Модель для прогнозирования смерти у взрослых пациентов в течение 10 лет

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. 

1. Qiu 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-x

2. 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.

3. 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.

4. 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.

5. Федеральная служба государственной статистики: официальный сайт. – Москва, 2024. – URL: https://rosstat.gov.ru/folder/12781 (Дата обращения: 06.05.2024).

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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).

13. 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).

14. 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.

15. 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.