Модель прогнозирования тяжести течения и исхода COVID-19 у пациентов с сахарным диабетом и ожирением, созданная на основе методов искусственного интеллекта
Обоснование. Сахарный диабет 2 типа и ожирение являются, по данным ВОЗ, неинфекционными эпидемиями XXI в.Арамисова Л.С., Журтова И.Б., Ахкубекова З.А.
В 2020 г. мировое сообщество ожидало развитие пандемии COVID-19, которое стало эпидемией инфекционного генеза.
В текущее время сформировалась необходимость выявления факторов риска тяжелого течения и высокой летальности у одной из самых уязвимых групп населения с метаболическими нарушениями (СД и ожирение) с целью улучшения прогноза COVID-19.
Цель исследования: разработать модель прогнозирования тяжести течения и исхода COVID-19 у пациентов с СД и ожирением для оптимизации диагностической/лечебной тактики.
Методы. Исследование проводилось по двум направлениям: ретроспективный анализ и проспективная часть. Ретроспективный анализ включал 645 пациентов с COVID-19 (женщин – 58,6%, мужчин – 41,4%). Средний возраст больных составил 63,6±0,9 года. СД и ожирение встречались в 48,8% (n=315) и 45,5% (n=290) случаев соответственно. Для выявления особенностей клинического течения и предикторов неблагоприятного прогноза COVID-19 все пациенты были разделены на две группы: 1-я группа – с выздоровлением (n=443), 2-я группа – с неблагоприятным исходом (n=202), между которыми был проведен сравнительный анализ. Для разработки модели прогнозирования с использованием методов искуственного интеллекта (ИИ) реализовано несколько видов алгоритмов на основе машинного обучения (МО), среди которых выбрана логистическая регрессия. Регрессионный анализ позволил классифицировать больных на две группы. Класс 0 – отсутствие риска неблагоприятного исхода и класс 1 – высокий риск неблагоприятного исхода. В проспективную часть вошли 130 пациентов, которые составили валидационную выборку для нашего исследования. Все пациенты были распределены по степени тяжести COVID-19, оценены демографические, клинико-анамнестические, лабораторные и инструментальные данные из архивных историй болезни.
Результаты. Был проведен анализ с помощью четырех основных алгоритмов МО: логистическая регрессия, случайный лес, метод опорных векторов, градиентный бустинг. Модель логистической регрессии была выбрана для дальнейшего использования в данной задаче, т.к. она показала наивысшие результаты по всем ключевым метрикам, включая точность, полноту и ROC-AUC. Набор основных параметров представлен следующими признаками: пол, возраст, день от начала заболевания, антропометрические данные (масса тела, рост), на основе которых рассчитывается автоматически индекс массы тела (ИМТ), сопутствующие заболевания (СД, ишемическая болезнь сердца, артериальная гипертензия, хроническая болезнь почек, хроническая обструктивная болезнь легких, бронхиальная астма), принимаемые препараты (инсулинотерапия, пероральные сахароснижающие препараты, глюкокортикостероиды) и лабораторные показатели (уровни глюкозы, креатинина, холестерина, мочевой кислоты, интерлейкина-6, лейкоцитов, Д-диммера, общего белка, креатинина, мочевины, аспартатаминотрансферазы, протромбиновый индекс, С-реактивный белок) и параметры дыхательной функции (МСКТ органов грудной клетки, ЧДД, SpO2). На основании введения этих данных модель прогнозирует вероятный исход (благоприятный/неблагоприятный). После валидизации в проспективной части исследования наша модель ИИ с вероятностью 96% предсказывает риск неблагоприятного исхода.
Заключение. Разработанная прогностическая модель позволяет предупредить неблагоприятное течение COVID-19 благодаря своевременной оценке тяжести состояния и оптимизации тактики лечения у самой уязвимой группы пациентов с метаболическими нарушениями.
Ключевые слова
модель прогнозирования
искусственный интеллект
сахарный диабет
ожирение
COVID-19
Список литературы
1. World Health Organization. WHO Coronavirus Disease (COVID-19) Dashboard. Available at: https://covid19.who.int/.
2. Poorolajal J. The global pandemics are getting more frequent and severe. J Res Health Sci. 2021;21(1):e00502. Doi: 10.34172/jrhs.2021.40.
3. Stefan N/, Sippel K/, Heni M/, et al. Obesity and Impaired Metabolic Health Increase Risk of COVID-19-Related Mortality in Young and Middle-Aged Adults to the Level Observed in Older People: The LEOSS Registry. Front Med (Lausanne). 2022;9:875430. Doi: 10.3389/fmed.2022.875430.
4. Floyd J.S., Walker R.L., Kuntz J.L., et al. Association Between Diabetes Severity and Risks of COVID-19 Infection and Outcomes. J Gen Intern Med. 2023;38(6):1484–92. Doi: 10.1007/s11606-023-08076-9.
5. Li Y., Ashcroft T., Chung A., et al. Risk factors for poor outcomes in hospitalised COVID-19 patients: A systematic review and meta-analysis. J Glob Health. 2021;11:10001. Doi: 10.7189/jogh.11.10001.
6. Gattinoni L., Chiumello D., Caironi P., et al. COVID-19 pneumonia: different respiratory treatments for different phenotypes? Intensive Care Med. 2020;46:1099–102.
7. Арамисова Л.С., Журтова И.Б., Губачикова А.М. Сахарный диабет и новая короновирусная инфекция: взгляд в прошлое, выводы на будущее по профилактике и лечебной тактике. Фарматека. 2023;30(12):27–31.
8. Mesinovic M., Wong X.C., Rajahram G.S., et al. ISARIC Characterisation Group. At-admission prediction of mortality and pulmonary embolism in an international cohort of hospitalised patients with COVID-19 using statistical and machine learning methods. Sci Rep. 2024;14(1):16387. Doi: 10.1038/s41598-024-63212-7.
9. Xie J., et al. Development and external validation of a prognostic multivariable model on admission for hospitalized patients with covid-19. 2020.
10. Alaa A., Qian Z., Rashbass J., et al. Retrospective cohort study of admission timing and mortality following covid-19 infection in England. BMJ. Open. 2020;10:e042712. Doi: 10.1136/bmjopen-2020-042712.
11. Knight S.R., Gupta R.K., Ho A., et al. Prospective validation of the 4c prognostic models for adults hospitalised with covid-19 using the isaric who clinical characterisation protocol. Thorax. 2021;77:606–15. Doi: 10.1136/thoraxjnl-2021-217629.
12. Jones A., Pitre T., Junek M., et al. External validation of the 4c mortality score among covid-19 patients admitted to hospital in Ontario, Canada: A retrospective study. Sci Rep. 2021;11:1–7. Doi: 10.1038/s41598-021-97332-1.
13. Baqui P., Marra V., Alaa A.M., et al. Comparing covid-19 risk factors in brazil using machine learning: The importance of socioeconomic, demographic and structural factors. Sci Rep. 2021;11:1–10. Doi: 10.1038/s41598-021-95004-8.
14. Fauci A.S., Lane H.C., Redfield R.R. Covid-19 – navigating the uncharted. N Engl J Med. 2020;382:1268–9. Doi: 10.1056/NEJMe2002387.
15. Арутюнов Г.П., Тарловская Е.И., Арутюнов А.Г. и др. Международный регистр «Анализ динамики коморбидных заболеваний у пациентов, перенесших инфицирование SARS COV-2 (AКТИВ SARS-COV-2)»: анализ 1000 пациентов. Российский кардиологический журнал. 2020;25(11):98–107.
16. Горошко Н.В., Пацала С.В. Основные причины избыточной смертности населения в России в условиях пандемии COVID-19. Социальные аспекты здоровья населения. 2021;67(6).
17. Floyd J.S., Walker R.L., Kuntz J.L., et al. Association between diabetes severity and risks of COVID-19 infection and outcomes. J Gen Intern Med. 2023;38(6):1484–92. Doi: 10.1007/s11606-023-08076-9.
18. Kastora S., Patel M., Carter B., et al. Impact of diabetes on COVID-19 mortality and hospital outcomes from a global perspective: an umbrella systematic review and meta-analysis. Endocrinol Diab Metab. 2022;5(3):e00338. Doi: 10.1002/edm2.338.
19. Dessie Z.G., Zewotir T. Mortality-related risk factors of COVID-19: a systematic review and meta-analysis of 42 studies and 423,117 patients. BMC. Inf Dis. 2021;21(1):855. Doi: 10.1186/s12879-021-06536-3.
20. Peckham H., de Gruijter N.M., Raine C., et al. Male sex identified by global COVID-19 meta-analysis as a risk factor for death and ITU admission. Nat Commun 2020;11:6317. Doi: 10.1038/s41467-020-19741-6.
21. Booth A., Reed A.B., Ponzo S., et al. Population risk factors for severe disease and mortality in COVID-19: A global systematic review and meta-analysis. PLOS ONE. 2021;16(3):e0247461. Doi: https://doi.org/10.1371/journal.pone.0247461.
22. Conte C., Cipponeri E., Roden M., et al. Diabetes Mellitus, Energy Metabolism, and COVID-19. Endocr Rev. 2024;45(2):281–308. Doi: 10.1210/endrev/bnad032.
23. Cho J.H., Suh S. Glucocorticoid-Induced Hyperglycemia: A Neglected Problem. Endocrinol Metab (Seoul). 2024;39(2):222–38. Doi: 10.3803/EnM.2024.1951.
Об авторах / Для корреспонденции
Автор для связи: Лиана Сергеевна Арамисова, аспирант кафедры факультетской терапии Медицинской академии, Кабардино-Балкарский государственный университет им. Х.М. Бербекова, врач-эндокринолог отделения эндокринологии НМИЦ им. В.А. Алмазова, Нальчик, Россия; liaramisova@gmail.com
ORCID:
Л.С. Арамисова (L.S. Aramisova), https://orcid.org/0000-0001-8105-4235
И.Б. Журтова (I.B. Zhurtova), https://orcid.org/0000-0003-0668-1073
З.А. Ахкубекова (Z.A. Akhubekova), https://orcid.org/0009-0008-9356-5655
Также по теме
