Машинное обучение для прогнозирования острого повреждения почек у пациентов с сепсисом

Введение: Острый повреждение почек (ОПП) — самое частое и тяжёлое осложнение сепсиса, сопровождающееся высокой летальностью и значимой нагрузкой на систему здравоохранения. Ранняя прогнозная оценка ОПП имеет критическое значение для своевременного вмешательства и улучшения прогноза. Цель исследования — разработать и валидировать прогностические модели на основе новых алгоритмов машинного обучения для ОПП у критически больных пациентов с сепсисом.

Методы: Данные пациентов с сепсисом были извлечены из базы Medical Information Mart for Intensive Care III (MIMIC-III). Отбор признаков проводили с использованием алгоритма Boruta. Для построения моделей применяли логистическую регрессию, метод k ближайших соседей, метод опорных векторов, дерево решений, случайный лес, Extreme Gradient Boosting (XGBoost) и искусственную нейронную сеть с использованием десятикратной перекрёстной проверки. Качество моделей оценивали по дискриминации, калибровке и клинической применимости. Кроме того, дискриминацию моделей на основе машинного обучения сравнивали с таковой по шкале Sequential Organ Failure Assessment (SOFA) и модифицированной модели Simplified Acute Physiology Score (SAPS) II.

Результаты: В анализ включили 3176 критически больных пациентов с сепсисом, из которых у 2397 (75,5%) во время госпитализации развилось ОПП. Для построения модели отобрали 36 переменных. Были построены модели на основе логистической регрессии, метода k ближайших соседей, метода опорных векторов, дерева решений, случайного леса, искусственной нейронной сети, XGBoost, а также шкал SOFA и SAPS II; площади под ROC-кривой составили соответственно 0,7365, 0,6637, 0,7353, 0,7492, 0,7787, 0,7547, 0,821, 0,6457 и 0,7015. Модель XGBoost показала наилучшие результаты по дискриминации, калибровке и клинической применимости среди всех моделей.

Выводы: Модели машинного обучения могут быть надёжным инструментом прогнозирования ОПП у пациентов с сепсисом. Модель XGBoost обладает наилучшей прогностической точностью и может помочь клиницистам выявлять пациентов высокого риска и проводить ранние вмешательства для снижения летальности.