jofinЖурнал инфектологииJournal Infectology2072-6732IPO “АIDSSPbR"10.22625/2072-6732-2022-14-5-14-25jofin-1422Research ArticleОригинальное исследованиеOriginal ResearchПрогноз степени тяжести течения SARS-CoV-2-инфекции у лиц молодого возраста с применением методов искусственного интеллектаSARS-CoV-2 severity prediction in young adults using artificial intelligenceКасьяненкоК. В.Kas’janenkoK. V.

Кристина Валерьевна Касьяненко, преподаватель

кафедра инфекционных болезней (с курсом медицинской паразитологии и тропических заболеваний) 

Санкт-Петербург

тел.: +7-911-262-06-33

Saint-Petersburg

dr.snegur@gmail.comКозловК. В.KozlovK. V.

Константин Вадимович Козлов, профессор, д. м. н., доцент

кафедра инфекционных болезней (с курсом медицинской паразитологии и тропических заболеваний)

Санкт-Петербург

тел.: +7-921-657-27-49

Saint-Petersburg

kosttiak@mail.ruЖдановК. В.ZhdanovK. V.

Константин Валерьевич Жданов, начальник кафедры, д. м. н., профессор, член-корреспондент

кафедра инфекционных болезней (с курсом медицинской паразитологии и тропических заболеваний)

Санкт-Петербург

тел.: +7-921-939-82-95

Saint-Petersburg

ЛапиковИ. И.LapikovI. I.

Игорь Игоревич Лапиков, доцент, к. т. н.

Институт кибербезопасности и цифровых технологий

кафедра информационного противоборства

Москва

тел.: 8(499)215-65-65

Moscow

lapikov.i.i@yandex.ruБеликовВ. В.BelikovV. V.

Владимир Вячеславович Беликов, доцент, к. воен. н.,доцент

Институт кибербезопасности и цифровых технологий

кафедра информационного противоборства

Москва

тел.: 8 (499) 215-65-65

Moscow

belikov@mirea.ruВоенно-медицинская академия им. С. М. КироваРоссияMilitary Medical Academy named after S. M. KirovRussian FederationВоенно-медицинская академия им. С. М. Кирова; РАНРоссияMilitary Medical Academy named after S. M. KirovRussian FederationМИРЭА – Российский технологический университетРоссияMIREA – Russian Technological UniversityRussian Federation2022291220221451425Copyright © Касьяненко К.В., Козлов К.В., Жданов К.В., Лапиков И.И., Беликов В.В., 20232023Касьяненко К.В., Козлов К.В., Жданов К.В., Лапиков И.И., Беликов В.В.Kas’janenko K.V., Kozlov K.V., Zhdanov K.V., Lapikov I.I., Belikov V.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://journal.niidi.ru/jofin/article/view/1422

   Цель: построить с использованием методов искусственного интеллекта предсказательную модель тяжелого течения COVID-19 у лиц молодого возраста.   Материалы и методы: проанализированы данные 906 историй болезни пациентов в возрасте от 18 до 44 лет с лабораторно верифицированной SARS-CoV-2-инфекцией за период 2020–2021 гг. Оценка лабораторных и инструментальных данных осуществлялось с помощью U-критерия Манна – Уитни с уровнем статистической значимости . Обучение нейросетевой модели проводилось с использованием фреймворка Pytorch.   Результаты. У пациентов с легкой и средней степенями тяжести SARS-CoV-2-инфекции периферическая кислородная сатурация, содержание эритроцитов, гемоглобина, общего белка, альбумина, уровень гематокрита, сывороточного железа, трансферрина, а также абсолютное число эозинофилов и лимфоцитов периферической крови были статистически значимо выше, чем у пациентов с тяжелой степенью тяжести заболевания (p < 0,001). Значения абсолютного числа нейтрофилов, СОЭ, глюкозы, АЛТ, АСТ, КФК, мочевины, ЛДГ, ферритина, СРБ, фибриногена, D-димера, ЧДД, ЧСС, уровень артериального давления в группе пациентов легкой и средней степени тяжести были статистически значимо ниже, чем в группе тяжелых пациентов (p < 0,001). Выделено 11 показателей, являющихся предикторами тяжелого течения (уровень периферической кислородной сатурации, количество эритроцитов, уровень гемоглобина, абсолютные значения эозинофилов, лимфоцитов, абсолютное значения нейтрофилов, уровень ЛДГ, ферритина, С-реактивного белка, D-димера) и их пороговые значения. Разработанная с использованием методов искусственного интеллекта прогностическая модель с высокой чувствительностью и специфичностью способна предсказать развитие тяжелого течения SARS-CoV-2-инфекции у пациентов молодого возраста.   Заключение. Значения лабораторных и инструментальных показателей, полученных у пациентов с SARS-CoV-2-инфекцией различной степени тяжести при поступлении на стационарное лечение, статистически значимо отличаются. Среди них выделены 11 показателей, которые достоверно связаны с развитием тяжелого течения. На основе методов искусственного интеллекта построена прогностическая модель глубокого обучения, которая с высокой точностью предсказывает развитие тяжелого течения SARS-CoV-2-инфекции у лиц молодого возраста на этапе госпитализации.

   Aim: to build a predictive model for severe COVID-19 prediction in young adults using deep learning methods.   Materials and methods: data from 906 medical records of patients aged 18 to 44 years with laboratory-confirmed SARS-CoV-2 infection during 2020–2021 period was analyzed. Evaluation of laboratory and instrumental data was carried out using the Mann-Whitney U-test. The level of statistical significance was p≤0,05. The neural network was trained using the Pytorch framework.   Results: in patients with mild to moderate SARS-CoV-2 infection, peripheral oxygen saturation, erythrocytes, hemoglobin, total protein, albumin, hematocrit, serum iron, transferrin, and absolute peripheral blood eosinophil and lymphocyte counts were significantly higher than in patients with severe СOVID-19 (p< 0,001). The values of the absolute number of neutrophils, ESR, glucose, ALT, AST, CPK, urea, LDH, ferritin, CRP, fibrinogen, D-dimer, respiration rate, heart rate, blood pressure in the group of patients with mild and moderate severity were statistically significantly lower than in the group of severe patients (p < 0.001). Eleven indicators were identified as predictors of severe COVID-19 (peripheral oxygen level, peripheral blood erythrocyte count, hemoglobin level, absolute eosinophil count, absolute lymphocyte count, absolute neutrophil count, LDH, ferritin, C-reactive protein, D-dimer levels) and their threshold values. A model intended to predict COVID-19 severity in young adults was built.   Conclusion. The values of laboratory and instrumental indicators obtained in patients with SARS-CoV-2 infection upon admission significantly differ. Among them eleven indicators were significantly associated with the development of a severe COVID-19. A predictive model based on artificial intelligence method with high accuracy predicts the likelihood of severe SARS-CoV-2 course development in young adults.

COVID-19SARS-CoV-2новая коронавирусная инфекцияискусственный интеллектCOVID-19SARS-CoV-2novel coronavirus diseaseartificial intelligenceReferencesCrevier, D. A. I: the tumultuous history of the search for artificial intelligence / D. Crevier – DOI: 10.3233/AIC-1995-8108. – Текст: электронный // Basic Books, Inc. – 1993. – URL: https://www.researchgate.net/publication/233820788_AI_The_Tumultuous_History_of_the_Search_for_Artificial_Intelligence (дата обращения: 05. 09. 2022).Crevier, D. A. I.: the tumultuous history of the search for artificial intelligence / D. Crevier – DOI: 10.3233/AIC-1995-8108. – Text: electronic // Basic Books, Inc. – 1993. – URL: https://www.researchgate.net/publication/233820788_AI_The_Tumultuous_History_of_the_Search_for_Artificial_Intelligence (data obrashhenija: 05. 09. 2022).Mitchell, T. M. Machine learning / T. M. Mitchell – Текст: электронный // Burr Ridge, IL: McGraw Hill. – 1997. – № 45 (37). – P. 870-877. – URL: https://www.cin.ufpe.br/~cavmj/Machine%20-%20Learning%20-%20Tom%20Mitchell.pdf (дата обращения: 05. 09. 2022).Mitchell, T. M. Machine learning / T. M. Mitchell. – Text: electronic // Burr Ridge, IL: McGraw Hill. – 1997. – № 45 (37). – P. 870-877. – URL: https://www.cin.ufpe.br/~cavmj/Machine%20-%20Learning%20-%20Tom%20Mitchell.pdf (data obrashhenija: 05. 09. 2022).Shortliffe, E. Computer-based medical consultations: MYCIN / E. Shortliffe – DOI: 10.1016/B978-0-444-00179-5.X5001-X. – Текст: электронный // Elsevier. – 2012. – № 2. – URL: https://books.google.ru/books/about/Computer_Based_Medical_Consultations_MYC.html?id=i9QXugPQw6oC&redir_esc=y (дата обращения: 05. 09. 2022).Shortliffe, E. Computer-based medical consultations: MYCIN / E. Shortliffe – DOI: 10.1016/B978-0-444-00179-5.X5001-X. – Text: electronic // Elsevier. – 2012. – № 2. – URL: https://books.google.ru/books/about/Computer_Based_Medical_Consultations_MYC.html?id=i9QXugPQw6oC&redir_esc=y (data obrashhenija: 05. 09. 2022).Hinton, G. Deep learning—a technology with the potential to transform health care / G. Hinton – DOI: 10.1001/jama.2018.11100. – Текст: электронный // Jama. – 2018. – № 320 (11). – P. 1101-1102. – URL: https://jamanetwork.com/journals/jama/article-abstract/2701666 (дата обращения: 05. 09. 2022).Hinton, G. Deep learning—a technology with the potential to transform health care / G. Hinton – DOI: 10.1001/jama.2018.11100. – Text: electronic // Jama. – 2018. – № 320 (11). – P. 1101-1102. – URL: https://jamanetwork.com/journals/jama/article-abstract/2701666 (data obrashhenija: 05. 09. 2022).Силкина, У. И. Дискриминантный анализ параметров вариационной пульсометрии / У. И. Силкина, В. А. Баландин // Russian Technological Journal. –2020. – № 8 (3). – С. 81–91. – doi: 10.32362/2500-316X-2020-8-3-81-91Silkina, U. I. Discriminant analysis of variational pulsometry parameters / U. I. Silkina, V. A. Balandin // Russian Technological Journal. – 2020. – № 8 (3). – P. 81-91. (In Russ.) doi: 10.32362/2500-316X-2020-8-3-81-91Rawson, T. M. A systematic review of clinical decision support systems for antimicrobial management: are we failing to investigate these interventions appropriately / T. M. Rawson, L. S. Moore, B. Hernandez [et. al.]. – DOI: 10.1016/j.cmi.2017.02.028. – Текст: электронный // Clinical Microbiology and Infection. – 2017. – № 23 (8). – P. 524-532. – URL: https://www.clinicalmicrobiologyandinfection.com/article/S1198-743X(17)30125-8/fulltext (дата обращения: 05. 09. 2022).Rawson, T. M. A systematic review of clinical decision support systems for antimicrobial management: are we failing to investigate these interventions appropriately / T. M. Rawson, L. S. Moore, B. Hernandez [et. al.]. – DOI: 10.1016/j.cmi.2017.02.028. – Text: electronic // Clinical Microbiology and Infection. – 2017. – № 23 (8). – P. 524-532. – URL: https://www.clinicalmicrobiologyandinfection.com/article/S1198-743X(17)30125-8/fulltext (data obrashhenija: 05. 09. 2022).Martínez-Agüero, S. Machine learning techniques to identify antimicrobial resistance in the intensive care unit / S. Martínez-Agüero, I. Mora-Jiménez, J. Lérida-García [et. al.]. – DOI: 10.3390/e21060603. – Текст: электронный // Entropy. – 2019. – № 21 (6). – URL: https://www.mdpi.com/1099-4300/21/6/603 (дата обращения: 05. 09. 2022).Martínez-Agüero, S. Machine learning techniques to identify antimicrobial resistance in the intensive care unit / S. Martínez-Agüero, I. Mora-Jiménez, J. Lérida-García [et. al.]. – DOI: 10.3390/e21060603. – Text: electronic // Entropy. – 2019. – № 21 (6). – URL: https://www.mdpi.com/1099-4300/21/6/603 (data obrashhenija: 05. 09. 2022).Hartvigsen, T. Early Prediction of MRSA Infections using Electronic Health Records / T. Hartvigsen, C. Sen, S. Brownell [et. al.]. – DOI: 10.5220/0006599601560167. – Текст: электронный // HEALTHINF. – 2018. – P. 156-167. – URL: https://www.scitepress.org/Link.aspx?doi=10.5220/0006599601560167 (дата обращения: 05. 09. 2022).Hartvigsen, T. Early Prediction of MRSA Infections using Electronic Health Records / T. Hartvigsen, C. Sen, S. Brownell [et. al.]. – DOI: 10.5220/0006599601560167. – Text: electronic // HEALTHINF. – 2018. – P. 156-167. – URL: https://www.scitepress.org/Link.aspx?doi=10.5220/0006599601560167 (data obrashhenija: 05. 09. 2022).Revuelta-Zamorano, P. Prediction of healthcare associated infections in an intensive care unit using machine learning and big data tools / P. Revuelta-Zamorano, A. Sánchez, J. L. Rojo-Alvarez [et. al.]. – DOI: 10.1007/978-3-319-32703-7_163. – Текст: электронный // XIV Mediter-ranean conference on medical and biological engineering and computing, Springer International Publishing. – 2016. – № 57. – P. 840–845. – URL: https://link.springer.com/chapter/10.1007/978-3-319-32703-7_163 (дата обращения: 05. 09. 2022).Revuelta-Zamorano, P. Prediction of healthcare associated infections in an intensive care unit using machine learning and big data tools / P. Revuelta-Zamorano, A. Sánchez, J. L. Rojo-Álvarez [et. al.]. – DOI: 10.1007/978-3-319-32703-7_163. – Text: electronic // XIV Mediterranean conference on medical and biological engineering and computing, Springer International Publishing. – 2016. – № 57. – P. 840–845. – URL: https://link.springer.com/chapter/10.1007/978-3-319-32703-7_163 (data obrashhenija: 05. 09. 2022).Hernandez, B. Supervised learning for infection risk inference using pathology data / B. Hernandez, P. Herrero, T. M. Rawson [et. al.]. – DOI: 10.1186/s12911-017-0550-1. – Текст: электронный // BMC medical informatics and decision making. – 2017. – № 17 (168). – P. 1-12. – URL: https://bmc-edinformdecismak.biomedcentral.com/articles/10.1186/s12911-017-0550-1 (дата обращения: 05. 09. 2022).Hernandez, B. Supervised learning for infection risk inference using pathology data / B. Hernandez, P. Herrero, T. M. Rawson [et. al.]. – DOI: 10.1186/s12911-017-0550-1. – Text: electronic // BMC medical informatics and decision making. – 2017. – № 17 (168). – P. 1-12. – URL: https://bmc-medinformdecismak.biomedcentral.com/articles/10.1186/s12911-017-0550-1 (data obrashhenija: 05. 09. 2022).Agbehadji, I. E. Review of big data analytics, artificial intelligence and nature-inspired computing models towards accurate detection of COVID-19 pandemic cases and contact tracing / I. E. Agbehadji, B. O. Awuzie, A. B. Ngowi [et. al.]. – DOI: 10.3390/ijerph17155330. – Текст: электронный // Int J Environ Res Publ Health. – 2020. – №17 (15). – P. 5330. – URL: https://www.mdpi.com/1660-4601/17/15/5330 (дата обращения: 05. 09. 2022).Agbehadji, I. E. Review of big data analytics, artificial intelligence and nature-inspired computing models towards accurate detection of COVID-19 pandemic cases and contact tracing / I. E. Agbehadji, B. O. Awuzie, A. B. Ngowi [et. al.]. – DOI: 10.3390/ijerph17155330. – Text: electronic // Int J Environ Res Publ Health. – 2020. – № 17 (15). – P. 5330. – URL: https://www.mdpi.com/1660-4601/17/15/5330 (data obrashhenija: 05. 09. 2022).Naudé, W. Artificial intelligence vs Covid-19: limitations, constraints and pitfalls / W. Naudé – DOI: 10.1007/s00146-020-00978-0. – Текст: электронный // AI Soc. – 2020. – № 35. – P. 761–765. – URL: https://link.springer.com/article/10.1007/s00146-020-00978-0#citeas (дата обращения: 05. 09. 2022).Naudé, W. Artificial intelligence vs Covid-19: limitations, constraints and pitfalls / W. Naudé – DOI: 10.1007/s00146-020-00978-0. – Text: electronic // AI Soc. – 2020. – № 35. – P. 761–765. – URL: https://link.springer.com/article/10.1007/s00146-020-00978-0#citeas (data obrashhenija: 05. 09. 2022).Vaid, A. Machine learning to predict mortality and critical events in covid-19 positive New York city patients: a cohort study / A. Vaid, S. Somani, A. J. Russak [et. al.]. – DOI: 10.2196/24018. – Текст: электронный // J Med Internet Res. – 2020. – № 22 (11). – URL: https://www.jmir.org/2020/11/e24018 (дата обращения: 05. 09. 2022).Vaid, A. Machine learning to predict mortality and critical events in covid-19 positive New York city patients: a cohort study / A. Vaid, S. Somani, A. J. Russak [et. al.]. – DOI: 10.2196/24018. – Text: electronic // J Med Internet Res. – 2020. – № 22 (11). – URL: https://www.jmir.org/2020/11/e24018 (data obrashhenija: 05. 09. 2022).Rechtman, E. Vital signs assessed in initial clinical encounters predict covid-19 mortality in an NYC hospital system / E. Rechtman, P. Curtin, E. Navarro [et. al.]. – DOI: 10.1038/s41598-020-78392-1. – Текст: электронный // Sci Rep. – 2020. – № 10 (21545). – P. 1-6. – URL: https://www.nature.com/articles/s41598-020-78392-1 (дата обращения: 05. 09. 2022).Rechtman, E. Vital signs assessed in initial clinical encounters predict covid-19 mortality in an NYC hospital system / E. Rechtman, P. Curtin, E. Navarro [et. al.]. – DOI: 10.1038/s41598-020-78392-1. – Text: electronic // Sci Rep. – 2020. – № 10 (21545). – P. 1-6. – URL: https://www.nature.com/articles/s41598-020-78392-1 (data obrashhenija: 05. 09. 2022).Cabitza, F. Development, evaluation, and validation of machine learning models for covid-19 detection based on routine blood tests / F. Cabitza, A. Campagner, D. Ferrari [et. al.]. – DOI: 10.1515/cclm-2020-1294. – Текст: электронный // Clin Chem Lab Med. – 2020. – № 59 (2). – P. 421-431. – URL: https://www.degruyter.com/document/doi/10.1515/cclm-2020-1294/html (дата обращения: 05. 09. 2022).Cabitza, F. Development, evaluation, and validation of machine learning models for covid-19 detection based on routine blood tests / F. Cabitza, A. Campagner, D. Ferrari [et. al.]. – DOI: 10.1515/cclm-2020-1294. – Text: electronic // Clin Chem Lab Med. – 2020. – № 59 (2). – P. 421-431. – URL: https://www.degruyter.com/document/doi/10.1515/cclm-2020-1294/html (data obrashhenija: 05. 09. 2022).Goodman-Meza, D. A machine learning algorithm to increase COVID-19 inpatient diagnostic capacity / D. Goodman-Meza, A. Rudas, J. N. Chiang [et. al.]. – DOI: 10.1371/journal.pone.0239474. – Текст: электронный // PloS One. – 2020. – № 15 (9). – URL: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0239474 (дата обращения: 05. 09. 2022).Goodman-Meza, D. A machine learning algorithm to increase COVID-19 inpatient diagnostic capacity / D. Goodman-Meza, A. Rudas, J. N. Chiang [et. al.]. – DOI: 10.1371/journal.pone.0239474. – Text: electronic // PloS One. – 2020. – № 15 (9). – URL: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0239474 (data obrashhenija: 05. 09. 2022).AlJame, M. Ensemble learning model for diagnosing COVID-19 from routine blood tests / M. AlJame, I. Ahmad, A. Imtiaz [et. al.]. – DOI: 10.1016/j.imu.2020.100449. – Текст: электронный // Inform Med Unlocked. – 2020. – № 21 (100449). – URL: https://www.sciencedirect.com/science/article/pii/S2352914820305992?via%3Dihub (дата обращения: 05. 09. 2022).AlJame, M. Ensemble learning model for diagnosing COVID-19 from routine blood tests / M. Al Jame, I. Ahmad, A. Imtiaz [et. al.]. – DOI: 10.1016/j.imu.2020.100449. – Текст: электронный // Inform Med Unlocked. – 2020. – № 21 (100449). – URL: https://www.sciencedirect.com/science/article/pii/S2352914820305992?via%3Dihub (data obrashhenija: 05. 09. 2022).Поляков, А. С. Прогностическое значение некоторых гематологических синдромов при инфекции, вызванной SARS-CoV-2К. / А. С. Поляков [и др.] – DOI 10.34883/PI.2020.6.2.001. – EDN IAVLYV – Текст: электронный // Гематология. Трансфузиология. Восточная Европа. – 2020. – Т. 6, № 2. – С. 161–171. – URL: https://www.elibrary.ru/download/elibrary_43065813_69549691.pdf (дата обращения: 05. 09. 2022).Polyakov, A. S. Prognostic Significance of Some Hematological Syndromes in SARS-CoV-2 Infection / A. S. Polyakov, K. V. Kozlov // Hematology. Transfusiology. Eastern Europe. – 2020. – № 6 (2). – P. 161-171. (In Russ.)Национальный проект «Здравоохранение». Федеральный проект «Создание единого цифрового контура в здравоохранении на основе единой государственной информационной системы в сфере здравоохранения (ЕГИСЗ)», утв. Министерством здравоохранения России 16. 10. 2019.Nacional’nyj proekt «Zdravoohranenie». Federal’nyj proekt «Sozdanie edinogo cifrovogo kontura v zdravoohranenii na osnove edinoj gosudarstvennoj informacionnoj sistemy v sfere zdravoohranenija (EGISZ)», utv. Ministerstvom zdravoohranenija Rossii 16. 10. 2019Dyussenbayev, A. Age Periods Of Human Life / A. Dyussenbayev. – DOI: 10.14738/assrj.46.2924 4 (6) 258-263. – Текст: электронный // Advances in Social Sciences Research Journal. – 2017. – № 4 (6). – URL: https://journals.scholarpublishing.org/index.php/ASSRJ/article/view/2924. (дата обращения: 05. 09. 2022).Dyussenbayev, A. (2017). Age Periods Of Human Life / A. Dyussenbayev. – DOI: 10.14738/assrj.46.2924 4(6) 258-263. – Text: electronic // Advances in Social Sciences Research Journal. – 2017. – № 4 (6). – URL: https://journals.scholarpublishing.org/index.php/ASSRJ/article/view/2924 (data obrashhenija: 05. 09. 2022).Временные методические рекомендации по профилактике, диагностике и лечению новой коронавирусной инфекции (COVID-19) версия 16 (URL: https://static-0.minzdrav.gov.ru/system/attachments/attaches/000/060/193/original/%D0%92%D0%9C%D0%A0_COVID-19_V16.pdf (дата обращения: 05. 09. 2022).Vremennye metodicheskie rekomendacii po profilaktike, diagnostike i lecheniju novoj koronavirusnoj infekcii (COVID-19) versija 16 (URL: https://static-0.minzdrav.gov.ru/system/attachments/attaches/000/060/193/original/%D0%92%D0%9C%D0%A0_COVID-19_V16.pdf (data obrashhenija: 05. 09. 2022).Kuhn, M. Feature Engineering and Selection: A Practical Approach for Predictive Models / M. Kuhn , K. Johnson. – Chapman & Hall/CRC, 2019. – 310 с.Kuhn, M. Feature Engineering and Selection: A Practical Approach for Predictive Models / M. Kuhn , K. Johnson. – Chapman & Hall/CRC, 2019. – 310 p.Воронцов, К. В. Машинное обучение (курс лекций) / К. В. Воронцов. – URL: http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 (дата обращения 20. 08. 2022)Voroncov K. V. Mashinnoe obuchenie (kurs lekcij) / K. V. Voroncov. URL: http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 (data obrashhenija: 05. 09. 2022).Брюс П. Практическая статистика для специалистов Data Science : 2-е изд., перераб.и доп. / П. Брюс, Э. Брюс, П. Гедек. – O’Reilly, 2021. – 352 c.Bruce, P. Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python / P. Bruce, A. Bruce, P. Gedek. – O’Reilly, 2020. – 368 p.Свидетельство о государственной регистрации программы для ЭВМ No 2022665747. Российская Федерация. «CASP(ER) – Covid-19 assisted severity prediction (early reliable)» / К. Касьяненко; заявитель и правообладатель Касьяненко Кристина. – No 2022665747; заявка 06. 08. 2022; зарегистр. 19. 08. 2022; опубл. 19. 08. 2022, Бюл. No 8. – 1 с.Svidetel’stvo o gosudarstvennoĭ registracii programmy dlja JeVM No2022665747. Rossiĭskaja Federacija. «CASP(ER) – Covid-19 assisted severity prediction (early reliable)» / K. Kas’janenko; zajavitel’ i pravoobladatel’ Kas’janenko Kristina. – No 2022665747; zajavka 06. 08. 2022; zaregistr. 19. 08. 2022; opubl. 19. 08. 2022, Bjul. No 8. – 1 s.Bayat, V. A severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) prediction model from standard laboratory tests / V. Bayat, S. Phelps, R. Ryono [et. al.]. – DOI: 10.1093/cid/ciaa1175. – Текст: электронный // Clin Infect Dis. – 2020. – № 73 (9). – P. 2901-2907. – URL: https://academic.oup.com/cid/article/73/9/e2901/5891814?login=false (дата обращения: 05. 09. 2022).Bayat, V. A severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) prediction model from standard laboratory tests / V. Bayat, S. Phelps, R. Ryono [et. al.]. – DOI: 10.1093/cid/ciaa1175. – Текст: электронный // Clin Infect Dis. – 2020. – № 73 (9). – P. 2901-2907. – URL: https://academic.oup.com/cid/article/73/9/e2901/5891814?login=false (data obrashhenija: 05. 09. 2022).Kukar, M. Covid-19 diagnosis by routine blood tests using machine learning / M. Kukar, G. Gunčar, T. Vovko [et. al.]. – DOI: 10.1038/s41598-021-90265-9. – Текст: электронный // Sci Rep. – 2021. – № 11 (10738). – URL: https://www.nature.com/articles/s41598-021-90265-9#citeas (дата обращения: 05. 09. 2022).Kukar, M. Covid-19 diagnosis by routine blood tests using machine learning / M. Kukar, G. Gunčar, T. Vovko [et. al.]. – DOI: 10.1038/s41598-021-90265-9. – Text: electronic // Sci Rep. – 2021. – № 11 (10738). – URL: https://www.nature.com/articles/s41598-021-90265-9#citeas (data obrashhenija: 05. 09. 2022).Wu, J. Rapid and accurate identification of covid-19 infection through machine learning based on clinical available blood test results / J. Wu, P. Zhang, L. Zhang [et. al.]. – DOI: 10.1101/2020.04.02.20051136. – Текст: электронный // medRxiv. – 2020. – URL: https://www.medrxiv.org/content/10.1101/2020.04.02.20051136v1 (дата обращения: 05. 09. 2022).Wu, J. Rapid and accurate identification of covid-19 infection through machine learning based on clinical available blood test results / J. Wu, P. Zhang, L. Zhang [et. al.]. – DOI: 10.1101/2020.04.02.20051136. – Text: electronic // medRxiv. – 2020. – URL: https://www.medrxiv.org/content/10.1101/2020.04.02.20051136v1 (data obrashhenija: 05. 09. 2022).Brinati, D. Detection of COVID-19 infection from routine blood exams with machine learning: a feasibility study / D. Brinati, A. Campagner, D. Ferrari [et. al.]. – DOI: 10.1007/s10916-020-01597-4. – Текст: электронный // J Med Syst. – 2020. – № 44 (135). – URL: https://link.springer.com/article/10.1007/s10916-020-01597-4 (дата обращения: 05. 09. 2022).Brinati, D. Detection of COVID-19 infection from routine blood exams with machine learning: a feasibility study / D. Brinati, A. Campagner, D. Ferrari [et. al.]. – DOI: 10.1007/s10916-020-01597-4. – Text: electronic // J Med Syst. – 2020. – № 44 (135). – URL: https://link.springer.com/article/10.1007/s10916-020-01597-4 (data obrashhenija: 05. 09. 2022).Butt A. A. Rate and risk factors for severe/critical disease among fully vaccinated persons with breakthrough severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection in a high-risk national population / A. A. Butt, P. Yan, O. S. Shaikh [et al]. – DOI: 10.1093/cid/ciab1023. – Текст: электронный // Clin Infect Dis. – 2021. – № 75 (1). – URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8689859/ (дата обращения: 05. 09. 2022)Butt A. A. Rate and risk factors for severe/critical disease among fully vaccinated persons with breakthrough severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection in a high-risk national population / A. A. Butt, P. Yan, O. S. Shaikh [et al]. – DOI: 10.1093/cid/ciab1023. – Text: electronic // Clin Infect Dis. – 2021. – № 75 (1). – URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8689859/ (data obrashhenija: 05. 09. 2022).

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