Введение
Искусственный интеллект широко использовался в борьбе с COVID-19, однако, проведено ограниченное количество исследований по разработке алгоритмов машинного обучения для прогнозирования длительности госпитализации COVID-19 пациентов с использованием функциональных маркеров дыхательной недостаточности.
Цель:
определить наиболее репрезентативные функциональные маркеры дыхательной недостаточности с помощью сравнительного анализа моделей для прогноза длительности госпитализации пациентов с COVID-19.
Материалы и методы
Исследование выполнено с использованием базы данных 487 COVID-19 пациентов, которым в течение первых трех суток лечения определяли суррогатный индекс оксигенации (SpO2/FiO2), показатель ROX ((SpO2/FiO2)/частота дыханий) и одновременно проводили спирометрию для расчета «вентиляционного резерва» (MVV/MV) либо измерение максимального давления вдоха (MIP) и выдоха (MEP). Построение моделей логистической регрессии (LR) с последующим ROC-анализом применено для сравнения прогностических возможностей интегральных показателей гипоксии и силы (резерва) дыхательных мышц. Метод наименьших квадратов с расчетом коэффициента детерминации R2 использован как тестовый для оценки алгоритмов для калькуляции достоверности прогноза длительности госпитализации с использованием отобранных маркеров.
Результаты
Построенные алгоритмы калькуляции вероятности выписки в течение семи дней с использованием ROX, SpO2/FiO2 и вентиляционного резерва показали, что полиномиальная аппроксимирующая функция пятой степени достаточно хорошо дискриминирует пациентов с риском продленной госпитализации (R2 = 0,87, 0,82 и 0,85 соответственно).
Заключение: наиболее эффективными функциональными маркерами для создания прогностических алгоритмов длительности госпитализации пациентов с COVID-19 являются интегральные показатели SpO2/FiO2, ROX, в сочетании с показателями резерва и силы дыхательных мышц VR и MIP, применение которых перспективно при разработке инструментов прогноза дыхательной недостаточности различной этиологии с использованием искусственного интеллекта.
Introduction
Artificial intelligence has been widely used in the fight against COVID-19. Very few studies have focused on creating algorithms and IT products to predict the length of hospital stay of COVID-19 patients, primarily using functional markers of respiratory failure.
Aim: this study aims to identify the most representative functional markers of respiratory failure to create algorithms for predicting the length of hospital stay (LOS) of patients with COVID-19.
Materials and methods
A comparative analysis was performed using a database of 487 patients with COVID-19 hospitalized from December 2020 to May 2022, in whom a surrogate oxygenation index (SpO2/FiO2), ROX ((SpO2/FiO2)/respiratory rate) were measured during the first three days of treatment, and spirometry (n = 103, 62 ± 13 years) was also performed simultaneously to calculate “ventilatory reserve” (VR = MVV/MV) or measurement (n = 384, 61 ± 16 years) of maximal inspiratory pressure (MIP) and maximal expiratory pressure (MEP). Eleven logistic regression (LR) models were constructed/ selected, followed by ROC analysis and description of sensitivity (SE), specificity (SP), area under the operating characteristic curve (AUC) and accuracy (Ac). The least squares method and the coefficient of determination R2 was used to assess the possibility of constructing algorithms for calculating the prognosis of the Prolonged Length of Stay (PLoS) with the selected markers.
Results
The constructed algorithms for calculating the probability of discharge within seven days using ROX, SpO2/FiO2, and ventilation reserve showed that a fifth-degree polynomial approximating function discriminates fairly well against patients at risk of prolonged hospitalization (R2 = 0.87, 0.82, and 0.85, respectively).
Conclusion: the most effective functional markers for creating predictive algorithms for the duration of hospitalization of patients with COVID-19 are the integral SpO2/FiO2, ROX indicators, combined with the indicators of reserve and strength of the VR and MIP respiratory muscles, the use of which is promising in the development of tools for predicting respiratory failure of various etiologies using artificial intelligence.
The authors declare that there are no conflicts of interest present.