Predicting the duration of inpatient treatment for COVID-19 patients

Цветков В. В.; Токин И. И.; Лиознов Д. А.; Венев Е. В.; Куликов А. Н.

Статья

Прогнозирование длительности стационарного лечения пациентов с COVID-19

Цветков В. В.,

Токин И. И.,

Лиознов Д. А.,

Венев Е. В.,

Куликов А. Н.,

2020

https://doi.org/10.21518/2079-701X-2020-17-82-90

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.

Цитирование

Список литературы

1. Авдеев С.Н., Адамян Л.В., Алексеева Е.И., Багненко С.Ф., Баранов А.А., Баранова Н.Н. и др. Профилактика, диагностика и лечение новой коронавирусной инфекции (COVID-19). Временные методические рекомендации. Версия 8 (03.09.2020). М.: Министерство здравоохранения Российской Федерации; 2020. 218 с. Режим доступа: http://mzdnr.ru/en/system/files/2_5370990447713847164.pdf.

2. Wu Z., McGoogan J.M. Characteristics of and important lessons from the coronavirus disease 2019 (COVID-19) outbreak in China: summary of a report of 72 314 cases from the Chinese Center for Disease Control and Prevention. JAMA. 2020;323(13):1239–1242. doi: 10.1001/jama.2020.2648.

3. Guan W.J., Ni Z.Y., Hu Y., Liang W.H., Ou C.Q., He J.X. et al. Clinical characteristics of coronavirus disease 2019 in China. N Engl J Med. 2020;382(18):1708–1720. doi: 10.1056/NEJMoa2002032.

4. Li L.Q., Huang T., Wang Y.Q., Wang Z.P., Liang Y., Huang T.B. et al. COVID-19 patients’ clinical characteristics, discharge rate, and fatality rate of metaanalysis. J Med Virol. 2020;92(6):577–583. doi: 10.1002/jmv.25757.

5. Huang C., Wang Y., Li X., Ren L., Zhao J., Hu Y. et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. Lancet. 2020;395(10223):497–506. doi: 10.1016/S0140-6736(20)30183-5.

6. Pan L., Mu M., Yang P., Sun Y., Wang R., Yan J. et al. Clinical characteristics of COVID-19 patients with digestive symptoms in Hubei, China: a descriptive, cross-sectional, multicenter study. Am J Gastroenterol. 2020;115(5):766–773. doi: 10.14309/ajg.0000000000000620.

7. Del Rio C., Malani P.N. 2019 novel coronavirus – important information for clinicians. JAMA. 2020;323(11):1039–1040. doi: 10.1001/jama.2020.1490.

8. Tenforde M.W., Kim S.S., Lindsell C.J., Billig Rose E., Shapiro N.I., Files D.C. et al. Symptom duration and risk factors for delayed return to usual health among outpatients with COVID-19 in a multistate health care systems network – United States. MMWR Morb Mortal Wkly Rep. 2020;69(30):993–998. doi: 10.15585/mmwr.mm6930e1.

9. Liang X., Shi L., Wang Y., Xiao W., Duan G., Yang H. et al. The association of hypertension with the severity and mortality of COVID-19 patients: Evidence based on adjusted effect estimates. J Infect. 2020;81(3):e44–e47. doi: 10.1016/j.jinf.2020.06.060.

10. Ou M., Zhu J., Ji P., Li H., Zhong Z., Li B. et al. Risk factors of severe cases with COVID-19: a meta-analysis. Epidemiol Infect. 2020;148:e175. Available at: https://pubmed.ncbi.nlm.nih.gov/32782035/.

11. Rastad H., Ejtahed H.S., Mahdavi-Ghorabi A., Arzaghi M., Safari A., Shahrestanaki E. et al. Factors associated with the poor outcomes in diabetic patients with COVID-19. J Diabetes Metab Disord. 2020;1–10. doi: 10.1007/s40200-020-00646-6.

12. Hussain A., Mahawar K., Xia Z., Yang W., Shamsi E.H. Obesity and mortality of COVID-19. Meta-analysis. Obes Res Clin Pract. 2020;14(4):295–300. doi: 10.1016/j.orcp.2020.07.002.

13. CDC COVID-19 Response Team. Severe Outcomes Among Patients with Coronavirus Disease 2019 (COVID-19) – United States, February 12-March 16, 2020. MMWR Morb Mortal Wkly Rep. 2020;69(12):343–346. doi: 10.15585/mmwr.mm6912e2.

14. Zheng Z., Peng F., Xu B., Zhao J., Liu H., Peng J. et al. Risk factors of critical & mortal COVID-19 cases: A systematic literature review and meta-analysis. J Infect. 2020;81(2):e16–e25. doi: 10.1016/j.jinf.2020.04.021.

15. Pan F., Yang L., Li Y., Liang B., Li L., Ye T. et al. Factors associated with death outcome in patients with severe coronavirus disease-19 (COVID-19): a casecontrol study. Int J Med Sci. 2020;17(9):1281–1292. doi: 10.7150/ijms.46614.

16. Wang B., Li R., Lu Z., Huang Y. Does comorbidity increase the risk of patients with COVID-19: evidence from meta-analysis. Aging (Albany NY). 2020;12(7):6049–6057. doi: 10.18632/aging.103000.

17. Wu C., Chen X., Cai Y., Zhou X., Xu S., Huang H. et al. Risk factors associated with acute respiratory distress syndrome and death in patients with coronavirus disease 2019 pneumonia in Wuhan, China. JAMA Intern Med. 2020;180(7):934–943. doi: 10.1001/jamainternmed.2020.0994.

18. Wang D., Hu B., Hu C., Zhu F., Liu X., Zhang J. et al. Clinical characteristics of 138 hospitalized patients with 2019 novel coronavirus–infected pneumonia in Wuhan, China. JAMA. 2020;323(11):1061–1069. doi: 10.1001/jama.2020.1585.

19. Assaf D., Gutman Y., Neuman Y., Segal G., Amit S., Gefen-Halevi S. et al. Utilization of machine learning models to accurately predict the risk for critical COVID-19. Intern Emerg Med. 2020;15(8):1435–1443. doi: 10.1007/s11739-020-02475-0.

20. Jiang X., Coffee M., Bari A., Wang J., Jiang X., Huang J. et al. Towards an artificial intelligence framework for data-driven prediction of coronavirus clinical severity. CMC: Computers, Materials & Continua. 2020;63(1):537–551. doi: 10.32604/cmc.2020.010691.

21. Menni C., Valdes A.M., Freidin M.B., Sudre C.H., Nguyen L.H., Drew D.A. et al. Realtime tracking of self-reported symptoms to predict potential COVID-19. Nat Med. 2020;26(7):1037–1040. doi: 10.1038/s41591-020-0916-2.

22. Brinati D., Campagner A., Ferrari D., Locatelli M., Banfi G., Cabitza F. Detection of COVID-19 Infection from Routine Blood Exams with Machine Learning: a Feasibility Study. J Med Syst. 2020;44(8):135. doi: 10.1007/s10916-020-01597-4.

23. Gao Y., Li T., Han M., Li X., Wu D., Xu Y. et al. Diagnostic utility of clinical laboratory data determinations for patients with the severe COVID-19. J Med Virol. 2020;92(7):791–796. doi: 10.1002/jmv.25770.

24. Razavian N., Major V.J., Sudarshan M., Burk-Rafel J., Stella P., Randhawa H. et al. A validated, real time prediction model for favorable outcomes in hospitalized COVID-19 patients. NPJ Digit Med. 2020;3:130. doi: 10.1038/s41746-020-00343-x.

25. Burdick H., Lam C., Mataraso S., Siefkas A., Braden G., Dellinger R.P. et al. Prediction of respiratory decompensation in Covid-19 patients using machine learning: The READY trial. Comput Biol Med. 2020;124:103949. doi: 10.1016/j.compbiomed.2020.103949.

26. Hu H., Yao N., and Qiu Y. Comparing Rapid Scoring Systems in Mortality Prediction of Critically Ill Patients With Novel Coronavirus Disease. Acad Emerg Med. 2020;27(6):461–468. doi: 10.1111/acem.13992.

27. Al-Najjar H., Al-Rousan N. A classifier prediction model to predict the status of Coronavirus CoVID-19 patients in South Korea. Eur Rev Med Pharmacol Sci. 2020;24(6):3400–3403. doi: 10.26355/eurrev_202003_20709.

28. Das A.K., Mishra S., Saraswathy Gopalan S. Predicting CoVID-19 community mortality risk using ma chine learning and development of an online prognostic tool. Peer J. 2020;8:e10083. doi: 10.7717/peerj.10083.

29. Yan L., Zhang H.T., Goncalves J., Xiao Y., Wang M., Guo Y. et al. An interpretable mortality prediction model for COVID-19 patients. Nat Mach Intell. 2020;2:283–288. doi: 10.1038/s42256-020-0180-7.

30. Wynants L., Van Calster B., Bonten M.M., Collins G.S., Debray T.P., De Vos M. et al. Prediction mod els for diagnosis and prognosis of covid-19 infection: systematic review and critical appraisal. BMJ. 2020;369:m1328. doi: 10.1136/bmj.m1328.

Источник

Версии

1. Version of Record от 2020-11-20

Метаданные

Об авторах

Цветков В. В.
Научно-исследовательский институт гриппа им. А.А. Смородинцева
Токин И. И.
Научно-исследовательский институт гриппа им. А.А. Смородинцева; Северо-Западный государственный медицинский университет им. И.И. Мечникова
Лиознов Д. А.
Научно-исследовательский институт гриппа им. А.А. Смородинцева; Первый Санкт-Петербургский государственный медицинский университет им. академика И.П. Павлова
Венев Е. В.
Научно-исследовательский институт гриппа им. А.А. Смородинцева; Клиническая инфекционная больница им. С.П. Боткина
Куликов А. Н.
Первый Санкт-Петербургский государственный медицинский университет им. академика И.П. Павлова

Предметная рубрика

COVID-19

Название журнала

Meditsinskiy sovet = Medical Council

Страницы

82-90

Тип документа

journal article

Тип лицензии Creative Commons

CC BY

Правовой статус документа

Свободная лицензия

Источник

elpub

Поиск по репозиторию

Статья

Прогнозирование длительности стационарного лечения пациентов с COVID-19

Похожие публикации

Источник

Версии

Метаданные