Прогноз степени тяжести течения SARS-CoV-2-инфекции у лиц молодого возраста с применением методов искусственного интеллекта

   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.

1. Crevier, 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).

2. 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).

3. 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).

4. 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).

5. 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-2020-8-3-81-91

6. 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. – 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).

7. 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).

8. 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).

9. 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).

10. 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).

11. 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).

12. 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).

13. 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).

14. 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).

15. 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).

16. 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).

17. 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).

18. 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).

19. 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.

20. Dyussenbayev, 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).

21. 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).

22. Kuhn, M. Feature Engineering and Selection: A Practical Approach for Predictive Models / M. Kuhn , K. Johnson. – Chapman & Hall/CRC, 2019. – 310 с.

23. 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)

24. 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.

25. 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.

26. 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).

27. 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).

28. 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).

29. 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).

30. 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)