Автоматизированное прогнозирование успешной экстубации у глубоко недоношенных детей: многоцентровое исследование APEX

Введение: Глубоко недоношенные дети часто нуждаются в искусственной вентиляции лёгких. Существующие инструменты прогнозирования успешной экстубации недостаточно точны.

Методы: Многоцентровое исследование с участием детей с массой тела при рождении ≤1250 г, которым впервые предпринимали экстубацию. До экстубации регистрировали клинические данные и кардиореспираторные сигналы. Основным исходом была точность прогнозирования успешной экстубации. Выполняли автоматизированный анализ кардиореспираторных сигналов, формировали клинические и кардиореспираторные признаки и использовали двухэтапный классификатор на основе сбалансированного случайного леса с учётом клинических решений. Проводили перекрёстную проверку по принципу «оставь одного». Эффективность оценивали по ROC-кривым и определяли по сбалансированной точности. Дополнительно проводили поисковый анализ экстубаций, выполненных в возрасте до 7 дней.

Результаты: В исследование включили 241 ребёнка; у 44 (18%) экстубация оказалась неуспешной. Сбалансированная точность классификатора составила 73%: чувствительность — 70% (95% ДИ 63–76%), специфичность — 75% (95% ДИ 62–88%). При использовании классификатора в качестве дополнительного инструмента поддержки клинических решений доля успешных экстубаций могла увеличиться с 82 до 93%, однако у 60 детей, которым экстубация была бы успешной, результат был бы классифицирован ошибочно. Среди детей, экстубированных в возрасте до 7 дней, классификатор выявил 16 из 18 случаев неуспешной экстубации (специфичность 89%) и 73 из 105 случаев успешной экстубации (чувствительность 70%).

Выводы: Алгоритмы машинного обучения могут повысить сбалансированную точность прогнозирования исхода экстубации, однако требуют дальнейшего совершенствования и валидации.

Значимость: Прогностическая модель, разработанная с помощью машинного обучения и объединяющая клинические данные с автоматизированным анализом отдельных кардиореспираторных сигналов, может повысить точность прогнозирования успешной экстубации и выявлять детей с высоким риском неудачи с хорошей сбалансированной точностью. Такой междисциплинарный подход, объединяющий медицину, биомедицинскую инженерию и информатику, представляет собой шаг вперёд, поскольку существующие инструменты прогнозирования исходов экстубации пока не обладают достаточной сбалансированной точностью, чтобы обосновать их применение в будущих исследованиях или клинической практике. Таким образом, индивидуализированная оценка может оптимизировать отбор пациентов для будущих исследований готовности к экстубации, уменьшая воздействие вмешательств на детей с низким риском и максимально увеличивая пользу для детей с высоким риском.