Сравнительный анализ прогностических моделей для поддержки принятия врачебных решений

В работе проводится сравнение нескольких прогностических моделей на основе базы данных пациентов, госпитализированных с внебольничной пневмонией в Томской области в 2017 году. В качестве прогнозируемой переменной используется летальный исход. Для построения моделей отобраны параметры, влияющие на исход заболевания. На обучающей выборке на основе всех отобранных параметров, а также на основе параметров, входящих в шкалу CURB-65, построены следующие модели: байесовский классификатор, логистическая регрессия, шкала CURB-65. Также шкала CURB-65 модифицирована: с помощью ROC-анализа найдены новые точки разделения. Все модели проверены на тестовой выборке – были рассчитаны чувствительность, специфичность и площадь под ROC-кривой. Так как необходимо на основе данных о пациенте при поступлении выделять потенциально тяжелых больных, модели сравнивались по чувствительности. Максимальная чувствительность достигается при использовании логистической регрессии со смещенным пороговым значением, построенной на параметрах, входящих в шкалу CURB-65.

Введение …………………………………………………………………………………………………… 3

Постановка задачи …………………………………………………………………………………… 5

Существующие методы решения задачи ………………………………………………… 6

1. Исходные данные ……………………………………………………………………………….. 8

2. Подготовка данных ……………………………………………………………………………. 9

2.1. Выявление факторов, значимых для прогнозирования ……………… 9

2.1.1. Количественные переменные ……………………………………………….. 10

2.1.2. Качественные переменные……………………………………………………. 11

2.2. Разбиение базы на обучающую и тестовую выборки ………………… 12

2.3. Преобразование количественных данных в бинарные ……………… 14

2.4. Подсчет частот ……………………………………………………………………………. 16

3. Прогностические модели ………………………………………………………………….. 18

3.1. Модели, построенные по всем данным ………………………………………. 18

3.1.1. Байесовский классификатор ………………………………………………… 18

3.1.2. Логистическая регрессия………………………………………………………. 21

3.2. Модели, построенные по параметрам CURB-65 ………………………… 24

3.2.1. Шкала CURB-65 и ее модификация ………………………………………… 24

3.2.2. Байесовский классификатор …………………………………………………… 28

3.2.3. Логистическая регрессия ………………………………………………………… 29

Выводы …………………………………………………………………………………………………… 32

Заключение …………………………………………………………………………………………….. 33

Список использованных источников ……………………………………………………. 35

Системы поддержки принятия решений играют важную роль в
различных областях человеческой деятельности, особенно в медицине.
Опираясь на результаты, полученные с помощью таких систем, можно
выбирать подходы к дальнейшему лечению пациентов, ставить
предварительные диагнозы, прогнозировать исходы болезней.
Существует множество подходов к построению систем, в разных
задачах одни и те же подходы могут давать разные результаты. Также
каждый подход имеет свои преимущества и недостатки.
В данной работе было проведено сравнение прогностических моделей
на базе данных по всем пациентам, госпитализированным с внебольничной
пневмонией во все стационары Томской области в 2017 году.
Прогнозируемой переменной являлся летальный исход.
На первом этапе были отобраны параметры, значимые для
прогнозирования исхода. Все пациенты были разбиты на две группы
(умершие и выжившие), были выделены параметры, по которым
наблюдались статистически значимые различия. Для реализации этапа
использовался программный пакет STATISTICA 10.
Следующим этапом для сравнения моделей база была разбита на
тестовую и обучающую выборки. Все модели применялись к тестовой
выборке.
Так как для некоторых моделей требуются бинарные данные, все
количественные параметры были переведены в бинарный вид с
использованием точек разделения, полученных с помощью ROC-анализа.
ROC-анализ проводился в пакетах MedCalc и MATLAB R2020a.
Затем были реализованы несколько моделей на разных наборах
данных: байесовский классификатор, логистическая регрессия, шкала CURB-
65 и ее модификация. Модели были реализованы в пакетах STATISTICA и
MATLAB. Лучший результат показала логистическая регрессия с
измененным пороговым значением, построенная на параметрах, входящих в
шкалу CURB-65. С помощью нее удалось добиться чувствительности 1,0 – то
есть правильно классифицировать всех умерших пациентов.

Результаты работы были представлены на следующих конференциях:
 LI Международная научная конференция аспирантов и студентов
«Процессы управления и устойчивость» Control Processes and Stability
(CPS’20) (статья «Сравнение способов преобразования количественных
данных в бинарные при предсказании рисков осложнений внебольничной
пневмонии»), апрель 2020 г.
 IV Международная конференция “Устойчивость и процессы
управления”, посвященная 90-летию со дня рождения чл.-корр. РАН В.И.
Зубова: памяти профессора В.И. Зубова (доклад «Detection of the Community-
Acquired Pneumonia Factors Leading to Death»), октябрь 2020 г.
 LII Международная научная конференция аспирантов и студентов
«Процессы управления и устойчивость» Control Processes and Stability
(CPS’21) (доклад «Сравнительный анализ прогностических моделей для
поддержки принятия врачебных решений»), апрель 2021 г.
В дальнейшем можно рассмотреть другие подходы, например,
нейронные сети или системы, построенные на нечеткой логике.

1. Гусев А. В., Зарубина Т. В. Поддержка принятия врачебных
решенийв медицинскихинформационныхсистемахмедицинской
организации // Врач и информационные технологии. 2017. – № 2. – С. 60–72.
2. Greenes R.A. Clinical decision support: the road ahead / R.A. Greenes. –
Boston: Elsevier Academic Press, 2007. – 581 p.
3. Системаподдержкипринятияврачебныхрешений
Webiomed.DHRA[Электронныйресурс].–Режимдоступа:
https://webiomed.ai/products/webiomed-dhra/ (дата обращения: 20.03.20).
4. Указ Президента Российской Федерации от 10.10.2019 г. № 490 «О
развитииискусственногоинтеллектавРоссийскойФедерации»
[Электронныйресурс].–Режимдоступа:
http://www.kremlin.ru/acts/bank/44731 (дата обращения: 20.03.20).
5. R. M. Anjana. Prevalence of diabetes and prediabetes (impaired fasting
glucose and/or impaired glucose tolerance) in urban and rural India: Phase I results
of the Indian Council of Medical Research–INdia DIABetes (ICMR–INDIAB)
study. Diabetologia (2011) 54:3022–3027 DOI: 10.1007/s00125-011-2291-5.
6. Gau JT, Acharya U, Khan S, Heh V, Mody L, Kao TC. Pharmacotherapy
and the risk for community-acquired pneumonia. BMC Geriatr. 2010 Jul 6;10:45.
DOI: 10.1186/1471-2318-10-45.
7. ДарвинВ.В.,ЕгоровА.А.,Микшина В.С.,СурововА.А.
Интеллектуальная информационная система поддержки принятия решений
хирурга по выбору способа завершения операции // Современные проблемы
науки и образования. – 2011. – № 5.
8. Sousa Rafael, Marques Oge, Soares Fabrizzio, Sene Iwens, Oliveira,
Leandro, Spoto Edmundo. (2013). Comparative Performance Analysis of Machine
Learning Classifiers in Detection of Childhood Pneumonia Using Chest
Radiographs.ProcediaComputerScience.18.2579-2582.
DOI: 10.1016/j.procs.2013.05.444.
9. Rother A-K, Schwerk N, Brinkmann F, Klawonn F, Lechner W, Grigull
L (2015) Diagnostic Support for Selected Paediatric Pulmonary Diseases Using
Answer-Pattern Recognition in Questionnaires Based on Combined Data Mining
Applications—A Monocentric Observational Pilot Study. PLoS ONE 10(8):
DOI: 10.1371/journal.pone.0135180.
10. M.R.K. Mookiah, U. Rajendra Acharya, Roshan Joy Martis, Chua
Kuang Chua, C.M. Lim, E.Y.K. Ng, Augustinus Laude, Evolutionary algorithm
based classifier parameter tuning for automatic diabetic retinopathy grading: A
hybrid feature extraction approach, Knowledge-Based Systems, Volume 39, 2013,
Pages 9-22, ISSN 0950-7051, DOI: 10.1016/j.knosys.2012.09.008.
11. Ance Kancere, Ieva Markovica, Zigurds Markovics. Computer system
for diagnosis in medicine domain //Technologies of Computer Control. 2013. p.
44-72.
12. Разводин Р.А. Интеллектуальная система поддержки принятия
врачебных решений в дерматовенерологии // Проблемы медицинской
микологии. 2014. Т. 16. № 3. С. 59–65.
13. Коробова Л.А., Гладких Т.В. Разработка модели принятия решения
для постановки диагноза заболеваний на основе нечеткой логики // Вестник
ВГУИТ. 2018. Т. 80. № 4. С. 80–89. DOI: 10.20914/2310- 1202-2018-4-80-89.
14. Локтюхин В.Н., Черепнин A.A. Поддержка принятия решений на
основе нейро-нечеткой технологии при диагностике патологий желудочно-
кишечного тракта // Биотехносфера. №2. С-Пб.: Политехника. 2009. С. 20-23.
15. Гуляев Ю.В., Никитов Д.С., Пономарев Н.В. Исследование
возможности создания и применения системы поддержки принятия решений
при постановке диагноза в области онкопатологии // Радиотехника и
электроника. 2006. – №11. – С. 1387-1397.
16. Егоров А. А. Модель принятия решения хирурга / А. А. Егоров, B.
C. Микшина // Вестн. новых мед. Технологий, 2011. – Т. 7, № 4. – С. 178 –
181.
17. Мокина Е.Е., Марухина О.В., Шагарова М.Д., Дубинина И.А.
ИспользованиеметодовDataminingприпринятиимедицинских
диагностических решений // Fundamental research. 2016. – № 5. – С. 269-274.
18. 10 ведущих причин смерти в мире [Электронный ресурс]. – Режим
доступа: https://www.who.int/ru/news-room/fact-sheets/detail/the-top-10-causes-
of-death (дата обращения: 10.12.2019).
19. Сидоренко Е.В. Методы математической обработки в психологии /
Е.В. Сидоренко. – СПб.: Речь, 2003. – 350 с.
20. Критерий Хи-квадрат Пирсона [Электронный ресурс]. – Режим
доступа:https://medstatistic.ru/methods/methods4.html(датаобращения:
06.12.2020).
21. Анализы: референсные значения = норма? [Электронный ресурс]. –
Режим доступа:http://www.laboratorii.ru/reference-range/ (дата обращения:
20.01.20).
22. Фесенко О.В., Синопальников А.И. Тяжелая внебольничная
пневмония и шкалы оценки прогноза. Практическая пульмонология. 2014; 2:
20-26 / Fesenko O., Sinopalnikov A. Severe community-acquired pneumonia and
prognostic scores. Practical pulmonology. 2014, 2: 20-26.
23. Королюк И.П.. Медицинская информатика: Учебник / – 2 изд.,
перераб. и доп. – Самара : ООО «Офорт» : ГБОУ ВПО «СамГМУ».2012.- 244
с. 2012.
24. Анализ с помощью характеристической кривой [Электронный
ресурс]. – Режим доступа:https://wiki.loginom.ru/articles/roc-analysis.html
(дата обращения: 05.01.2020).
25. Бейли Н. Т. Дж. Математика в биологии и медицине: Пер. с англ. –
М.: Мир, 1970. – 326 с.
26. Наивный байесовский классификатор [Электронный ресурс]. –
Режим доступа:http://bazhenov.me/blog/2012/06/11/naive-bayes.html(дата
обращения: 06.12.2020).
27. Красько О. Статистический анализ данных в медицинских
исследованиях: учеб. метод. пособие. Минск 2014. – 127 с.
28. Логистическая регрессия [Электронный ресурс]. – Режим доступа:
http://statistica.ru/theory/logisticheskaya-regressiya/(датаобращения:
10.01.2021).
29. МинистерствоздравоохраненияРоссийскойФедерации
Клинические рекомендации. Внебольничная пневмония (МКБ 10: J13-J18)
2018 г. [Электронный ресурс] http://spulmo.ru› (дата обращения: 05.01.2020).
30. Lim W.S., van der Eerden M.M., Laing R. et al. Defining community
acquired pneumonia severity on presentation to hospital: an international
derivationandvalidationstudy.Thorax.2003;58(5):377-82.
DOI: 10.1136/thorax.58.5.377.
31. Falcone M, Corrao S, Venditti M, Serra P, Licata G. Performance of PSI,
CURB-65, and SCAP scores in predicting the outcome of patients with
community-acquired and healthcare-associated pneumonia [published correction
appears in Intern Emerg Med. 2013 Sep;8(6):549]. Internal and Emergency
Medicine. 2011;6(5):431-436. DOI: 10.1007/s11739-011-0521-y.
32. Aronsky, Dominik & Dean, Nathan. (2004). Admission Decision For
Pneumonia: A Validation Study of the CURB-65 Criteria. CHEST Journal.
DOI: 10.1378/chest.126.4_MeetingAbstracts.738S-a.
33.Ananda-Rajah MR, Charles PG, Melvani S, Burrell LL, Johnson PD,
Grayson ML. Comparing the pneumonia severity index with CURB-65 in patients
admitted with community acquired pneumonia. Scandinavian Journal of Infectious
Diseases. 2008; 40(4):293-300. DOI: 10.1080/00365540701663381.
34. Ilg A., Moskowitz A., Konanki V., et al. Performance of the CURB-65
Score in Predicting Critical Care Interventions in Patients Admitted With
Community-Acquired Pneumonia. Ann Emerg Med. 2019; 74(1): 60-68.
DOI: 10.1016/j.annemergmed.2018.06.017.