пациентов. Альманах клинической медицины. 2020;48(Спецвыпуск 1):S91–S142. DOI: 10.18786/2072-0505-2020-48-041.Molochkov A.V., Terpigorev S.A., Belousova E.A., Vatazin A.V., Dreval A.V., Zulkarnaev A.B. et al. Features of complex treatment of patients with a new coronavirus infection (COVID-19): guidelines for the management of inpatient patients. Almanac of Clinical Medicine. 2020;48(S1):S91–S142. DOI: 10.18786/2072-0505-2020-48-041.Бубнова М.Г., Персиянова-Дуброва А.Л., Лямина Н.П., Аронов Д.М. Реабилитация после новой коронавирусной инфекции (COVID-19): принципы и подходы. CardioСоматика. 2020;11(4):6–14. DOI: 10.26442/22217185.2020.4.200570.Bubnova M.G., Persiyanova-Dubrova A.L., Lyamina N.P., Aronov D.M. Rehabilitation after a new coronavirus infection (COVID-19): principles and approaches. Cardiosomatics. 2020;11(4):6–14. (In Russ.). DOI: 10.26442/22217185.2020.4.200570.Negrini S., Ferriero G., Kiekens C., Boldrini P. Facing in real time the challenges of the COVID-19 epidemic for rehabilitation. Eur. J. Phys. Rehabil. Med. 2020;56(3):313–315. DOI: 10.23736/S1973-9087.20.06286-3.Negrini S., Ferriero G., Kiekens C., Boldrini P. Facing in real time the challenges of the COVID-19 epidemic for rehabilitation. Eur. J. Phys. Rehabil. Med. 2020;56(3):313–315. DOI: 10.23736/S1973-9087.20.06286-3.Смирнова И.Н., Хон В.Б., Зайцев А.А., Левицкий Е.Ф., Тицкая Е.В. Автоматизированная система оценки эффективности санаторно-курортного лечения. Врач и информационные технологии. 2012;(1):64–69.Smirnova I.N., Khon V.B., Zaitsev A.A., Levitsky E.F., Titskaya E.V. Automated system for evaluating the effectiveness of sanatorium treatment. Doctor and Information Technology. 2012;(1):64–69. (In Russ.).Временные методические рекомендации Министерства здравоохранения России. Профилактика, диагностика и лечение новой коронавирусной инфекции (COVID-19). Версия 15 от 22.02.2022. URL: https://static-0.minzdrav.gov.ru/system/attachments/attaches/000/059/392/original/%D0%92%D0%9C%D0%A0_COVID-19_V15.pdf (20.11.2023).Temporary methodological recommendations of the Ministry of Health of Russia. Prevention, diagnosis and treatment of new coronavirus infection (COVID-19). Version 15 from 02/22/2022. (In Russ.). URL: https://static-0.minzdrav.gov.ru/system/attachments/attaches/000/059/392/original/%D0%92%D0%9C%D0%A0_COVID-19_V15.pdf (20.11.2023).Островский В.К., Макаров С.В., Янголенко Д.В., Родионов П.Н., Кочетков Л.Н., Асанов Б.М. Показатели крови и лейкоцитарный индекс интоксикации при оценке тяжести течения и определении прогноза воспалительных, гнойных и гнойно-деструктивных заболеваний органов брюшной полости и легких. Ульяновский медико-биологический журнал. 2011;(1):73–78.Ostrovsky V.K., Makarov S.V., Yangolenko D.V., Rodionov P.N., Kochetkov L.N., Asanov B.M. Blood parameters and leukocyte intoxication index in assessing the severity of the course and determining the prognosis of inflammatory, purulent and purulent-destructive diseases of the abdominal cavity and lungs. Ulyanovsk Medical and Biological Journal. 2011;(1):73–78.Ходашинский И.А., Сарин К.С. Отбор классифицирующих признаков с помощью популяционного случайного поиска с памятью. Автоматика и телемеханика. 2019;(2):161–172. DOI: 10.1134/S0005231019020107.Khodashinsky I.A., Sarin K.S. Selection of classifying features using population random search with memory. Automation and telemechanics. 2019;(2):161–172. (In Russ.). DOI: 10.1134/S0005231019020107.Ходашинский И.А., Сарин К.С. Отбор классифицирующих признаков: сравнительный анализ бинарных метаэвристик и популяционного алгоритма с адаптивной памятью. Программирование. 2019;(5):3–9. DOI: 10.31857/S013234742105006X.Khodashinsky I.A., Sarin K.S. Selection of classifying features: comparative analysis of binary metaheuristics and population algorithm with adaptive memory. Programming. 2019;(5):3–9. (In Russ.). DOI: 10.31857/S013234742105006X.Рыков А.С. Системный анализ: модели и методы принятия решений и поисковой оптимизации. М.: Издательский Дом МИСиС; 2009:607. URL: https://lib-bkm.ru/13995 (20.11.2023).Rykov A.S. System analysis: models and methods of decision-making and search engine optimization. Moscow: MISiS Publishing House; 2009:607. (In Russ.). URL: https://lib-bkm.ru/13995 (20.11.2023).Kononenko I., Šimec E., Robnik-Šikonja M. Overcoming the myopia of inductive learning algorithms with RELIEFF. Applied Intelligence. 1997;7(1):39–55. DOI: 10.1023/A:1008280620621.Kononenko I., Šimec E., Robnik-Šikonja M. Overcoming the myopia of inductive learning algorithms with RELIEFF. Applied Intelligence. 1997;7(1):39–55. DOI: 10.1023/A:1008280620621.Robnik-Šikonja M., Kononenko I. Theoretical and empirical analysis of ReliefF and RReliefF. Machine Learning. 2003;53(1/2):23–69. DOI: 10.1023/A:1025667309714.Robnik-Šikonja M., Kononenko I. Theoretical and empirical analysis of ReliefF and RReliefF. Machine Learning. 2003;53(1/2):23–69. DOI: 10.1023/A:1025667309714.Ding C., Peng H. Minimum redundancy feature selection from microarray gene expression data. J. Bioinform. Comput. Biol. 2005;3(2):185–205. DOI: 10.1142/s0219720005001004.Ding C., Peng H. Minimum redundancy feature selection from microarray gene expression data. J. Bioinform. Comput. Biol. 2005;3(2):185–205. DOI: 10.1142/s0219720005001004.Darbellay G.A., Vajda I. Estimation of the information by an adaptive partitioning of the observation space. IEEE Transactions on Information Theory. 1999;45(4):1315–1321. DOI: 10.1109/18.761290.Darbellay G.A., Vajda I. Estimation of the information by an adaptive partitioning of the observation space. IEEE Transactions on Information Theory. 1999;45(4):1315–1321. DOI: 10.1109/18.761290.Deb K., Agrawal S., Pratap A., Meyarivan T. A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans. Evol. Comput. 2002;6:182–197. DOI: 10.1109/4235.996017.Deb K., Agrawal S., Pratap A., Meyarivan T. A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans. Evol. Comput. 2002;6:182–197. DOI: 10.1109/4235.996017.LinearSVC. User Guide Scikit-learn Website. URL: https://scikitlearn.org/stable/modules/generated/sklearn.svm.LinearSVC.html (20.11.2023).LinearSVC. User Guide Scikit-learn Website. URL: https://scikitlearn.org/stable/modules/generated/sklearn.svm.LinearSVC.html (20.11.2023).

The authors declare that there are no conflicts of interest present.