Недавнее исследование, опубликованное в Диагностика применил искусственный интеллект (ИИ) для прогнозирования прогноза и побочных эффектов туберкулеза (ТБ).
Фон
Туберкулез является инфекционным заболеванием и серьезной причиной глобальной заболеваемости и смертности. Инфицированных пациентов можно лечить, а доза/схема лечения и продолжительность лечения зависят от сопутствующих заболеваний, локализации инфекции и типа штамма.
Большинство противотуберкулезных препаратов могут быть токсичными для печени; поэтому врачи должны контролировать ферменты печени и оценивать риск гепатита. В последнее время модели искусственного интеллекта и машинного обучения (МО) использовались для диагностики туберкулеза, но в меньшем количестве исследований они использовались для прогнозирования неблагоприятных исходов.
Об исследовании
В настоящем исследовании исследователи использовали модели AI/ML для прогнозирования исходов у больных туберкулезом. Они собрали данные о больных туберкулезом из трех больниц на Тайване в период с января 2004 г. по декабрь 2021 г. Данные о пациентах моложе 20 лет на момент постановки диагноза и о пациентах с нетуберкулезными микобактериями были исключены.
Исходами были острый гепатит, дыхательная недостаточность и смерть от всех причин во время лечения. Команда включила такие переменные, как возраст, пол, тип ТБ и сопутствующие заболевания. Все переменные использовались для построения моделей прогнозирования, чтобы обеспечить максимальную производительность. Данные были рандомизированы в наборы данных для обучения и тестирования. Метод передискретизации синтетического меньшинства (SMOTE) был применен для исправления дисбаланса данных.
Модели для каждого результата были созданы с использованием шести алгоритмов машинного обучения — случайного леса, XGBoost, метода опорных векторов (SVM), многослойного персептрона (MLP), метода усиления светового градиента (LightGBM) и логистической регрессии. Набор тестовых данных использовался для оценки моделей с показателями точности, чувствительности, специфичности и площади под кривой рабочей характеристики приемника (AUROC).
Выводы
Авторы выявили 4018 случаев за период исследования. После исключения 2248 пациентов были отобраны для построения модели. Большинство испытуемых были мужчинами (71,7%); средний возраст участников составил 67,7 лет. Корреляционный анализ Спирмена определил уровни аланинаминотрансферазы, аспартатаминотрансферазы и общего билирубина в сыворотке как релевантные признаки острого гепатита, а азот мочевины крови, возраст и количество лейкоцитов (лейкоцитов) — острой дыхательной недостаточности и смертности.
Алгоритм MLP достиг самого высокого значения AUROC 0,834 для прогнозирования смертности с чувствительностью 0,722, специфичностью 0,736 и точностью 0,735. Случайный лес имел самое высокое значение 0,884 для прогнозирования острой дыхательной недостаточности с чувствительностью 0,812, специфичностью 0,82 и точностью 0,819. XGBoost показал самое высокое значение AUROC 0,92 для острого гепатита; чувствительность, специфичность и точность составили 0,77, 0,92 и 0,86 соответственно.
Выводы
В совокупности исследователи применили модели AI/ML для раннего выявления дыхательной недостаточности, гепатита и смерти у больных туберкулезом, используя общедоступные клинические и демографические данные. Примечательно, что выборка включала пациентов с юга Тайваня, что ограничивало репрезентативность результатов. Более того, статус алкоголя/курения не был доступен, учитывая ретроспективный метод сбора данных.
