Маркеры, модели и алгоритмы оценки дыхательной недостаточности для прогноза течения COVID-19

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.

1. Piccialli, F. The Role of Artificial Intelligence in Fighting the COVID-19 Pandemic. / F. Piccialli, V. S di Cola, F. Giampaolo, S. Cuomo // Inf Syst Front. 2021;23(6):1467–1497. doi:10.1007/s10796-021-10131-x

2. Negrini, D. Artificial intelligence at the time of COVID-19: who does the lion’s share? / D. Negrini, E. Danese, B. M. Henry, G. Lippi, M. Montagnana // Clin Chem Lab Med. 2022;60(12):1881–1886. Published 2022 Apr 25. doi:10.1515/cclm-2022-0306

3. Касьяненко, К. В. Прогноз степени тяжести течения SARS-CoV-2-инфекции у лиц молодого возраста с применением методов искусственного интеллекта / К.В. Касьяненко, К.В. Козлов, К.В. Жданов, И. И. Лапиков, В. В. Беликов // Журнал инфектологии. 2022;14(5). https://doi.org/10.22625/2072-6732-2022-14-5-14-25

4. Каронова, Т. Л. Использование искусственного интеллекта у больных с новой коронавирусной инфекцией для прогнозирования течения заболевания в условиях инфекционного стационара / Т. Л. Каронова, И. Н. Корсаков, А. А. Михайлова, Д. И. Лагутина, А. Т. Черникова, М. А. Вашукова, М. В. Смольникова, Д. А. Гусев, А. О. Конради, Е. В. Шляхто // Журнал инфектологии. 2023;15(3): 60–66. https://doi.org/10.22625/2072-6732-2023-15-3-60-66

5. Afrash, M. R. Predictive Modeling of Hospital Length of Stay in COVID-19 Patients Using Machine Learning Algorithms. / M. R. Afrash, H. Kazemi-Arpanahi, P. Ranjbar, R. Noupor, M. Saki, M. Amraei, M. Shanbehzadeh // Journal of Medicinal and Chemical Sciences. 2021., 4(5), 525–537. doi: 10.26655/JMCHEMSCI.2021.5.15

6. Archer, S. L. Differentiating COVID-19 Pneumonia From Acute Respiratory Distress Syndrome and High Altitude Pulmonary Edema: Therapeutic Implications.Circulation / S. L. Archer, W. W. Sharp, E. K. Weir. // Circulationaha. 2020;142(2):101-104. doi:10.1161.120.047915.

7. Gibson, P. G. COVID-19 acute respiratory distress syndrome (ARDS): Clinical features and differences from typical pre-COVID-19 ARDS / P. G. Gibson, L. Qin, S. H. Puah // Med. J. Aust. 2020;213:54– 56.e1. doi: 10.5694/mja2.50674

8. Rahman, A. Silent hypoxia in COVID-19: pathomechanism and possible management strategy / A. Rahman, T. Tabassum, Y. Araf, A. Al Nahid, M. A. Ullah, M. J. Hosen. // Mol Biol Rep. 2021;48(4): 3863–3869. doi:10.1007/s11033-021-06358-1

9. Панько, Е. С. Предикторы длительности стационарного лечения острой фазы инфекционного процесса, вызванного COVID-19. / Е. С. Панько, С. В. Жаворонок, А. М. Соловчук, С.C. Панько, С. В. Панько». Журнал инфектологии. 2023;15(1): 86-92. https://doi.org/10.22625/2072-6732-2023-15-1-86-92

10. Панько, Е. С. Показатели силы дыхательных мышц и оксигенации для прогнозирования длительности госпитализации пациентов с COVID-19 / Е. С. Панько, С. В. Жаворонок, А. М. Соловчук, С. В. Панько // Журнал инфектологии. 2024;16(4): 71-79. https://doi.org/10.22625/2072-6732-2024-16-3-71-79

11. Wang, L. Artificial Intelligence for COVID-19: A Systematic Review / L. Wang, Y. Zhang, D. Wang, X. Tong, T. Liu, S. Zhang, J. Huang, L. Zhang, L. Chen, H. Fan, M. Clarke // Front Med (Lausanne). 2021 Sep 30;8: 704256. doi: 10.3389/fmed.2021.704256. PMID: 34660623; PMCID: PMC8514781

12. Daghistani, T. A. Predictors of in-hospital length of stay among cardiac patients: A machine learning approach. T. A. Daghistani // Int J Cardiol. 2019; 288:140–147. doi:10.1016/j.ijcard.2019.01.046.

13. Muhlestein, W. E. Predicting Inpatient Length of Stay After Brain Tumor Surgery: Developing Machine Learning Ensembles to Improve Predictive Performance. / W. E. Muhlestein, D. S. Akagi, J. M. Davies, L. B. Chambless // Neurosurgery. 2019;85(3): 384–393. doi:10.1093/neuros/nyy343

14. Staziaki, P. V. Machine learning combining CT findings and clinical parameters improves prediction of length of stay and ICU admission in torso trauma. / P. V. Staziaki, D. Wu, J. C. Rayan, et al. // Eur Radiol. 2021;31(7):5434–5441. doi:10.1007/s00330-020-07534-w

15. Pei, J. Prediction of Patients’ Length of Stay at Hospital During COVID-19 Pandemic / J. Pei, X. Lin, Q. Chen // J. Phys.: Conf. Ser., 2021. 1802 032038. doi:10.1088/1742-6596/1802/3/032038

16. Liang, W. China Medical Treatment Expert Group for COVID-19. Development and Validation of a Clinical Risk Score to Predict the Occurrence of Critical Illness in Hospitalized Patients With COVID-19 / W. Liang, H. Liang, L. Ou, B. Chen, A. Chen, W. Guan, L. Sang, J. Lu, Y. Xu, G. Chen, H. Guo, J. Guo, Z. Chen, Y. Zhao, S. Li, N. Zhang, N. Zhong, J. He // Intern Med. 2020 Aug 1;180(8):1081-1089. doi: 10.1001/jamainternmed.2020.2033. PMID: 32396163; PMCID: PMC7218676.

17. Dan, T. Machine Learning to Predict ICU Admission, ICU Mortality and Survivors’ Length of Stay among COVID-19 Patients: Toward Optimal Allocation of ICU Resources / T. Dan et al // IEEE International Conference on Bioinformatics and Biomedicine (BIBM), Seoul, Korea (South), 2020, pp. 555–561, doi: 10.1109/BIBM49941.2020.9313292.

18. Rehm, G. B. Leveraging IoTs and Machine Learning for Patient Diagnosis and Ventilation Management in the Intensive Care Unit. / G. B. Rehm, S. H. Woo, X. L. Chen, et al. // IEEE Pervasive Comput. 2020;19(3):68–78. doi:10.1109/mprv.2020.2986767

19. Amiri, P. Prediction of mortality risk and duration of hospitalization of COVID-19 patients with chronic comorbidities based on machine learning algorithms / P. Amiri, M. Montazeri, F. Ghasemian, et al. // Digital health. 2023;9. doi:10.1177/20552076231170493

20. Ren, S. Machine learning based algorithms to impute PaO2 from SpO2 values and development of an online calculator / S. Ren, J. A. Zupetic, M. Tabary, et al. / Sci Rep. 2022;12(1):8235. Published 2022 May 17. doi:10.1038/s41598-022-12419