Использование возможностей искусственного интеллекта: модель глубокого обучения прогнозирует 30-дневную смертность при пневмонии

В недавнем исследовании, опубликованном в American Journal of Roentgenology, ученые разработали модель глубокого обучения (DL) для оценки риска 30,0-дневной смертности среди пациентов с внутрибольничной пневмонией (ВБП), используя в качестве исходных данных рентгеновские снимки грудной клетки, полученные для диагностики. Они также проверили эффективность модели среди пациентов из разных учреждений и в разные периоды.

Справочная информация

CAP, распространенная причина пневмонии, ассоциируется со значительной смертностью и использованием медицинских ресурсов. Рентгенография грудной клетки является важным инструментом для диагностики CAP и стратификации риска.

Однако включение результатов рентгенографии грудной клетки в инструменты прогнозирования риска было ограничено из-за межчитательской вариабельности и сложности извлечения объективных биомаркеров. Балл CURB-65 и индекс тяжести пневмонии в настоящее время являются доступными инструментами для прогнозирования неблагоприятных исходов у пациентов с CAP.

Об исследовании

В настоящем ретроспективном исследовании ученые разработали и внешне подтвердили модель на основе DL, предсказывающую смерть в течение 30,0 дней среди пациентов с CAP на основе первичных рентгенограмм грудной клетки.

Модель была разработана для прогнозирования риска смертности по любой причине в течение 30,0 дней среди пациентов с CAP на основе их первоначальных рентгенограмм грудной клетки.

Исследование включало поиск в электронных медицинских картах (ЭМК) одного третичного реферативного учреждения лиц, которым был поставлен диагноз CAP во время любой медицинской встречи в период с марта 2013 года по декабрь 2019 года.

Команда оценила модель глубокого обучения среди лиц с диагнозом "внутрибольничная пневмония" в отделениях неотложной помощи в учреждении, где группе разработчиков был поставлен диагноз в период с января по декабрь 2020 года (временная тестовая группа, 947 человек).

Они также оценили модель в двух других учреждениях, а именно в Медицинском центре Борамае Сеульского городского правительства - Сеульского национального университета (внешняя тестовая группа A, 467 человек) в период с января по март 2020 года и в больнице университета Чунг-Анг (внешняя тестовая группа B, 381 человек) в период с марта 2019 года по октябрь 2021 года.

В когорту разработчиков вошли пациенты с диагнозом CAP во время любой встречи, в то время как последующие тестовые когорты включали только пациентов с диагнозом CAP во время встреч в отделении неотложной помощи. Команда сравнила значения площади под кривой (AUC) между моделью глубокого обучения и инструментом CURB-65, а результаты комбинированного подхода были оценены с помощью моделирования логистической регрессии.

Первичным показателем исхода была смертность от любой причины в течение 30,0 дней после постановки диагноза CAP. Была разработана сверточная нейронная сеть (CNN) для прогнозирования смертности в течение 30,0 дней после постановки диагноза ВПД на основе результатов рентгенографии грудной клетки пациентов из когорты развития.

Выходные данные модели представляли собой условные вероятности выживания в различные временные интервалы, а опытный торакальный радиолог проводил post hoc анализ карт активации классов.

Модель глубокого обучения была разработана с распределением участников 3,0: 1,0: 1,0 в группе обучения, группе проверки и группе внутреннего тестирования для оценки 30,0-дневного риска смерти по любой причине среди пациентов с CAP с их рентгенограммами грудной клетки, проанализированными на момент постановки диагноза в качестве входных данных.

Данные о смертности были подтверждены с помощью ЭМК или данных регистра смертности Министерства внутренних дел и безопасности Республики Корея.

Результаты

В ходе исследования была проанализирована 30-дневная смертность 1 421 пациента из когорты разработчиков, включая 1 421 пациента из внутреннего тестового набора.

Значения AUC для оценки риска 30,0-дневной смертности были выше для модели глубокого обучения по сравнению с CURB-65 среди участников временной тестовой группы (0,80 против 0,70), но не были статистически значимыми среди тех, кто принадлежал к внешним тестовым группам A (0,8 против 0,7) и B (0,8 против 0,7).

По сравнению с CURB-65, модель DL имела аналогичную чувствительность, но более высокую специфичность, с положительной предсказательной ценностью (PPV) 35% против 18% и отрицательной предсказательной ценностью (NPV) 95% против 94%. Модель DL продемонстрировала приемлемую калибровку в группе временного тестирования, но значительно переоценила риск 30-дневной смертности в когортах внешнего тестирования A и B.

Модель DL была значимым предиктором 30-дневной смертности, с отношением шансов 1,08 для увеличения прогнозируемого риска на 1,0% после корректировки баллов по шкале CURB-65.

В группах A и B внешнего тестирования модель DL, показатели CURB-65 и комбинированная модель показали качественно схожие кривые принятия решений, со скромным улучшением чистой положительной пользы для модели глубокого обучения и комбинированной модели по сравнению с показателями CURB-65.

Изображения пневмонии повлияли на прогнозы DL-модели у пациентов с высоким прогнозируемым риском, в то время как на прогнозы пациентов с низким прогнозируемым риском повлияли другие области изображения.

На модель не влияли нерелевантные признаки, такие как маркеры рентгенограммы или посторонние материалы. Post hoc оценка карт активации классов показала, что прогнозы модели DL были в основном точными.

Выводы

В целом, результаты исследования показали, что модель глубокого обучения может оценить смертность в течение 30,0 дней после постановки диагноза CAP, используя рентгеновские снимки грудной клетки, полученные для диагностики, с более высокой эффективностью, чем инструмент CURB-65.

Модель дала AUC от 0,77 до 0,80, с более высокой специфичностью (от 61% до 69%) по сравнению с CURB-65 (от 44% до 58%) при аналогичной чувствительности.

Модель может помочь в принятии решений и улучшить результаты лечения CAP путем выявления пациентов с высоким риском (тех, кто требует госпитализации и интенсивного лечения, включая внутривенную антибиотикотерапию или респираторную поддержку).

Напротив, ранняя выписка домой и консервативное лечение пациентов с низким риском могут снизить ненужное использование медицинских ресурсов.

https://www.news-medical.net/news/20230705/Harnessing-the-power-of-AI-deep-learning-model-forecasts-30-day-mortality-in-pneumonia-cases.aspx