Введение
В последние годы отмечается значительный спад и стабилизация заболеваемости новой коронавирусной инфекцией (CОronaVIrus Disease 2019 — COVID-19). Так, в 2024 г. в Российской Федерации было зарегистрировано более 1,1 млн случаев этого заболевания с пиком в сентябре-октябре. Вместе с тем актуальным остается вопрос о своевременной стратификации тяжести состояния пациентов, определении риска развития неблагоприятных исходов, особенно среди пациентов, нуждающихся в лечении в условиях отделений реанимации и интенсивной терапии (ОРИТ). Анализ научной литературы показал, что чаще всего для поиска предикторов фатальных событий авторы используют демографические, анамнестические, общеклинические, инструментальные и лабораторные данные. Установлено, что неблагоприятный исход COVID-19 часто сопряжен с изменениями клеточного состава крови (содержанием лейкоцитов, нейтрофилов, лимфоцитов, эозинофилов, моноцитов и тромбоцитов), концентрации гемоглобина, показателей коагулограммы (D-димеров и протромбинового времени), маркеров функции печени (альбумина, общего билирубина, аланинаминотрансферазы), почек (мочевины и креатинина) и факторов воспаления (С-реактивного белка, интерлейкина-6, лактатдегидрогеназы (ЛДГ), прокальцитонина, ферритина и сердечного тропонина) [1–4]. Увеличение внутрибольничной летальности было отмечено в когортах пациентов мужского пола, пожилого и старческого возраста, при наличии коморбидности с хроническими заболеваниями легких, сердечно-сосудистой системы, головного мозга, почек и печени, а также с сахарным диабетом и злокачественными новообразованиями [5–20]. Для стратификации тяжести состояния пациентов и оценки риска неблагоприятного исхода заболевания в ОРИТ чаще всего используют «классические» валидированные шкалы, к которым относят упрощенную шкалу оценки острой физиологии (Simplified Acute Physiology Score II — SAPS II), шкалу оценки острой физиологии и хронического состояния (Acute Physiology and Chronic Health Evaluation II — APACHE II) и последовательную шкалу оценки органной недостаточности (Sequential Organ Failure Assessment — SOFA) [18]. Вместе с тем в ряде исследований указывается на необходимость совершенствования рискометрических инструментов для более точной оценки прогноза у больных с COVID-19. Клинико-лабораторные характеристики и прогностические показатели у пациентов за пять лет пандемии претерпевают изменения. В последние годы для решения этой задачи все шире используются методы машинного обучения, которые относят к основным технологиям искусственного интеллекта. Разработка на их основе прогностических моделей с учетом региональных особенностей обеспечивает более высокое качество генерируемых заключений, а их имплементация в системы поддержки принятия врачебных решений позволяет повысить их надежность и доверие практикующих врачей.
Цель исследования
Разработка прогностических моделей для стратификации риска госпитальной летальности у больных с тяжелым течением СОVID-19.
Материалы и методы
Одноцентровое ретроспективное когортное исследование проведено на базе ГБУЗ «Краевая клиническая больница № 2» (Владивосток). Выполнена обработка данных медицинских карт 163 пациентов (рис. 1) (70 женщин и 93 мужчины), находившихся на лечении в ОРИТ с тяжелым течением COVID-19, идентифицированным методом полимеразной цепной реакции из биоматериала, полученного из носоглотки и ротоглотки. Данные были извлечены из госпитальной медицинской информационной системы «БАРС. Здравоохранение МИС». Показаниями для перевода больных в ОРИТ были тяжелая дыхательная недостаточность и необходимость проведения респираторной поддержки на фоне клинически значимого повреждения легких, распространенность которого составляла более 50 % по процентной визуальной шкале. Конечная точка исследования была представлена показателем госпитальной летальности больных СОVID-19 от всех причин в форме категориального бинарного признака («отсутствие» или «развитие»). Исследование одобрено локальным этическим комитетом Краевой клинической больницы № 2 (Протокол № 05 от 05.03.2025).
Все пациенты получали лечение согласно актуальным «Временным методическим рекомендациям. Профилактика, диагностика и лечение новой коронавирусной инфекции (COVID-19)» Министерства здравоохранения Российской Федерации (версия 18 от 26.10.2023).
Критериями включения медицинских карт пациентов в исследование были следующие показатели:
- тяжелое течение COVID-19;
- тяжелая дыхательная недостаточность, требующая проведения респираторной поддержки;
- возраст > 18 лет;
- сопутствующие заболевания, которые не вошли в критерии исключения.
Критерии невключения в исследование:
- иммунодефицитные состояния;
- онкологические, гематологические заболевания;
- беременность;
- аддиктивные состояния.
С учетом вышеперечисленных критериев был сформирован структурированный набор обработанных и разложенных по определенным категориям данных, включающий 98 медицинских карт пациентов, которые были разделены на 2 группы. В первую из них вошли 43 (43,9 %) больных с благоприятным исходом лечения, а во вторую — 55 (56,1 %) пациентов, умерших в ОРИТ.
Рис. 1. Блок-схема дизайна исследования Fig. 1. Flow chart of study design
Были проанализированы демографические (возраст, пол) и антропометрические (рост, вес, индекс массы тела [ИМТ]) показатели, данные лабораторных исследований (уровень лейкоцитов, тромбоцитов, показатели креатинина, С-реактивного белка, прокальцитонина, мочевины, D-димеров, ЛДГ, аспартатаминотрансферазы [АСТ] и аланинаминотрансферазы [АЛТ], скорость клубочковой фильтрации [СКФ], использовалась формула Chronic Kidney Disease Epidemiology Collaboration [CKD-EPI]), а также стартовая респираторная терапия (искусственная вентиляция легких [ИВЛ], неинвазивная вентиляция легких, оксигенотерапия высоким потоком). В первые сутки пребывания больных в ОРИТ для оценки их состояния и стратификации риска неблагоприятных исходов использовали интегральные шкалы APACHE II и SOFA. Тяжесть коморбидной патологии оценивали по индексу коморбидности М. Чарльсона (ИКЧ). Балльные оценки этих шкал наряду с другими показателями рассматривались в качестве потенциальных предикторов госпитальной летальности (табл. 1).
Статистический анализ
Входные признаки (потенциальные предикторы) были представлены в форме непрерывных и категориальных переменных. Для обработки и анализа данных использовали методы математической статистики и машинного обучения. Первые из них включали тесты хи-квадрат, Фишера, Манна—Уитни и однофакторную логистическую регрессию (ОЛР). Показатели были представлены медианными значениями (Ме), их 25 % и 75 % перцентилями (Q1; Q3) и 95%-ми интервалами (95% ДИ). Для сопоставления категориальных переменных использовали критерий хи-квадрат и отношение шансов (ОШ). Для анализа непрерывных переменных использовали критерий Манна—Уитни ввиду того, что тест Колмогорова—Смирнова позволил исключить нулевую гипотезу о нормальности распределения признаков (p < 0,05). С помощью ОЛР определяли весовые коэффициенты, соответствующие степени влияния отдельных факторов на конечную точку. Дополнительно оценивали прогностическую значимость каждого потенциального предиктора с помощью площади под ROC-кривой (AUC).
Для разработки прогностических моделей госпитальной летальности использовали многофакторную логистическую регрессию. Структура моделей пошагово дополнялась потенциальными предикторами с анализом метрик качества, повышение которых указывало на прогностическую ценность анализируемых факторов. Для разработки моделей датасет делили случайным образом на 2 части: 80 % данных использовали для обучения и кросс-валидации моделей методом стратифицированного K-Fold на 5 подвыборках, а 20 % — для итогового тестирования. Процедуру случайного деления, последующих обучения, кросс-валидации и итогового тестирования повторяли 100 раз, используя параметры и гиперпараметры, установленные на первом шаге итерации. Для оценки и качества моделей применяли метрики AUC, чувствительность (Sen) и специфичность (Spec). Для оценки калибровки моделей были применены тест Хосмера—Лемешева и оценка Брайера. Статистически значимыми считали результаты при р < 0,05. Обработка и анализ данных выполнялись на языке Python версии 3.9.16 с использованием библиотек pandas, numpy, scipy, matplotlib, seaborn, statsmodels, sklearn.
Результаты
На первом этапе исследования был выполнен статистический анализ 22 показателей, характеризующих клинико-функциональный статус больных в группах сравнения, который демонстрировал, что только 11 из них имеют статистически значимые различия (табл. 1). Установлены, в частности, сопоставимые значения показателей возраста, антропометрических индикаторов (рост, масса тела, ИМТ) и ИКЧ. Вместе с тем в группе больных, умерших в стационаре, фиксировалось значительное (в 2,5 раза) преобладание лиц мужского пола по сравнению с группой больных с благоприятным исходом лечения (87,3 vs 34,9 %, p < 0,000001). В анализируемой когорте больных вероятность госпитальной летальности у мужчин была почти в 13 раз выше, чем у женщин (ОШ 12,8). При сравнении данных не было получено статистически значимых различий по содержанию в крови лейкоцитов, тромбоцитов, концентрации АСТ, АЛТ и D-димеров. Вместе с тем в группе умерших пациентов отмечены более высокие уровни в крови мочевины и креатинина, а также снижение СКФ, свидетельствующие о прогрессирующем нарушении функции почек у пациентов с тяжелой коронавирусной инфекцией. В этой когорте больных в крови фиксировался возрастающий уровень маркеров системного воспаления: СРБ и прокальцитонина. Анализ стартовой респираторной терапии в первые сутки пребывания больных в ОРИТ показал, что в основной группе больных по сравнению с контрольной превалировала необходимость проведения ИВЛ (ОШ 38,8; p < 0,000001) и оксигенотерапии высоким потоком (ОШ 7,47; p = 0,000016), что указывает на наличие тяжелой дыхательной недостаточности при поступлении в ОРИТ, при которой были показания для инвазивной респираторной поддержки. Другими словами, можно сказать, что в основной группе пациентов выраженность респираторной недостаточности была более значима. Анализ функционального статуса пациентов по балльным оценкам шкал APACHE II и SOFA демонстрировал статистически значимые межгрупповые различия, указывающие на информативность этих инструментов рискометрии.
| Показатели | Общее количество
пациентов (n = 98) |
Умершие (n = 55) |
Выжившие (n = 43) |
ОШ (95% ДИ) | p |
|---|---|---|---|---|---|
| Возраст, лет | 72 (63; 81) | 73 (67; 83) | 69 (59; 80) | — | 0,11 |
| Пол: мужчины | 63 (64,3 %) | 48 (87,3 %) | 15 (34,9 %) | 12,8 (4,7; 35,2) | < 0,000001 |
| Пол: женщины | 35 (35,7 %) | 7 (12,7 %) | 28 (65,1 %) | — | |
| Масса тела, кг | 74 (64; 84,25) | 75 (64; 90) | 71 (64,5; 80) | — | 0,263 |
| ИМТ, кг/м² | 25,9 (22,9; 30,5) | 28,1 (23,4; 31,2) | 25,3 (22,7; 29,2) | — | 0,219 |
| ИКЧ, баллы | 7 (5; 10) | 7 (5; 10) | 8 (5; 9,75) | — | 0,944 |
| СКФ, мл/мин | 56 (27,25; 86) | 49 (15,5; 76,5) | 77 (40,5; 98,5) | — | 0,002 |
| Без оксигенотерапии высоким потоком | 59 (60,2 %) | 44 (80 %) | 15 (34,9 %) | 7,47 (3; 18,6) | 0,000016 |
| ИВЛ в первые сутки пребывания в ОРИТ | 38 (38,8 %) | 36 (65,5 %) | 2 (4,7 %) | 38,8 (8,5; 178,4) | < 0,000001 |
| Лейкоциты, ×109/л | 11,45 (8,42; 18,2) | 12,22 (8,75; 19,33) | 10,5 (7,23; 16,54) | — | 0,165 |
| Тромбоциты, ×109/л | 212 (148; 290) | 205 (146,25; 289) | 219 (151,5; 288,5) | — | 0,98 |
| Креатинин, мкмоль/л | 99 (61,9; 176,2) | 124 (77,55; 296,55) | 81 (57,15; 116,95) | — | 0,0027 |
| СРБ, мг/л | 96,8 (37,4; 140,4) | 121 (76,6; 159,8) | 59,45 (20,73; 103,6) | — | 0,001 |
| Прокальцитонин, нг/мл | 0,68(0,25; 4,29) | 1,95 (0,52; 10) | 0,36 (0,12; 0,83) | — | 0,00003 |
| Мочевина, ммоль/л | 11,6 (6,63; 20,6) | 15,7 (8; 27,5) | 8,3 (5,6; 15,7) | — | 0,0026 |
| D-димеры, нг/мл | 2128 (1344; 3422) | 2838 (1462; 4211) | 1993 (1315; 2849) | — | 0,119 |
| ЛДГ, ед/л | 258,65 (185,9; 504,5) | 317 (191; 456,1) | 287 (167,54; 287,65) | — | 0,022 |
| АЛТ, ед/л | 26,25 (15,48; 43) | 25 (17; 43,15) | 28 (13,5; 42,6) | — | 0,805 |
| АСТ, ед/л | 39,15 (24,7; 76,18) | 38 (26,75; 72,5) | 39,3 (21,5; 72,45) | — | 0,614 |
| SO, min, % | 89,8 (85,0; 95,1) | 88,4 (84,2; 94,3) | 91,3 (85,4; 96,9) | — | 0,27 |
| SOFA, баллы | 7 (5; 8) | 8 (6; 10) | 5 (4; 6,5) | — | 0,000002 |
| APACHE II, баллы | 17 (13; 21,75) | 20 (17; 27) | 13 (10; 15) | — | < 0,000001 |
На втором этапе исследования для оценки степени влияния на конечную точку отдельных показателей на нормализованных данных были разработаны модели ОЛР с расчетом весовых коэффициентов, характеризующих предиктивный потенциал анализируемых факторов (табл. 2). Установлено, что из 11 показателей, выделенных на предыдущем этапе, более высокие медианные значения весовых коэффициентов демонстрировали балльные оценки шкал APACHE II и SOFA: Ме 3,15; 95% ДИ 3,13; 3,17 и Ме 2,13, 95% ДИ 2,09; 2,16 соответственно. Эти результаты подтверждались высоким уровнем AUC (0,936 и 0,779) (рис. 2). Признак применения ИВЛ ожидаемо имел высокий предиктивный потенциал, что иллюстрировалось значениями весового коэффициента 2,4 (2,37; 2,43) и AUC 0,815. В разработанных моделях ОЛР большинство весовых коэффициентов имели положительное значение, что указывало на увеличение вероятности неблагоприятного исхода при наличии этих признаков или увеличении их уровня. Отрицательное значение весового коэффициента СКФ свидетельствует о возрастающем риске летальности при снижении величины данного показателя.
| Показатели | Весовой коэффициент | AUC |
|---|---|---|
| Пол: мужчины | 1,97 (1,94; 2) | 0,758 (0,743; 0,773) |
| Без оксигенотерапии высоким потоком | 1,61 (1,58; 1,65) | 0,72 (0,702; 0,82) |
| Креатинин | 1,21 (1,18; 1,23) | 0,679 (0,659; 0,7) |
| СКФ, мл/мин | –1,32 (–1,36; –1,28) | 0,682 (0,661; 0,702) |
| ИВЛ в первые сутки | 2,4 (2,37; 2,43) | 0,815 (0,8; 0,83) |
| СРБ, мг/л | 1,33 (1,29; 1,38) | 0,683 (0,663; 0,704) |
| Прокальцитонин, нг/мл | 1,35 (1,31; 1,38) | 0,772 (0,754; 0,79) |
| Мочевина, ммоль/л | 1,48 (1,44; 1,51) | 0,677 (0,657; 0,698) |
| ЛДГ, ед/л | 1,09 (1,05; 1,12) | 0,636 (0,609; 0,663) |
| SOFA, баллы | 2,13 (2,09; 2,16) | 0,779 (0,76; 0,798) |
| APACHE II, баллы | 3,15 (3,13; 3,17) | 0,936 (0,929; 0,944) |
Рис. 2. ROC-кривые пяти прогностических моделей Примечание: APACHE II — шкала системы классификации острых функциональных и хронических изменений в состоянии здоровья II; AUC — площадь под ROC-кривой; SOFA — шкала оценки тяжести органной дисфункции; ИВЛ — искусственная вентиляция легких; ЛДГ — лактатдегидрогеназа; СРБ — С-реактивный белок. Fig. 2. ROC curves of five predictive models Note: APACHE II — Acute Physiology and Chronic Health Evaluation II; AUC — area under the ROC curve; SOFA — Sequential Organ Failure Assessment; ИВЛ — mechanical ventilation; ЛДГ — lactate dehydrogenase; СРБ — C-reactive protein.
На последнем этапе исследования были разработаны прогностические модели госпитальной летальности больных новой коронавирусной инфекцией на основе многофакторной логистической регрессии и предикторов, представленных в таблице 2. Реализация данной задачи осуществлялась за счет расширения структуры базовых однофакторных моделей SOFA и APACHE II, где в качестве единственного предиктора использовались балльные оценки этих шкал (табл. 3). Включение в структуру этих моделей признака ИВЛ повышало качество прогноза по метрике AUC с 0,779 до 0,875 для SOFA и c 0,936 до 0,96 для APACHE II. Последовательное дополнение состава предикторов модели SOFA показателями СРБ и ЛДГ сопровождалось увеличением AUC до 0,908 (0,896; 0,92). Была разработана новая прогностическая модель госпитальной летальности при COVID-19, которая не включала результаты оценки функционального статуса больных по шкалам SOFA и APACHE II. Предикторами этой модели были семь ранее отобранных факторов: возраст больных, мужской пол, прокальцитонин, мочевина, ЛДГ, признак применения ИВЛ, отсутствие показаний для оксигенотерапии высоким потоком. Модель демонстрировала высокую точность прогноза по метрике AUC 0,935 (0,925; 0,946). Отсутствие проблемы мультиколлинеарности моделей было подтверждено с помощью оценок Variance Inflation Factor (VIF), которые для всех предикторов были ниже 1,35. Оценка Брайера демонстрировала хорошую калибровку для всех трех моделей: Brier Score 0,105; 0,117; 0,13. В то же время тест Хосмера—Лемешева продемонстрировал отличную калибровку лучшей модели на основе SOFA (p = 0,6), хорошую калибровку авторской модели 3 (p = 0,373), тогда как для модели 2 на основе APACHE выявлено статистически значимое несоответствие наблюдаемых и прогнозируемых значений (p = 0,035).
| Предикторы | Кросс-валидация | Итоговое тестирование | ||
|---|---|---|---|---|
| AUC | AUC | Sen | Spec | |
| SOFA | ||||
| SOFA | 0,78 (0,775; 0,786) | 0,779 (0,76; 0,798) | 0,715 (0,688; 0,741 | 0,713 (0,683; 0,732) |
| SOFA + ИВЛ | 0,858 (0,856; 0,863) | 0,875 (0,859; 0,89) | 0,797;(0,773; 0,822) | 0,797 (0,765; 0,82) |
| SOFA + ИВЛ + СРБ | 0,899 (0,894; 0,903) | 0,896 (0,883; 0,91) | 0,8 (0,774; 0,827) | 0,802 (0,778; 0,827) |
| SOFA + ИВЛ + СРБ + ЛДГ | 0,901 (0,896; 0,905) | 0,908 (0,896; 0,92) | 0,81 (0,785; 0,835) | 0,804 (0,775; 0,832) |
| APACHE II | ||||
| APACHE II | 0,929 (0,925; 0,933) | 0,936 (0,929; 0,944) | 0,836 (0,815; 0,86) | 0,839 (0,818; 0,86) |
| APACHE II + ИВЛ | 0,953 (0,949; 0,956) | 0,96 (0,952; 0,968) | 0,871 (0,848; 0,893) | 0,887 (0,874; 0,9) |
| Возраст, ИВЛ, отсутствие показаний для оксигенотерапии высоким потоком, мужской пол, прокальцитонин, мочевина, ЛДГ | ||||
| 0,921 (0,918; 0,925) | 0,935 (0,925; 0,946) | 0,837 (0,812; 0,862) | 0,825 (0,798; 0,852) | |
Обсуждение
В последние годы методы предиктивной аналитики все шире используются в клинической медицине, что подтверждается возрастающим числом научных исследований по этой проблеме. Большинство актуальных прогностических моделей разработаны с помощью современных методов машинного обучения и отличаются хорошей (AUC 0,8–0,9) и отличной (AUC > 0,9) точностью генерируемых заключений. Важным направлением рискометрии является разработка прогностических инструментов для оценки риска неблагоприятных исходов у больных, находящихся на лечении в ОРИТ [7, 8, 13, 21]. В нашей работе шкалы SOFA и APACHE II демонстрировали высокую точность прогнозирования неблагоприятного исхода у пациентов с тяжелым течением COVID-19 как на первом этапе исследования при оценке клинико-функционального статуса больных в ОРИТ, так и при использовании балльных оценок этих шкал в качестве предикторов прогностических моделей. Эти данные находят подтверждение и в результатах других исследований. Так, Z. Qian et al. в метаанализе, включающем 27 исследований и 6 клинических случаев (n = 42219), получили отрицательную среднюю разницу (СР) между группой выживших и умерших пациентов по шкале APACHE II (СР –4,90; 95% ДИ –6,54…–3,27) и по шкале SOFA (СР –2,27; 95% ДИ –2,95…–1,59) [22]. В работе S. Eldaboosy et al. показана положительная корреляция между летальным исходом и количеством баллов по шкале APACHE II: у пациентов в критическом состоянии оценка функционального статуса по шкале APACHE II ≥ 25 баллов ассоциировалась с 50 % летальностью, а при количестве баллов более 35 вероятность летального исхода возрастала до 80 % [23]. В нашем исследовании анализ демографических характеристик больных показал, что летальный исход коронавирусной инфекции у мужчин был в 6,8 раза чаще, чем у женщин, а возраст не оказывал существенного влияния на неблагоприятный исход заболевания. Однако, анализируя количество летальных исходов в исходной когорте пациентов (n = 163) за 2024 г., соотношение по гендерному признаку выглядит следующим образом: 54 мужчин (33,1 %) и 30 женщин (23,3 %). Для дальнейшего изучения вероятности летального исхода, связанного с полом, необходимо увеличение количества пациентов. Результаты метаанализа В. Bepouka et al. [24], включающего 12 исследований (n = 42 219), демонстрируют, что госпитальная летальность у лиц мужского пола с COVID-19 существенно выше (ОШ 1,52; 95% ДИ 1,04–2). В другом метаанализе риск летального исхода был также тесно связан с мужским полом: ОШ 1,45; 95% ДИ 1,41–1,51; относительный риск 1,24; 95% ДИ 1,07–1,41 [25].
В нашем исследовании всем пациентам, поступившим в ОРИТ с тяжелой дыхательной недостаточностью и гипоксемией, в первые сутки пребывания выполнялась респираторная терапия в виде ИВЛ (40 %), неинвазивной ИВЛ (21 %), оксигенотерапии высоким потоком (39 %). Общая летальность больных составила 57 %, тогда как летальность у пациентов, находящихся на ИВЛ, достигла 99,4 % (р < 0,000001). Результаты метаанализа, проведенного Z. Lim et al. [26] по данным 69 исследований (n = 57 420), показали, что у больных с тяжелым течением COVID-19 и находящихся на ИВЛ летальность составляет 45 % (39–52 %). Важно отметить, что в различных исследованиях показатель госпитальной летальности при COVID-19 варьировал от 47,9 (46,4–49,4) до 84,4 % (83,3–85,4 %), что зависело от когорт пациентов, ресурсного обеспечения медицинской службы и других факторов. В метаанализе R. Chang et al. [27], выполненном по данным 28 исследований (n = 12 437), показатель летальности в когортах пациентов, находящихся на ИВЛ, варьировал от 43 (29–58) до 69 % (61–75 %). В нашем исследовании положительную взаимосвязь с летальным исходом имели показатели прокальцитонина, креатинина, мочевины, СРБ, ЛДГ, а отрицательную — СКФ. В метаанализе Z. Zheng et al. [28], в котором были проанализированы 13 исследований (n = 3027), показано, что риск неблагоприятного исхода существенно возрастал у пациентов с уровнем прокальцитонина > 0,5 нг/мл (ОШ 43,24; 95% ДИ 9,92–188,49; p < 0,00001), креатинина — ≥ 133 мкмоль/л (ОШ 5,30; 95% ДИ 2,19–12,83; p = 0,0002). Необходимо также отметить, что в нашей работе показатели D-димера, АСТ и АЛТ не оказывали статистически значимого влияния на конечную точку, что отличало полученные результаты от ряда других исследований [28, 29].
Сравнительный анализ качества прогностических моделей госпитальной летальности показал, что наиболее высокой точностью обладает модель с предикторами APACHE II и ИВЛ (AUC 0,96). Менее заметную, но сопоставимую точность прогноза, соответствующую отличному уровню, демонстрировали многофакторные модели c предикторами SOFA, ИВЛ, СРБ, ЛДГ (AUC 0,908) и с предикторами возраста, мужского пола, ИВЛ, оксигенотерапии, прокальцитонина, мочевины, ЛДГ (AUC 0,936). Анализ калибровки моделей показал, что модель на основе SOFA и авторская модель демонстрируют отсутствие статистически значимых отклонений от идеальной калибровки, и предсказанным ими вероятностям можно доверять. В тоже время модель на основе APACHE имеет статистики значимые отклонения от идеальной калибровки при хорошей оценке Брайера, что может указывать на проблемы калибровки в определенных диапазонах вероятностей.
Противоречивые данные и различные временные тренды существовавших факторов, которые встречаются в мировой литературе, на наш взгляд, свидетельствуют о том, что изменения претерпели как клиническая картина тяжелого течения COVID-19 и структура пациентов, так и вирулентность возбудителя, что может сказываться на изменчивости предикторов риска в течение всего времени существования новой коронавирусной инфекции. В первую и вторую волны заболевания превалировал изолированный синдром острой дыхательной недостаточности, который не был сопряжен с половой принадлежностью и возрастом, тогда как в последующие волны пациенты поступали, преимущественно, с коморбидным фоном, мультиорганной дисфункцией и более старшего возраста.
Ограничения исследования связаны с недостаточным объемом выборки, ретроспективным характером исследования и необходимостью расширения спектра анализируемых показателей и методов машинного обучения.
Заключение
В ходе исследования на основе многоступенчатого отбора были выделены демографические и клинико-лабораторные признаки, большинство из которых обладали предиктивным потенциалом и использовались при разработке прогностических моделей госпитальной летальности у пациентов с тяжелым течением COVID-19. Шкалы APACHE II и SOFA являются надежным инструментом для стратификации риска неблагоприятного исхода при данном заболевании. Также надежными маркерами неблагоприятного исхода у пациентов выявлены показатели почечного повреждения, СРБ и ЛДГ. Дальнейший анализ предиктивной ценности факторов риска неблагоприятного исхода при тяжелом течении новой коронавирусной инфекции и разработка новых прогностических моделей на основе современных методов машинного обучения являются актуальной задачей клинической медицины.
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Disclosure. The authors declare no competing interests.
Вклад авторов. Все авторы в равной степени участвовали в разработке концепции статьи, получении и анализе фактических данных, написании и редактировании текста статьи, проверке и утверждении текста статьи.
Author contribution. All authors according to the ICMJE criteria participated in the development of the concept of the article, obtaining and analyzing factual data, writing and editing the text of the article, checking and approving the text of the article.
Этическое утверждение. Не требуется.
Ethics approval.Not required.
Информация о финансировании. Обработка данных выполнена при финансовой поддержке Госзадания Дальневосточного федерального университета (ДВФУ) FZNS-2023-0010.
Funding source. Data analysis was carried out with the financial support of the State Assignment of the Far Eastern Federal University (FEFU) FZNS-2023-0010.
Декларация о наличии данных. Данные, подтверждающие выводы этого исследования, можно получить у корреспондирующего автора по обоснованному запросу.
Data Availability Statement. The data that support the findings of this study are available from the corresponding author upon reasonable request.
