Определение предикторов неблагоприятного исхода в подострый период инфекции SARS-CoV-2 с помощью методов машинного обучения

Введение. Патологические изменения систем и органов после перенесенного COVID-19 могут приводить к отложенному смертельному исходу. При этом одной из особенно значимых систем-мишеней постковидных изменений является кардиоваскулярная система.Цель исследования: выявление с помощью методов машинного обучения (МО) показателей, имеющих прогностическую ценность при определении неблагоприятного исхода подострого COVID-19.Материал и методы. В исследование были включены 212 человек, госпитализированных после перенесенного ранее в тяжелой форме COVID-19. Ретроспективно пациенты были разделены на 2 группы: 140 пациентов, которые были выписаны из стационара с заключением об улучшении состояния, и 72 пациента, умершие в период госпитализации. Всем пациентам проводились общеклинический, биохимический анализы, оценка свертывающей системы крови. Для анализа данных были использованы следующие методы МО: метод опорных векторов, случайный лес, стохастический градиентный бустинг. Валидация полученных моделей производилась методом перекрестной 10-кратной проверки совместно с ROC-AUC анализом (Receiver Operation Characteristics - Area Under Curve).Результаты. В созданных нами предиктивных моделях предикторами смертельного исхода для методов случайный лес и стохастический градиентный бустинг являлись мочевина и температура тела; для машины опорных векторов - количество эритроцитов, эозинофилов и моноцитов, международное нормализованное отношение (МНО).Выводы. В проведенном исследовании две предиктивные модели, созданные с помощью методов МО, случайный лес и стохастический градиентный бустинг, показали, что прогностическое значение имеют изменения двух показателей: уровня мочевины и температуры тела. Метод опорных векторов выявил другие предикторы, а именно количество эритроцитов, эозинофилов и моноцитов, МНО. Нами был применен метод голосования, на основе которого в качестве информативных признаков были установлены уровень мочевины и температура тела. Методы МО случайный лес и стохастический градиентный бустинг продемонстрировали схожие результаты, мы не учитывали данные, полученные с помощью метода опорных векторов. Подобный подход выбора предиктивной модели голосованием часто используется при оценке данных методами искусственного интеллекта. Возможно, повышение уровня мочевины являлось пусковым механизмом, ведущим к эндотелииту и последующему инфаркту миокарда, до того, как развилась острая почечная недостаточность.