ИСТИНА

Введение. В нескольких исследованиях, опубликованных в последние месяцы, были продемонстрированы преимущества моделей прогноза течения COVID-19, построенных на основе методов машинного обучения [1, 2]. Цель исследования: с использованием методов машинного обучения определить основные предикторы летального исхода у пациентов с COVID-19, прошедших через палату интенсивной терапии (ПИТ), и выявить наилучшие прогностические модели по результатам внутренней валидации. Материал и методы. На базе ГКБ №68 им. В.П. Демихова проведено ретроспективное когортное исследование 575 пациентов с подтвержденным диагнозом COVID-19, госпитализированных в ПИТ ГКБ № 68 в период с 01.03.2020 – 03.06.2020. Выделены 2 группы пациентов: умершие в стационаре (1) и выжившие (2). Использованы 14 методов машинного обучения, включая методы, имитирующие процессы принятия решений, Байесовские сети и нейронную сеть. Результаты исследования. Общая летальность составила 34,6% (199 из 575 пациентов умерло в ПИТ). Для обучения моделей использованы данные пациентов за март-апрель (397 пациентов), внутренняя валидация была проведена на 178 пациентах. Три модели показали наилучшее прогностическое качество по результатам ROC-анализа: SVM (метод основных векторов, AUC = 0,824 [95% ДИ: 0,705-0,915], p = 0,025), Байесовская сеть (AUC = 0,826 [0,684-0,902], p = 0,034) и KNN (метод ближайших соседей, AUC = 0,901 [0,786-0,985], p = 0,014). По результатам внутренней валидации на тестовой выборке, прогностическое качество модели SVM уменьшилось в ROC анализе до 0,789 [0,614-0,815], p = 0,052, для Байесовской сети – до 0,677 [0,525-0,769], p = 0,083], для KNN – до 0,806 [0,691-0,931], p = 0,041. Все три модели включили 6 независимых предикторов: ХОБЛ, ЦВН, ХБП и ИМ в анамнезе, возраст 60 и старше, а также уровень СРБ более 160 мг/л при поступлении в ОРИТ. Прогностическая ценность модели ограничена, и необходимо расширение анализируемой выборки для увеличения возможностей обучения алгоритмов и возможности внешней валидации. Вывод: Единственной значимой прогностической моделью летального исхода оказалась KNN (AUC = 0,806 [95% ДИ: 0,691-0,931], p = 0,041). Литература: Jimenez-Solem E. et al. Developing and validating COVID-19 adverse outcome risk prediction models from a bi-national European cohort of 5594 patients //Scientific reports. 2021;11(1):1-12. Schöning V. et al. Development and validation of a prognostic COVID-19 severity assessment (COSA) score and machine learning models for patient triage at a tertiary hospital //Journal of translational medicine. 2021;19(1):1-11.