Разработка и валидация классификаторов на основе машинного обучения для прогнозирования ретинопатии недоношенных, требующей лечения

Введение: Цель исследования — разработать и оценить различные модели обучения с учителем для выявления недоношенных детей, которым требуется лечение, на основании демографических данных и клинических характеристик, полученных при скрининговых обследованиях.

Методы: Проведён ретроспективный анализ медицинских карт недоношенных детей, обследованных по поводу ретинопатии недоношенных (РН) в нашей клинике за последнее десятилетие. Были извлечены демографические и клинические данные, включавшие 11 признаков: пол, уровень образования матери, уровень образования отца, массу тела при рождении, гестационный возраст, стадию РН, зону поражения сетчатки, возраст на момент обследования, массу тела на момент обследования и CPR. Разработаны и оценены несколько классификаторов: логистическая регрессия (LR), дерево решений (DT), метод опорных векторов (SVM), наивный байесовский классификатор (NB), метод k ближайших соседей (KNN), XGBoost, искусственная нейронная сеть (ANN) и случайный лес (RF). Целевой переменной было наличие или отсутствие лечения новорождённого в течение периода наблюдения.

Результаты: В анализ включены данные 9692 детей. Наибольшую точность среди оценённых моделей продемонстрировали XGBoost и ANN — 96%. По показателю чувствительности (полноте) модель NB характеризовалась наименьшей частотой ложноотрицательных результатов, то есть наибольшей чувствительностью — 0,99. Для недоношенных детей крайне важно точно выявлять тех, кому требуется лечение. Поэтому с клинической точки зрения предпочтение модели с наименьшей частотой ложноотрицательных результатов может быть более целесообразным, чем выбор модели исключительно на основании максимальной точности.

Выводы: Искусственный интеллект может совершенствовать процесс принятия решений, обеспечивая оценку риска в режиме реального времени, однако эти инструменты должны дополнять, а не заменять клиническое мышление. Врачи должны участвовать в интерпретации результатов работы модели и принимать окончательное решение о лечении с учётом совокупности индивидуальных особенностей каждого пациента.

Номер клинического исследования: неприменимо.