Возможности машинного обучения в определении вариантов течения вирусной пневмонии, ассоциированной с COVID-19, на основании данных компьютерной томографии

Автор: Скоробогач И.М., Хамидова Л.Т., Муслимов Р.Ш., Рыбалко Н.В., Петриков С.С.

Журнал: Вестник медицинского института "РЕАВИЗ": реабилитация, врач и здоровье @vestnik-reaviz

Рубрика: Новая коронавирусная инфекция COVID-19

Статья в выпуске: 4 т.13, 2023 года.

Бесплатный доступ

Введение. При острой респираторной инфекции COVID-19, вызываемой коронавирусом SARS-CoV-2 (2019-nCov), поражение лёгких имеет различные варианты течения, которые до настоящего времени не изучены в полном объёме.Цель исследования: определить варианты течения вирусной пневмонии COVID-19 (ВП) на основании анализа динамики поражения лёгких, оцениваемой количественно по данным компьютерной томографии.Материал и методы. Выполнен количественный анализ данных компьютерной томографии (КТ) грудной клетки 144 пациентов с ВП с помощью программного приложения 3D Slicer. Проводился кластерный и сравнительный непараметрический анализы показателей степени тяжести поражения лёгких (КТ1, КТ2, КТЗ, КТ4) и общего объёма поражённых лёгких (%), полученных при первичном и двух повторных КТ-исследованиях в динамике (пКТ, 1дКТ и 2дКТ) в программе «Statistica 12».Результаты. При стабильном течении общий объём поражённых лёгких постоянен, находится в пределах одной степени тяжести: КТ1 - у 23,6 %, КТ2 -у 14,6 %, КТЗ - у 5,6 %, КТ4 - у 8,3 %. При прогредиентном течении объём поражения лёгких постепенно увеличивается от минимального к максимальному КТ1-КТ2-КТЗ - у 3,5 %, или увеличивается до максимального уровня на 1 дКТ, оставаясь стабильным на 2дКТ исследовании (КТ2-КТЗ-КТЗ) - у 4,2 %. При регредиентном течении объём поражения лёгких изменяется от максимального на пКТ к минимальному на 2дКТ: постепенно от КТ4 через КТЗ к КТ2 - у 4,2 %, или на одну степень тяжести КТЗ-КТ2-КТ2 - у 9,7 %, КТЗ-КТЗ-КТ2 - у 9,0 %. При прогредиентно-регредиентном течении объём поражения лёгких сначала достигает максимума на 1 дКТ, минимума на 2дКТ - КТ2-КТЗ-КТ2 - у 17,4 %. Внутригрупповое сравнение трёх повторных, зависимых показателей общего объёма поражённых лёгких и межгрупповое сравнение на пКТ, 1 дКТ и 2дКТ показало динамическое статистически значимое их различие для вариантов течения ВП (р function show_abstract() { $('#abstract1').hide(); $('#abstract2').show(); $('#abstract_expand').hide(); }

Еще

Вирусная пневмония, covid-19, компьютерная томография, степень поражения лёгких, варианты течения пневмонии

Короткий адрес: https://sciup.org/143180708

IDR: 143180708   |   DOI: 10.20340/vmi-rvz.2023.4.COVID.1

Список литературы Возможности машинного обучения в определении вариантов течения вирусной пневмонии, ассоциированной с COVID-19, на основании данных компьютерной томографии

  • Bernheim A., Mei X., Huang М., Yang У., Fayad Z.A., Zhang N., et al. Chest CT Findings in Coronavirus Disease-19 (COVID-19): Relationship to Duration of Infection. Radiology. 2020;295(3):200463. https://doi.Org/10.1148/radiol.2020200463
  • Pan F., Ye Т., Sun P., Gui S., Liang В., Li L, et al. Time Course of Lung Changes at Chest CT during Recovery from Coronavirus Disease 2019 (COVID-19). Radiology. 2020;295(3):715-721. https://doi.org/10.1148/radiol.2020200370
  • Wang Y., Dong C., Hu Y., Li C., Ren Q., Zhang X., et al. Temporal Changes of CT Findings in 90 Patients with COVID-19 Pneumonia: A Longitudinal Study. Radiology. 2020;296(2):E55-E64. https://doi.org/10.1148/radiol.2020200843
  • Zhang H., Liu X., Yu P., Cheng M., Wang W., Sun Y., et al. Dynamic CT assessment of disease change and prognosis of patients with moderate COVID-19 pneumonia. JXray Sei Technol. 2020;28(5):851-861. https://doi.org/10.3233/XST-200711
  • Zhou S., Wang Y., Zhu Т., Xia L. CT Features of Coronavirus Disease 2019 (COVID-19) Pneumonia in 62 Patients in Wuhan, China. AJR Am J Roentgenol. 2020;214(6):1287-1294. https://doi.org/10.2214/AJR.20.22975
  • Grassi R., Cappabianca S., Urraro F., Granata V., Giacobbe G., Magliocchetti S., et al. Evolution of CT Findings and Lung Residue in Patients with COVID-19 Pneumonia: Quantitative Analysis of the Disease with a Computer Automatic Tool. J Pers Med. 2021 ;11 (7):641. https://d0i.0rg/l 0.3390/jpm11070641
  • Морозов С.П. Проценко Д.Н., Сметанина С.В., Андрейченко А. Е., Амброси О. Е., Баланюк Э. А., и др. Лучевая диагностика коронавирусной болезни (COVID-19): организация, методология, интерпретация результатов: препринт № ЦДТ-2020-Н. Версия 2 от 17.04.2020. /сост. Серия «лучшие практики лучевой и инструментальной диагностики». Выпуск 65. Москва, ГБУЗ «НПКЦ ДиТ ДЗМ», 2020. 60 с. [Morozov S.P. Protsenko D.N., Smetanina S.V., Andreychenko A. E., Ambrosi O. E., Balanyuk E. A., Radiation diagnostics of Coronavirus disease (COVID-19): organization, methodology, interpretation of results: Preprint No. CDT-2020-II. Version 2 from 04/17/2020. /сотр. The series "Best practices of radiation and instrumental diagnostics". Issue 65. Moscow, 2020. 60 p. (In Russ)].
  • Гашев C.H., Бетляев Ф.Х., Лупинос М.Ю. Математические методы в биологии: анализ биологических данных в системе "Statistica". Тюмень, Издательство Тюменского государственного университета, 2014. 208 с. [Gashev S.N., Betlyaev F.Kh., Lupinos M.Yu. Mathematical methods in biology: analysis of biological data in the system "Statistica". Tyumen, Tyumen State University Publishing House, 2014. 208 p. (In Russ)].
  • Халафян A.A. Современные статистические методы медицинских исследований. Изд. 3. URSS, 2014. 396 с. [Khalafyan А.А. Modern statistical methods of medical research. Ed. 3. URSS, 2014. 396 p. (In Russ)].
  • Боровиков В.П. Популярное введение в современный анализ данных в системе STATISTICA. Учебное пособие для вузов. Москва, Горячая линия - Телеком, 2018. 288 с. [Borovikov V.P. A popular introduction to modern data analysis in the STATISTICA system. Textbook for universities. Moscow, Hotline - Telecom, 2018. 288 p. (In Russ)].
  • Бурков А. Машинное обучение без лишних слов. Санкт-Петербург, Питер, 2020. 192 с. [Burkov A. Machine learning without unnecessary words. St. Petersburg, Peter, 2020. 192 p. (In Russ)].
  • Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. Москва, ФИЗМАТЛИТ, 2006. 816 с. [Kobzar1 A.I. Applied mathematical statistics. For engineers and scientists. Moscow, 2006. 816 p. (In Russ)].
  • Сыса А.Г. Статистический анализ в биологии и медицине. Минск, ИВЦ Минфина, 2018. 140 с. [Sysa A.G. Statistical analysis in biology and medicine. Minsk, 2018. 140 p (In Russ)].
  • Zhou S., Zhu Т., Wang Y., Xia L. Imaging features and evolution on CT in 100 COVID-19 pneumonia patients in Wuhan, China. Eur Radiol. 2020;30(10):5446-5454. https://d0i.0rg/l0.1007/s00330-020-06879-6
  • Zhan J., Li H., Yu H., Liu X., Zeng X., Peng D., et al. 2019 novel coronavirus (COVID-19) pneumonia: CT manifestations and pattern of evolution in 110 patients in Jiangxi, China. Eur Radiol. 2021 ;31(2):1059-1068. https://doi.org/10.1007/s00330-020-07201-0
  • Петриков С.С., Попова И.Е., Муслимов Р.Ш., Попугаев К.А., Кислухина Е.В., Коков Л.С. Возможности компьютерной томографии в оценке степени поражения лёгких у больных COVID-19 в условиях динамического наблюдения. REJR. 2020;10(2):14-26. https://doi.org/10.21569/2222-7415-2020-10-2-14-26 [Petrikov S.S., Popova I.E., Muslimov R.Sh., Popugaev K.A., Kislukhina E.V., Kokov L.S. Possibilities of computed tomography in assessing the degree of lung damage in COVID-19 patients under dynamic observation. REJR. 2020; 10(2): 14-26. (In Russ)].
Еще
Статья обзорная