Определение предикторов неблагоприятного исхода в подострый период инфекции SARS-CoV-2 с помощью методов машинного обучения

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.

1. Nalbandian A., Sehgal K., Gupta A., Madhavan M.V., McGroder C., Stevens J.S. et al. Post-acute COVID-19 syndrome. Nat. Med. 2021;27(4):601–615. https://doi.org/10.1038/s41591-021-01283-z

2. Shah W., Hillman T., Playford E.D., Hishmeh L. Managing the long term effects of COVID-19: Summary of NICE, SIGN, and RCGP rapid guideline. Brit. Med. J. 2021;372:136–139. https://doi.org/10.1136/bmj.n136

3. Maestre-Muñiz M.M., Arias Á., Mata-Vázquez E., Martín-Toledano M., López-Larramona G., Ruiz-Chicote A.M. et al. Long-term outcomes of patients with coronavirus disease 2019 at one year after hospital discharge. J. Clin. Med. 2021;10(13):2945–2949. https://doi.org/10.12775/JEHS.2022.12.04.006

4. Xie Y., Xu E., Bowe B., Al-Aly Z. Long-term cardiovascular outcomes of COVID-19. Nat. Med. 2022;28(3):583–590. https://doi.org/10.1038/s41591-022-01689-3

5. Puntmann V.O., Carerj M.L., Wieters I. Outcomes of cardiovascular magnetic resonance imaging in patients recently recovered from coronavirus disease 2019 (COVID-19). JAMA Cardiol. 2020;5:1265–1273. https://doi.org/10.1001/jamacardio.2020.3557

6. Stokes E., Zambrano L., Anderson K., Marder E., Raz K., El Burai F. et al. Coronavirus disease 2019 case surveillance – United States, January 22-May 30, 2020. MMWR Morb. Mortal. Wkly Rep. 2020;69:759. https://doi.org/10.15585/mmwr.mm6924e2

7. John K.J., Mishra A.K., Ramasamy C., George A.A., Selvaraj V., Lal A. Heart failure in COVID-19 patients: critical care experience. World J. Virol. 2022;11:1–19. https://doi.org/10.5501/wjv.v11.i1.1

8. Mehandru S., Merad M. Pathological sequelae of long-haul COVID. Nat. Immunol. 2022;23(2):94–202. https://doi.org/10.1038/s41590-021-01104-y

9. Ji M., Yuan L., Shen W., Lv J., Li Y., Li M. et al. Characteristics of disease progress in patients with coronavirus disease 2019 in Wuhan, China. Epidemiology and infection. 2020;148:94–97. https://doi.org/10.1017/S0950268820000977

10. Collett D. Modelling survival data in medical research (4th ed.). New York: Chapman and Hall/CRC. 2023:556. https://doi.org/10.1201/9781003282525

11. Vrazhnov D., Mankova A., Stupak E., Kistenev Y., Shkurinov A., Cherkasova O. Discovering glioma tissue through its biomarkers' detection in blood by raman spectroscopy and machine learning. Pharmaceutics. 2023;15(1):203–215. https://doi.org/10.3390/pharmaceutics15010203

12. Gong J., Dong H., Xia Q.S., Huang Z.Y., Wang D.K., Zhao Y. et al. Correlation analysis between disease severity and inflammation-related parameters in patients with COVID-19: a retrospective study. BMC Infect. Dis. 2020;20(1):963. https://doi.org/10.1186/s12879-020-05681-5

13. Liao D., Zhou F., Luo L., Xu M., Wang H., Xia J. et al. Haematological characteristics and risk factors in the classification and prognosis evaluation of COVID-19: a retrospective cohort study. Lancet Haematol. 2020;7(9):e671–e678. https://doi.org/10.1016/S2352-3026(20)30217-9

14. Bloom P.P., Meyerowitz E.A., Reinus Z., Daidone M., Gustafson J., Kim A.Y. Liver Biochemistries in Hospitalized Patients With COVID-19. Hepatology. 2021;73(3):890–900. https://doi.org/10.1002/hep.31326

15. Bashir S., Almazroi A., Ashfaq A., Almazroi A., Khan F. A knowledge-based clinical decision support system utilizing an intelligent ensemble voting scheme for improved cardiovascular disease prediction. IEEE Access. 2021;9:130805–130822. https://doi.org/10.1109/ACCESS.2021.3110604

16. Fathima M.D., Samuel S., Natchadalingam R., Kaveri V. Majority voting ensembled feature selection and customized deep neural network for the enhanced clinical decision support system. International Journal of Computers and Applications. 2022;44(10):991–1001. https://doi.org/10.1080/1206212X.2022.2069643

17. Tharakan S., Nomoto K., Miyashita S., Ishikawa K. Body temperature correlates with mortality in COVID-19 patients. Crit. Care. 2020;24:298. https://doi.org/10.1186/s13054-020-03045-8

18. Lau W.L., Vaziri N.D. Urea, a true uremic toxin: the empire strikes back. Clin. Sci. (Lond). 2017;131(1):3–12. https://doi.org/10.1042/CS20160203

19. d'Apolito M,. Colia A.L., Manca E., Pettoello-Mantovani M., Sacco M., Maffione A.B., Brownlee M., Giardino I. Urea memory: transient cell exposure to urea causes persistent mitochondrial ROS production and endothelial dysfunction. Toxins (Basel). 2018;10(10):410. https://doi.org/10.3390/toxins10100410

20. Colombo G., Altomare A., Astori E., Landoni L., Garavaglia M.L., Rossi R. et al. Effects of Physiological and Pathological Urea Concentrations on Human Microvascular Endothelial Cells. Int. J. Mol. Sci. 2022;24(1):691. https://doi.org/10.3390/ijms24010691

21. Ertuğlu L.A., Kanbay A., Afşar B., Elsürer Afşar R., Kanbay M. COVID-19 and acute kidney injury. Tuberk. Toraks. 2020;68(4):407–418. https://doi.org/10.5578/tt.70010