phОбщественное здоровьеPublic Health2782-16762949-1274ФГБУ «ЦНИИОИЗ» Минздрава России10.21045/2782-1676-2025-5-2-4-16ph-277Research ArticleТЕОРИЯ ОБЩЕСТВЕННОГО ЗДОРОВЬЯPUBLIC HEALTH THEORYМодель для прогнозирования смерти у взрослых пациентов в течение 10 летA model for predicting death in adult patients within 10 yearshttps://orcid.org/0000-0001-6898-8009КафтановА. Н.KaftanovA. N.

Кафтанов Алексей Николаевич – кандидат медицинских наук, аналитик данных

г. Петрозаводск

Alexey N. Kaftanov – PhD in Medical sciences, data analyst

Petrozavodsk

akaftanov@webiomed.ruhttps://orcid.org/0000-0001-6359-0763АндрейченкоА. E.AndreychenkoA. E.

Андрейченко Анна Евгеньевна – кандидат физико-математических наук, ведущий научный сотрудник

г. Санкт-Петербург

Anna E. Andreychenko – PhD in Physics and Mathematics sciences, lead research scientist

St. Petersburg

andreychenko.a@gmail.comhttps://orcid.org/0000-0002-0513-8557ЕрмакА. Д.ErmakA. D.

Ермак Андрей Дмитриевич – аналитик данных

г. Петрозаводск

Andrey D. Ermak – data analyst

Petrozavodsk

aermak@webiomed.ruhttps://orcid.org/0000-0002-8745-857XГавриловД. В.GavrilovD. V.

Гаврилов Денис Владимирович – руководитель медицинского направления

г. Петрозаводск

Denis V. Gavrilov – Head of the medical department

Petrozavodsk

dgavrilov@webiomed.aihttps://orcid.org/0000-0002-7380-8460ГусевА. В.GusevA. V.

Гусев Александр Владимирович – кандидат технических наук, эксперт по искусственному интеллекту

г. Москва

Aleksandr V. Gusev – PhD in Engineering sciences, artificial intelligence expert

Moscow

agusev@webiomed.aihttps://orcid.org/0000-0002-2350-977XНовицкийР. Э.NovitskiyR. E.

Новицкий Роман Эдвардович – генеральный директор

г. Петрозаводск

Roman E. Novitskiy – General manager

Petrozavodsk

roman@webiomed.ruООО «К-СКАЙ»РоссияK-SkaiRussian FederationФГАОУ ВО «Национальный исследовательский университет ИТМО»РоссияITMO UniversityRussian FederationФГБУ «Центральный научно-исследовательский институт организации и информатизации здравоохранения» Министерства здравоохранения Российской ФедерацииРоссияRussian Research Institute of HealthRussian Federation20252007202552416Copyright © Кафтанов А.Н., Андрейченко А.E., Ермак А.Д., Гаврилов Д.В., Гусев А.В., Новицкий Р.Э., 20252025Кафтанов А.Н., Андрейченко А.E., Ермак А.Д., Гаврилов Д.В., Гусев А.В., Новицкий Р.Э.Kaftanov A.N., Andreychenko A.E., Ermak A.D., Gavrilov D.V., Gusev A.V., Novitskiy R.E.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ph.elpub.ru/jour/article/view/277

Введение. Выявление факторов риска и прогнозирование смерти от различных причин являются важными вопросами медицины. С точки зрения профилактического направления важно выявлять пациентов с высоким риском смерти, так как раннее обнаружение и лечение заболеваний эффективно повышают продолжительность жизни. Цель исследования: разработать универсальную модель прогнозирования смерти у взрослых пациентов в течение 10 лет и сравнить предсказательную способность прогноза смерти в многочисленной современной когорте модели МО (деревья решений) с обычной моделью логистической регрессии Кокса. Материалы и методы. Источником данных для исследования являлась база данных платформы прогнозной аналитики Webiomed компании ООО «К-Скай». В исследование было включено 1129268 записей 201985 пациентов в возрасте от 18 лет. Изучено 177 прогнозных признаков, из которых в результате многоступенчатого отбора для моделирования выбрано 12. Для моделирования использовалось два алгоритма анализа выживаемости: CoxPHFitter и RandomSurvivalForest. С помощью моделей определялась вероятность наступления смерти в течение 1, 3, 5 и 10 лет. Результаты. По результатам тестирования обе модели показали хорошие результаты по предсказанию смерти. Однако лучший результат был получен у модели RandomSurvivalForest. Метрики лучшей модели с 95% доверительным интервалом для предсказания смерти в течение 10 лет: Площадь под ROC кривой 0,921 (0,914–0,929), Точность 0,849 (0,84–0,858), Чувствительность 0,813 (0,795–0,83), Специфичность 0,871 (0,859–0,882), Индекс соответствия 0,867 (0,861–0,874), Прогностическая ценность положительного результата 0,791 (0,776–0,806), Прогностическая ценность отрицательного результата 0,886 (0,876–0,895). Заключение. Было показано, что модели машинного обучения хорошо предсказывают смертельные исходы, демонстрируя высокую дискриминацию и точность классификации. Их использование может помочь выявлять пациентов высокого риска с целью формирования решения о политике действий для предотвращения смерти. 

Introduction. The identification of risk factors and the prediction of mortality from various causes are important issues in medicine. From a preventive perspective, it is crucial to identify patients at high risk of death, as early detection and treatment of diseases effectively increase life expectancy. The purpose of the study: to develop a universal model for predicting death in adult patients within 10 years and to compare the predictive ability of predicting death in a large contemporary cohort of the machine learning model (decision trees) with a Cox regression. Materials and methods. The data source for the study was the database of the Webiomed predictive analytics platform. The study included 1,129,268 records of 201,985 patients aged 18 years and older. 177 predictive features were investigated, of which 12 were selected for modelling as a result of a multi-stage selection process. Two survival analysis algorithms, CoxPHFitter and RandomSurvivalForest, were used for modelling. The models were used to determine the probability of death within 1, 3, 5 and 10 years. Results. Both models performed well in predicting death, however, the best result was obtained by the RSF model. Metrics of the best model with 95% CI for predicting death within 10 years: AUC0.921 (0.914–0.929), Accuracy 0.849 (0.84–0.858), Sensitivity 0.813 (0.795–0.83), Specificity 0.871 (0.859–0.882), Concordance index 0.867 (0.861–0.874), Positive predictive value 0.791 (0.776–0.806), Negative Predictive Value 0.886 (0.876–0.895). Conclusion. Machine learning models predict mortality outcomes well, demonstrating high discrimination and classification accuracy. Their use may help to identify high-risk patients to inform decisions to prevent death. 

оценка риска смертиискусственный интеллектмашинное обучениепрогнозирование смертианализ выживаемостиrisk assessment of deathartificial intelligencemachine learningdeath predictionsurvival analysisReferencesQiu W., Chen H., Dincer A.B., Lundberg S., Kaeberlein M., Lee S.I. Interpretable machine learning prediction of allcause mortality. Commun Med (Lond). 2022 Oct 3;2:125. https://doi.org/10.1038/s43856-022-00180-xQiu W., Chen H., Dincer A.B., Lundberg S., Kaeberlein M., Lee S.I. Interpretable machine learning prediction of allcause mortality. Commun Med (Lond). 2022 Oct 3;2:125. https://doi.org/10.1038/s43856-022-00180-xKawano K., Otaki Y., Suzuki N., Fujimoto S., Iseki K., Moriyama T., Yamagata K., Tsuruya K., Narita I., Kondo M., Shibagaki Y., Kasahara M., Asahi K., Watanabe T., Konta T. Prediction of mortality risk of health checkup participants using machine learning-based models: the J-SHC study. Sci Rep. 2022 Aug 19;12(1):14154. https://doi.org/10.1038/s41598 022 18276 8.Kawano K., Otaki Y., Suzuki N., Fujimoto S., Iseki K., Moriyama T., Yamagata K., Tsuruya K., Narita I., Kondo M., Shibagaki Y., Kasahara M., Asahi K., Watanabe T., Konta T. Prediction of mortality risk of health checkup participants using machine learning-based models: the J-SHC study. Sci Rep. 2022 Aug 19;12(1):14154. https://doi.org/10.1038/s41598 022 18276 8.Weng S.F., Vaz L., Qureshi N., Kai J. Prediction of premature all-cause mortality: A prospective general population cohort study comparing machine-learning and standard epidemiological approaches. PLoS One. 2019 Mar 27;14(3): e0214365. https://doi.org/10.1371/journal.pone.0214365.Weng S.F., Vaz L., Qureshi N., Kai J. Prediction of premature all-cause mortality: A prospective general population cohort study comparing machine-learning and standard epidemiological approaches. PLoS One. 2019 Mar 27;14(3): e0214365. https://doi.org/10.1371/journal.pone.0214365.Global health risks: mortality and burden of disease attributable to selected major risks. – Geneva: World health organization, cop. 2009. ISBN 978 92 4 156387 1.Global health risks: mortality and burden of disease attributable to selected major risks. – Geneva: World health organization, cop. 2009. ISBN 978 92 4 156387 1.Федеральная служба государственной статистики: официальный сайт. – Москва, 2024. – URL: https://rosstat.gov.ru/folder/12781 (Дата обращения: 06.05.2024).Федеральная служба государственной статистики: официальный сайт. – Москва, 2024. – URL: https://rosstat.gov.ru/folder/12781 (Дата обращения: 06.05.2024).Motwani M., Dey D., Berman D.S., Germano G., Achenbach S., Al-Mallah M.H., Andreini D., Budoff M.J., Cademartiri F., Callister T.Q., Chang H.J., Chinnaiyan K., Chow B.J., Cury R.C., Delago A., Gomez M., Gransar H., Hadamitzky M., Hausleiter J., Hindoyan N., Feuchtner G., Kaufmann P.A., Kim Y.J., Leipsic J., Lin F.Y., Maffei E., MarquesH., Pontone G., Raff G., Rubinshtein R., Shaw L.J., Stehli J., Villines T.C., Dunning A., Min J.K., Slomka P.J. Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease: a 5-year multicentre prospective registry analysis. Eur Heart J. 2017 Feb 14;38(7):500–507. https:// doi.org/10.1093/eurheartj/ehw188.Motwani M., Dey D., Berman D.S., Germano G., Achenbach S., Al-Mallah M.H., Andreini D., Budoff M.J., Cademartiri F., Callister T.Q., Chang H.J., Chinnaiyan K., Chow B.J., Cury R.C., Delago A., Gomez M., Gransar H., Hadamitzky M., Hausleiter J., Hindoyan N., Feuchtner G., Kaufmann P.A., Kim Y.J., Leipsic J., Lin F.Y., Maffei E., MarquesH., Pontone G., Raff G., Rubinshtein R., Shaw L.J., Stehli J., Villines T.C., Dunning A., Min J.K., Slomka P.J. Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease: a 5-year multicentre prospective registry analysis. Eur Heart J. 2017 Feb 14;38(7):500–507. https:// doi.org/10.1093/eurheartj/ehw188.Argyridou S., Zaccardi F., Davies M.J., Khunti K., Yates T. Walking pace improves all-cause and cardiovascular mortality risk prediction: A UK Biobank prognostic study. Eur J Prev Cardiol. 2020 Jul;27(10):1036–1044. https://doi.org/10.1177/2047487319887281.Argyridou S., Zaccardi F., Davies M.J., Khunti K., Yates T. Walking pace improves all-cause and cardiovascular mortality risk prediction: A UK Biobank prognostic study. Eur J Prev Cardiol. 2020 Jul;27(10):1036–1044. https://doi.org/10.1177/2047487319887281.Moll M., Qiao D., Regan E.A., Hunninghake G.M., Make B.J., Tal-Singer R., McGeachie M.J., Castaldi P.J., San Jose Estepar R, Washko GR, Wells JM, LaFon D, Strand M, Bowler R.P., Han M.K., Vestbo J., Celli B., Calverley P., Crapo J., Silverman E.K., Hobbs B.D., Cho M.H. Machine Learning and Prediction of All-Cause Mortality in COPD. Chest. 2020 Sep;158(3):952–964. https://doi.org/10.1016/j.chest.2021.03.045.Moll M., Qiao D., Regan E.A., Hunninghake G.M., Make B.J., Tal-Singer R., McGeachie M.J., Castaldi P.J., San Jose Estepar R, Washko GR, Wells JM, LaFon D, Strand M, Bowler R.P., Han M.K., Vestbo J., Celli B., Calverley P., Crapo J., Silverman E.K., Hobbs B.D., Cho M.H. Machine Learning and Prediction of All-Cause Mortality in COPD. Chest. 2020 Sep;158(3):952–964. https://doi.org/10.1016/j.chest.2021.03.045.Siga M.M., Ducher M., Florens N., Roth H., Mahloul N., Fouque D., Fauvel J.P. Prediction of all-cause mortality in haemodialysis patients using a Bayesian network. Nephrol Dial Transplant. 2020 Aug 1;35(8):1420–1425. https://doi.org/10.1093/ndt/gfz295.Siga M.M., Ducher M., Florens N., Roth H., Mahloul N., Fouque D., Fauvel J.P. Prediction of all-cause mortality in haemodialysis patients using a Bayesian network. Nephrol Dial Transplant. 2020 Aug 1;35(8):1420–1425. https://doi.org/10.1093/ndt/gfz295.Lee S., Zhou J., Leung K.S.K., Wu W.K.K., Wong W.T., Liu T., Wong I.C.K., Jeevaratnam K., Zhang Q., Tse G. Development of a predictive risk model for all-cause mortality in patients with diabetes in Hong Kong. BMJ Open Diabetes Res Care. 2021 Jun;9(1): e001950. https://doi.org/10.1136/bmjdrc 2020–001950.Lee S., Zhou J., Leung K.S.K., Wu W.K.K., Wong W.T., Liu T., Wong I.C.K., Jeevaratnam K., Zhang Q., Tse G. Development of a predictive risk model for all-cause mortality in patients with diabetes in Hong Kong. BMJ Open Diabetes Res Care. 2021 Jun;9(1): e001950. https://doi.org/10.1136/bmjdrc 2020–001950.Liu X., Jiang J., Wei L., Xing W., Shang H., Liu G., Liu F. Prediction of all-cause mortality in coronary artery disease patients with atrial fibrillation based on machine learning models. BMC Cardiovasc Disord. 2021 Oct 16;21(1):499. https://doi.org/10.1186/s12872-021-02314-w.Liu X., Jiang J., Wei L., Xing W., Shang H., Liu G., Liu F. Prediction of all-cause mortality in coronary artery disease patients with atrial fibrillation based on machine learning models. BMC Cardiovasc Disord. 2021 Oct 16;21(1):499. https://doi.org/10.1186/s12872-021-02314-w.lifelines: official site. – 2024. – URL: https: //lifelines. readthedocs.io/en/latest/fitters/regression/CoxPHFitter.html#lifelines.fitters.coxph_fitter.SemiParametricPHFitter. predict_survival_function (Date of address: 15.05.2024).lifelines: official site. – 2024. – URL: https: //lifelines. readthedocs.io/en/latest/fitters/regression/CoxPHFitter.html#lifelines.fitters.coxph_fitter.SemiParametricPHFitter. predict_survival_function (Date of address: 15.05.2024).Scikit-survival: official site. – 2024. – URL: https:// scikit-survival.readthedocs.io/en/stable/api/generated/sksurv.linear_model.CoxnetSurvivalAnalysis.html#sksurv.linear_model.CoxnetSurvivalAnalysis.predict_survival_function (Date of address: 15.05.2024).Scikit-survival: official site. – 2024. – URL: https:// scikit-survival.readthedocs.io/en/stable/api/generated/sksurv.linear_model.CoxnetSurvivalAnalysis.html#sksurv.linear_model.CoxnetSurvivalAnalysis.predict_survival_function (Date of address: 15.05.2024).Ping Wang, Yan Li and Chandan K. Reddy. 2019. Machine Learning for Survival Analysis: A Survey. ACM Comput. Surv. 51, 6, Article 110 (November 2019), 36 pages. https://doi.org/10.1145/3214306.Ping Wang, Yan Li and Chandan K. Reddy. 2019. Machine Learning for Survival Analysis: A Survey. ACM Comput. Surv. 51, 6, Article 110 (November 2019), 36 pages. https://doi.org/10.1145/3214306.Unnikrishnan P., Kumar D.K., Poosapadi Arjunan S., KumarH, Mitchell P., Kawasaki R. Development of Health Parameter Model for Risk Prediction of CVD Using SVM. Comput Math Methods Med. 2016 Aug 9. 2016;2016:3016245. https://doi.org/10.1155/2016/3016245.Unnikrishnan P., Kumar D.K., Poosapadi Arjunan S., KumarH, Mitchell P., Kawasaki R. Development of Health Parameter Model for Risk Prediction of CVD Using SVM. Comput Math Methods Med. 2016 Aug 9. 2016;2016:3016245. https://doi.org/10.1155/2016/3016245.

The authors declare that there are no conflicts of interest present.