Долгалёв Игорь Владимирович, д-р мед. наук, профессор, заведующий кафедрой факультетской терапии с курсом клинической фармакологии
634050, Томск, Московский тракт, 2
Igor V. Dolgalev, Dr. Sci. Med., Professor, Head of the Department of Faculty Therapy with a course in Clinical Pharmacology
2, Moskovskiy tract str., Tomsk, 634050
Вражнов Денис Александрович, научный сотрудник Научно-технологического центра «Цифровая медицина и киберфизика»
634050, Томск, Московский тракт, 2
Denis A. Vrazhnov, Research Scientist, Scientific and Technological Center “Digital Medicine and Cyberphysics”
2, Moskovskiy tract str., Tomsk, 634050
Толмачев Иван Владиславович, канд. мед. наук, ведущий научный сотрудник, руководитель Научно-технологического центра «Цифровая медицина и киберфизика», СибГМУ, Томск, Россия; ведущий научный сотрудник, отдел научных основ организации здравоохранения, ЦНИИОИЗ
634050, Томск, Московский тракт, 2,
127254, Москва, ул. Вучетича, 12
Ivan V. Tolmachev, Cand. Sci. (Med.), Leading Research Scientist, Head of Scientific and Technological Center “Digital medicine and cyberphysics” of SSMU; Senior Research Fellow, Division of Health Sciences, Russian Research Institute of Health
2, Moskovskiy tract str., Tomsk, 634050,
11, Dobrolubova, Moscow,127254
Старикова Елена Григорьевна, д-р мед. наук, ведущий научный сотрудник, Научно-технологический центр «Цифровая медицина и киберфизика»
634050, Томск, Московский тракт, 2
Elena G. Starikova, Dr. Sci. (Med.), Leading Research Scintist, Scientific and Technological Center “Digital Medicine and Cyberphysics”,
2, Moskovskiy tract str., Tomsk, 634050
Каверина Ирина Сергеевна, научный сотрудник, Научно-технологический центр «Цифровая медицина и киберфизика»
634050, Томск, Московский тракт, 2
Irina S. Kaverina, Research Scientist, Scientific and Technological Center “Digital medicine and cyberphysics”
2, Moskovskiy tract str., Tomsk, 634050
Завьялова Марина Викторовна, д-р мед. наук, профессор, заведующий кафедрой патологической анатомии
634050, Томск, Московский тракт, 2
Marina V. Zavyalova, Dr. Sci. (Med.), Professor, Head of the Department of Pathological Anatomy
2, Moskovskiy tract str., Tomsk, 634050
Введение. Патологические изменения систем и органов после перенесенного COVID-19 могут приводить к отложенному смертельному исходу. При этом одной из особенно значимых систем-мишеней постковидных изменений является кардиоваскулярная система.
Цель исследования: выявление с помощью методов машинного обучения (МО) показателей, имеющих прогностическую ценность при определении неблагоприятного исхода подострого COVID-19.
Материал и методы. В исследование были включены 212 человек, госпитализированных после перенесенного ранее в тяжелой форме COVID-19. Ретроспективно пациенты были разделены на 2 группы: 140 пациентов, которые были выписаны из стационара с заключением об улучшении состояния, и 72 пациента, умершие в период госпитализации. Всем пациентам проводились общеклинический, биохимический анализы, оценка свертывающей системы крови. Для анализа данных были использованы следующие методы МО: метод опорных векторов, случайный лес, стохастический градиентный бустинг. Валидация полученных моделей производилась методом перекрестной 10-кратной проверки совместно с ROC-AUC анализом (Receiver Operation Characteristics – Area Under Curve).
Результаты. В созданных нами предиктивных моделях предикторами смертельного исхода для методов случайный лес и стохастический градиентный бустинг являлись мочевина и температура тела; для машины опорных векторов – количество эритроцитов, эозинофилов и моноцитов, международное нормализованное отношение (МНО).
Выводы. В проведенном исследовании две предиктивные модели, созданные с помощью методов МО, случайный лес и стохастический градиентный бустинг, показали, что прогностическое значение имеют изменения двух показателей: уровня мочевины и температуры тела. Метод опорных векторов выявил другие предикторы, а именно количество эритроцитов, эозинофилов и моноцитов, МНО. Нами был применен метод голосования, на основе которого в качестве информативных признаков были установлены уровень мочевины и температура тела. Методы МО случайный лес и стохастический градиентный бустинг продемонстрировали схожие результаты, мы не учитывали данные, полученные с помощью метода опорных векторов. Подобный подход выбора предиктивной модели голосованием часто используется при оценке данных методами искусственного интеллекта. Возможно, повышение уровня мочевины являлось пусковым механизмом, ведущим к эндотелииту и последующему инфаркту миокарда, до того, как развилась острая почечная недостаточность.
Background. Pathological changes in systems and organs after COVID-19 can lead to delayed death. One of the most influenced target systems of post-COVID changes is the cardiovascular system.
Aim: To identify, using machine learning methods, indicators that have predictive value in determining the adverse outcome of subacute COVID-19.
Material and Methods. The study included 212 people admitted after previous severe COVID-19. Retrospectively, the patients were divided into 2 groups: 140 patients discharged from the hospital after improvement in their state and 72 patients died during hospitalization. All patients underwent general clinical, biochemical analyses, assessment of blood coagulation system. The following machine learning methods were used for data analysis: support vector machine, random forest, stochastic gradient boosting. Validation of the obtained models was carried out by the method of 10-fold cross-validation in conjunction with ROC–AUC analysis (Receiver Operation Characteristics – Area Under Curve).
Results. In the created models, the predictors of mortality were urea and body temperature for the random forest and stochastic gradient boosting methods, erythrocyte, eosinophil and monocyte counts, and INR (International Normalized Ratio) level for the support vector machine.
Conclusion. In our study, two predictive models created using machine learning methods random forest and stochastic gradient boosting showed that changes in urea level and body temperature had predictive value. The support vector machine revealed other predictors, namely the number of erythrocytes, eosinophils and monocytes, INR. We used the voting method, on the basis of which the urea level and body temperature were established as informative signs. The random forest and stochastic gradient boosting methods showed similar results, we did not take into account the data obtained using the support vector machine. This approach of choosing a predictive model by voting is often used when evaluating data using artificial intelligence methods. It is possible that an increase in urea levels was a trigger leading to endotheliitis and subsequent myocardial infarction, before acute renal failure developed.
The authors declare that there are no conflicts of interest present.