Прогнозирование необходимости перевода на более высокий уровень медицинской помощи детям с пневмонией с помощью машинного обучения: ретроспективный анализ и разработка модели

Введение: Пневмония — одна из ведущих причин смерти детей в возрасте до 5 лет. Хотя методы машинного обучения применялись для диагностики пневмонии, лишь в немногих исследованиях оценивали возможность прогнозирования необходимости повышения уровня медицинской помощи детям. Целью настоящего исследования была разработка инструмента поддержки клинических решений на основе машинного обучения для прогнозирования необходимости повышения уровня медицинской помощи при внебольничной пневмонии.

Цель: Разработать надёжный прогностический инструмент, который поможет врачам первичного звена определить место лечения и тактику ведения ребёнка.

Методы: Проведён ретроспективный анализ данных 437 детей с внебольничной пневмонией, собранных до пандемии COVID-19. Педиатры кодировали основные клинические признаки по неструктурированным медицинским записям на основании рекомендаций стратегии интегрированного ведения болезней детского возраста. Для коррекции дисбаланса классов данных применяли метод синтетического увеличения выборки миноритарного класса с использованием связей Томека (SMOTE-Tomek), после чего отбирали признаки с помощью значений аддитивных объяснений Шепли. Модель оптимизировали подбором гиперпараметров и объединением моделей в ансамбль. Первичной конечной точкой был уровень тяжести состояния, определяемый необходимостью направления в учреждение третичного уровня для интенсивной терапии или респираторной поддержки.

Результаты: Проанализировано 437 случаев. Оптимизированные модели прогнозировали необходимость перевода на более высокий уровень медицинской помощи с точностью 77–88%; площадь под характеристической кривой «чувствительность–1 − специфичность» составила 0,88, а площадь под кривой точность–полнота — 0,96. Анализ значений аддитивных объяснений Шепли показал, что наиболее важными клиническими предикторами независимо от лабораторной диагностики были гипоксия, дыхательная недостаточность, возраст, Z-показатель массы тела к возрасту и длительность жалоб.

Выводы: Результаты демонстрируют возможность применения методов машинного обучения для создания прогностического инструмента выбора тактики медицинской помощи детям с пневмонией. Сочетание базовых клинических навыков с методами анализа данных позволяет на раннем этапе выявлять случаи, требующие повышения уровня медицинской помощи.