PREDICTION OF THE PROBABILITY OF LETHAL OUTCOME IN HEMATOLOGICAL PATIENTS ACCORDING TO ELECTRONIC MEDICAL CARDS
- Authors: Busygina Y.S.1, Gripp M.R.1, Konstantinidi V.K.1, Zhalalova D.R.1, Shumnik A.A.1
-
Affiliations:
- First Moscow State Medical University. I.M. Sechenova
- Issue: Vol 12, No 1 (2023): Материалы XVII Международной научно-практической конференции молодых ученых-медиков
- Pages: 25-26
- Section: СОВА (Архив)
- URL: https://new.vestnik-surgery.com/index.php/2415-7805/article/view/8855
Cite item
Full Text
Abstract
There is a need to develop tools to help route and prioritize patients for intensive chemotherapy. Objective: In this work, the development and evaluation of machine learning algorithms for predicting the mortality of hematological patients was carried out. Materials and methods: a database from medical electronic records of inpatients for 2018–2019 was used. A comparative analysis of several classification algorithms was carried out. The accuracy of the model on the test dataset was assessed using the ROC area under the curve parameter (AUC, ROC). Results: The study included data from 1278 patients with leukemia, logistic regression and random forest models demonstrated AUC=0.68. Conclusions: To improve the diagnostic accuracy metrics, it is necessary to increase the size of the training data set. Assessment of in-hospital mortality at the time of admission may be useful to hematologists in identifying patients at high risk of death.
Keywords
Full Text
Актуальность. Несмотря на разработку новых схем, химиотерапия острого миелоидного лейкоза (ОМЛ) до сих пор связана с высокой смертностью, связанной с лечением (5–15%). Существует необходимость в разработке инструментов, которые бы помогли маршрутизировать и приоритизировать пациентов для назначения им интенсивной химиотерапии.
Цель. В данной работе была проведена разработка и оценка алгоритмов машинного обучения для предсказания смертности во время госпитализации, на основе данных, доступных на момент поступления пациента с ОМЛ.
Материалы и методы. Была использована база данных из медицинских электронных карт стационарных пациентов за 2018–2019 годы, которая включала пациентов (возраст >18 лет) с диагнозом ОМЛ и получавших химиотерапию во время этой госпитализации. Основная цель заключалась в предсказании смертности у пациентов с ОМЛ, проходящих химиотерапию, используя данные, имеющиеся перед началом химиотерапии (возраст, количество дней с момента поступления до начала химиотерапии, сопутствующие заболевания, жалобы на момент поступления). Набор данных был разделен на обучающую (80%) и тестовую (20%) выборки. Был проведен сравнительный анализ нескольких алгоритмов классификации: логистическая регрессия, деревья принятия решений и случайные леса. Точность модели на тестовом наборе данных была оценена с помощью параметра «площадь под кривой» ROC (AUC, ROC).
Результаты. В исследование были включены данные 1278 пациентов с лейкозом, медианный возраст составил 47,2 лет. Модели логистическая регрессия и случайных лесов продемонстрировали AUC=0,68, модель деревья принятия решений AUC=0,75, модель логистической регрессии AUC=0,62.
Выводы. Преимущество такого метода заключается в использовании доступных параметров для предсказания смертности в стационаре пациентов с ОМЛ, которые проходят химиотерапию, а также такое решение не требует дополнительных финансовых затрат. Данное исследование подтверждает возможность использования алгоритмов машинного обучения для создания решений в области здравоохранения. Для улучшения метрик диагностической точности необходимо увеличивать размер обучающего набора данных. Оценка смертности в стационаре на момент госпитализации может быть полезной гематологам для идентификации пациентов с высоким риском летального исхода, для которых альтернативные методы лечения приведут к лучшим результатам, чем химиотерапия.
About the authors
Yulia Sergeevna Busygina
First Moscow State Medical University. I.M. Sechenova
Email: busyus@mail.ru
ORCID iD: 0000-0002-4775-258X
Russian Federation, 8, Trubetskaya str., Moscow, 119991, Russia
Marat Rustemovich Gripp
First Moscow State Medical University. I.M. Sechenova
Email: maratgripp@gmail.com
ORCID iD: 0000-0003-2179-3671
Russian Federation, 8, Trubetskaya str., Moscow, 119991, Russia
Victoria Konstantinovna Konstantinidi
First Moscow State Medical University. I.M. Sechenova
Email: busyus@me.ru
ORCID iD: 0009-0003-0957-4959
Russian Federation, 8, Trubetskaya str., Moscow, 119991, Russia
Diana Ruslanovna Zhalalova
First Moscow State Medical University. I.M. Sechenova
Email: 1031646@rudn.ru
ORCID iD: 0009-0005-7519-3876
Russian Federation, 8, Trubetskaya str., Moscow, 119991, Russia
Aleksey Alexeyevich Shumnik
First Moscow State Medical University. I.M. Sechenova
Author for correspondence.
Email: ashumnik@list.ru
ORCID iD: 0009-0008-7360-512X
Russian Federation, 8, Trubetskaya str., Moscow, 119991, Russia
References
- Лучинин, А. С. Искусственный интеллект в гематологии / А. С. Лучинин // Клиническая онкогематология. Фундаментальные исследования и клиническая практика. – 2022. – Т. 15, № 1. – С. 16–27
- Хаджибаев А.М. Искусственный интеллект в отделениях интенсивной терапии службы экстренной медицинской помощи (Аналитический обзор) / А.М. Хаджибаев //Вестник экстренной медицины 2020
