Дата публикации: 2020-11-20

Дата публикации в реестре: 2021-10-05T18:22:06Z

Аннотация:

Введение. В условиях высокой нагрузки на все звенья в структуре оказания медицинской помощи больным COVID-19 решение вопроса эффективной медицинской сортировки пациентов представляется чрезвычайно актуальным. Длительность стационарного лечения является одним из наиболее объективных и однозначно интерпретируемых показателей, которые могут быть использованы для косвенной оценки тяжести состояния пациента. Цель. Разработать модель машинного обучения для прогнозирования длительности стационарного лечения пациентов с COVID-19 на основании рутинных клинических показателей, оцениваемых на догоспитальном этапе. Материалы и методы. Всего обследовано 564 пациента с диагнозами «U07.1 COVID-19, вирус идентифицирован» (n = 367) и «U07.2 COVID-19, вирус не идентифицирован» (n = 197). В исследование включено 270 пациентов, из них у 50,37% больных длительность стационарного лечения не превышала 7 дней, у 49,63% больных продолжительность стационарного лечения была более 10 дней. В качестве наиболее важных предикторов для прогнозирования длительности стационарного лечения были выбраны 11 клинических параметров: возраст, рост и вес пациента, уровень SpO2, температура тела, индекс массы тела, частота пульса, количество дней от начала болезни, частота дыхательных движений, систолическое и диастолическое артериальное давление. Результаты. Точность разработанной нами модели машинного обучения для прогнозирования длительности стационарного лечения более 10 дней составила 83,75% (95% ДИ: 73,82–91,05%), чувствительность — 82,50%, специфичность — 85,00%, AUC = 0,86. Заключение. Разработанный нами метод на базе машинного обучения характеризуется высокой точностью прогнозирования длительности стационарного лечения больных COVID-19, что позволяет рассматривать его как новый перспективный инструмент для поддержки принятия врачебных решений о дальнейшей тактике ведения пациента и решения вопроса о необходимости госпитализации.

Тип: info:eu-repo/semantics/journal-article