Разработка модели машинного обучения для раннего прогнозирования сепсиса с поздним началом и оценка ее клинического влияния

Введение и цель: У недоношенных детей повышен риск неонатальных инфекций, включая сепсис с поздним началом (LOS). Последствия LOS могут быть тяжелыми и потенциально жизнеугрожающими. К сожалению, LOS часто проявляется неспецифическими симптомами, а ранние лабораторные скрининговые тесты имеют ограниченную диагностическую ценность и нередко выполняются с опозданием. Целью исследования была разработка прогностического алгоритма для помощи врачам в раннем выявлении LOS у глубоко недоношенных детей.

Методы: В ретроспективное когортное исследование включили всех последовательно госпитализированных недоношенных детей с гестационным возрастом (ГВ) ≤32 недель за период с 2008 по 2019 год. На основании результатов посева крови, который в настоящее время считается золотым стандартом, детей классифицировали в группы LOS или контроля. Для формирования признаков из электронных медицинских карт извлекали данные о рутинно измеряемых, а также непрерывно регистрируемых сатурации кислорода и частоте сердечных сокращений с поминутной дискретизацией. Переменные, указывающие на уже возникшее подозрение на LOS, не включали. Время получения положительного посева крови использовали как приближенный показатель момента начала LOS. Для пациентов контрольной группы, сопоставленных по гестационному возрасту и не имевших положительного посева крови, определяли соответствующую временную точку. Для построения классификационного алгоритма применяли три метода машинного обучения: обобщенные аддитивные модели, логистическую регрессию и XGBoost. Чтобы смоделировать работу алгоритма в клинической практике, на протяжении всей госпитализации проводили симуляцию с несколькими порогами тревог на основе прогнозов, выдаваемых ежечасно.

Результаты: В исследование включили 292 ребенка с LOS и 1497 детей контрольной группы. До сопоставления медиана гестационного возраста составляла соответственно 28,1 и 30,3 недели. Оценка общей дискриминационной способности алгоритма на основе логистической регрессии в момент возникновения клинического подозрения (t = 0) показала площадь под ROC-кривой (AUC) 0,73 (p < 0,05). При продольной симуляции алгоритм выявлял LOS как минимум у 47% пациентов до возникновения клинического подозрения, не превышая порог, связанный с усталостью от тревог, — 3 тревоги в сутки. Кроме того, медицинские эксперты сочли вклад признаков в объяснение работы модели клинически значимым.

Выводы: Для раннего выявления LOS обучен алгоритм машинного обучения. Его эффективность оценивали как на разных временных горизонтах прогнозирования, так и в рамках симуляции клинического влияния. Насколько известно авторам, ретроспективная симуляция клинического влияния на продольных данных стала наиболее масштабной среди опубликованных исследований прогнозирования LOS. Алгоритм, основанный на данных, собираемых в рамках рутинного наблюдения, имеет клиническую значимость и потенциально может ускорить принятие решений при раннем выявлении LOS даже при ограниченном числе входных данных.