Научный архив: статьи

МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ТЕЧЕНИЯ ЗАБОЛЕВАНИЯ НА ПРИМЕРЕ РАЗВИТИЯ ТЯЖЕЛОЙ СТЕПЕНИ ПНЕВМОНИИ (2025)

Цель работы - прогнозирование осложнений при COVID-19 в виде пневмонии тяжелой степени по базе клинико-лабораторных данных методами машинного обучения (МО). Градация тяжести заболевания COVID-19 основана на результатах компьютерной томографии (КТ). Группы пациентов состояли из 31 пациента с тяжелой формой пневмонии (КТ 2-4) и 113 пациентов с нетяжелой формой (КТ 0-1) и без пневмонии. База данных включила 105 клинико-лабораторных показателей. Применены стандартные непараметрические критерии χ² и критерий Манна-Уиттни (U-тест) c коррекцией на множественное тестирование по Бонферрони-Холму. Выявлены 13 значимых показателей. Использованы методы машинного обучения (МО) системы анализа данных Data Master Azforus с применением лучших из них в виде ансамбля. Методы МО позволили построить мультифакторные нелинейные модели для прогнозирования. Для всего периода наблюдения результат прогнозирования методом статистически взвешенных синдромов (СВС) достиг значения ROC AUC = 0,9. Достаточно точный прогноз пневмонии тяжелой степени при COVID-19 оказалось возможно сделать по 26 наиболее значимым клинико-лабораторным показателям. Известные лечащим врачам клинические признаки, определяющие тяжесть течения пневмонии, подтверждены методами МО. Апробация модели доказала ее перспективность. Внедрение модели в практику повысит точность и оперативность диагностики тяжелого течения пневмонии. Система анализа данных Data Master Azforus (САД ДМА) позволит врачам-исследователям создавать рекомендательные системы по прогнозированию и диагностике заболеваний.