НАУЧНО-ТЕХНИЧЕСКИИ ВЕСТНИК ИНФОРМАЦИОННЫХ ТЕХНОЛОГИИ, МЕХАНИКИ И ОПТИКИ сентябрь-октябрь 2022 Том 22 № 5 http://ntv.ifmo.ru/
I/ITMO SCIENTIFIC AND TECHNICAL JOURNAL OF INFORMATION TECHNOLOGIES, MECHANICS AND OPTICS ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ. МЕХАНИКИ И ОПТИКИ
September-October 2022 Vol. 22 No 5 http://ntv.ifmo.ru/en/
ISSN 2226-1494 (print) ISSN 2500-0373 (online)
doi: 10.17586/2226-1494-2022-22-5-970-981 УДК 004.89
Прогнозирование летального исхода у пациентов с установленным диагнозом COVID-19 Игорь Николаевич Корсаков1, Татьяна Леонидовна Каронова2®, Александра Олеговна Конради3, Аркадий Дмитриевич Рубин4, Дмитрий Ильич Курапеев5, Алёна Тимуровна Черникова6, Арина Алексеевна Михайлова7, Евгений Владимирович Шляхто8
i,2,3,4,5,6,7,8 Национальный медицинский исследовательский центр им. В.А. Алмазова, Санкт-Петербург, 197341, Российская Федерация
1 korsakov_in@almazovcentre.ru, https://orcid.org/0000-0003-2343-9641
2 karonova@mail.rus, https://orcid.org/0000-0002-1547-0123
3 Konradi_ao @almazovcenter.ru, https://orcid.org/0000-0001-8169-7812
4 rubin_ad@almazovcentre.ru, https://orcid.org/0000-0001-5469-5635
5 dkurapeev@gmail.com, https://orcid.org/0000-0002-2190-1495
6 arabicaa@gmail.com, https://orcid.org/0000-0002-4878-6909
7 armikhaylova@yandex.ru, https://orcid.org/0000-0001-6066-3525
8 e.shlyakhto@almazovcentre.ru, https://orcid.org/0000-0003-2929-0980
Аннотация
Предмет исследования. Появление нового коронавируса SARS-CoV-2 является основой развития пандемии COVID-19. Пандемия привела к резкому росту нагрузки на системы здравоохранения высокой летальности и существенным трудностям в организации медицинской помощи. Для прогнозирования течения заболевания и определения показания к более агрессивному лечению предложено множество различных клинических и биологических маркеров. Однако не всегда клинико-лабораторная оценка состояния точно предсказывает развитие тяжелого течения болезни. В этом случае технологии, основанные на искусственном интеллекте, могут существенно влиять на оценку прогнозирования. Выполнен системный анализ факторов, влияющих на течение инфекционного заболевания у пациентов с диагностированным COVID-19, госпитализированных в стационар. Метод. Предложенный подход основан на применении машинного обучения для прогнозирования летального исхода у пациентов с установленным диагнозом COVID-19. В основе подхода лежит анамнез пациента и клинические, лабораторные и инструментальные данные, полученные в первые 72 часа нахождения пациента в стационаре. Основные результаты. Алгоритм машинного обучения для прогнозирования летального исхода у пациентов с COVID-19 в течение 72 часов госпитализации продемонстрировал высокую чувствительность (0,816) и специфичность (0,865). Практическая значимость. Созданный алгоритм может помочь улучшить оказание медицинской помощи пациентам, снизить смертность и свести к минимуму нагрузку на врачей во время пандемии COVID-19. При ограничении ресурсов в период пандемии, включая аппараты искусственной вентиляции легких, точное прогнозирование состояния пациентов с тяжелым течением и возможным летальным исходом может дать важные рекомендации для разделения групп пациентов и рационального распределении лечебных ресурсов. Ключевые слова
машинное обучение, математическая модель, классификация, метрики модели, ROC-анализ, риск-фактор,
COVID-19
Благодарности
Исследование выполнено при финансовой поддержке Министерства науки и высшего образования Российской Федерации (Соглашение № 075-15-2022-301 от 20.04.2022).
Ссылка для цитирования: Корсаков И.Н., Каронова Т. Л., Конради А.О., Рубин А.Д., Курапеев Д.И., Черникова А.Т., Михайлова А.А., Шляхто Е.В. Прогнозирование летального исхода у пациентов с установленным диагнозом COVID-19 // Научно-технический вестник информационных технологий, механики и оптики. 2022. Т. 22, № 5. С.970-981. doi: 10.17586/2226-1494-2022-22-5-970-981
© Корсаков И.Н., Каронова Т.Л., Конради А.О., Рубин А.Д., Курапеев Д.И., Черникова А.Т., Михайлова А.А., Шляхто Е.В., 2022
Prediction of fatal outcome in patients with confirm COVID-19
Igor N. Korsakov1, Tatiana L. Karonova2H, Alexandra O. Konradi3, Arkadii D. Rubin4, Dmitry I. Kurapeev5, Alena T. Chernikova6, Arina A. Mikhaylova7, Evgeny V. Shlyakhto8
1,2,3,4,5,6,7,8 Almazov National Medical Research Centre, Saint Petersburg, 197341, Russian Federation
1 korsakov_in@almazovcentre.ru, https://orcid.org/0000-0003-2343-9641
2 karonova@mail.ruH, https://orcid.org/0000-0002-1547-0123
3 Konradi_ao @almazovcenter.ru, https://orcid.org/0000-0001-8169-7812
4 rubin_ad@almazovcentre.ru, https://orcid.org/0000-0001-5469-5635
5 dkurapeev@gmail.com, https://orcid.org/0000-0002-2190-1495
6 arabicaa@gmail.com, https://orcid.org/0000-0002-4878-6909
7 armikhaylova@yandex.ru, https://orcid.org/0000-0001-6066-3525
8 e.shlyakhto@almazovcentre.ru, https://orcid.org/0000-0003-2929-0980
Abstract
SARS-CoV-2, the new coronavirus underlying the development of the COVID-19 pandemic, has led to a sharp increase in the burden on healthcare systems, high mortality and significant difficulties in organizing medical care. The aim of the study was to conduct a systematic analysis of factors affecting the course of infectious disease in patients with diagnosed COVID-19 hospitalized. In order to predict the course of the disease and determine the indications for more aggressive treatment, many different clinical and biological markers have been proposed, however, clinical and laboratory assessment of the condition is not always simple and can clearly predict the development of a severe course. Technologies based on artificial intelligence (AI) have played a significant role in predicting the development of the disease. One of the main requirements during a pandemic is an accurate prediction of the required resources and likely outcomes. In the present study, a machine learning (ML) approach is proposed to predict the fatal outcome in patients with an established diagnosis of COVID-19 based on the patient's medical history and clinical, laboratory and instrumental data obtained in the first 72 hours of the patient's stay in the hospital. A machine learning algorithm for predicting the lethal outcome in patients with COVID-19 during 72 hours of hospitalization demonstrated high sensitivity (0.816) and specificity (0.865). Given the serious concerns about limited resources, including ventilators, during the COVID-19 pandemic, accurately predicting patients who are likely to require artificial ventilation can help provide important recommendations regarding patient triage and resource allocation among hospitalized patients. In addition, early detection of such persons may allow for routine ventilation procedures, reducing some of the known risks associated with emergency intubation. Thus, this algorithm can help improve patient care, reduce patient mortality and minimize the burden on doctors during the COVID-19 pandemic. Keywords
machine learning, mathematical model, classification, model metrics, ROC analysis, risk factor, COVID-19 Acknowledgements
This work was financially supported by the Ministry of Science and Higher Education of the Russian Federation (Agreement No. 075-15-2022-301).
For citation: Korsakov I.N., Karonova T.L., Konradi A.O., Rubin A.D., Kurapeev D.I., Chernikova A.T., Mikhaylova A.A., Shlyakhto E.V. Prediction of fatal outcome in patients with confirm COVID-19. Scientific and Technical Journal of Information Technologies, Mechanics and Optics, 2022, vol. 22, no. 5, pp. 970-981 (in Russian). doi: 10.17586/2226-1494-2022-22-5-970-981
Введение
Одно из основных требований во время пандемии — точное прогнозирование необходимых ресурсов и вероятных результатов лечения. Алгоритмы машинного обучения используются давно, в частности в работе [1] проведены исследования с целью применения моделей прогнозирования для уточнения потребности в медицинском кислороде. Разработана модель прогнозирования, которая определяет пациента с СОУГО-19, нуждающегося в кислороде. Авторы использовали информацию об уровне С-реактивного белка, наличии артериальной гипертензии, возрасте и параметрах клинического анализа крови в виде количества нейтрофилов и лимфоцитов у 221 пациента.
Для прогноза необходимости искусственной вентиляции легких в работе [2] использована группа из 1980 пациентов с СОУГО-19. Анализируемые параметры включали демографические данные, анамнез пациента, показатели жизнедеятельности в отделении
неотложной помощи и лабораторные параметры. Их результаты показали, что возраст и высокая температура тела были связаны с повышенным риском перевода больного на искусственную вентиляцию легких (ИВЛ). Так, подход машинного обучения был использован для прогнозирования ИВЛ у 197 пациентов с СОУГО-19, где входные данные включали 12 клинических характеристик, собранных в больницах США [3]. Их модель предсказала потребность в ИВЛ, применяя показатели и другие переменные, такие как артериальное давление и частота сердечных сокращений (ЧСС). В работе [4] произведен систематический обзор роли использования машинных методов во время пандемии.
В настоящей работе предложен подход машинного обучения для прогнозирования летального исхода у пациентов с установленным диагнозом СОУГО-19 на основе анамнеза пациента и клинических, лабораторных и инструментальных данных, полученных в первые 72 часа нахождения пациента в стационаре.
Одно из основных преимуществ полученных результатов работы по сравнению с ранее опубликованными — прогнозирование результата (летальный исход) в начальный момент поступления пациента в стационар путем оценки имеющихся симптомов и анамнеза пациента, не требуя длительного наблюдения за пациентом и дополнительной информации. Это может ускорить процесс планирования ресурсов, особенно во время пика заболевания, и избежать возникновения дефицита. Другое преимущество, имеющее важное значение с медицинской точки зрения — установление факторов риска, влияющих на смертность от COVID-19, используя данные, собранные в Национальном медицинском исследовательском центре (НМИЦ им. В.А. Алмазова) за период первых трех волн пандемии.
Полученные результаты могут помочь стационарам в прогнозировании потребности учреждения в необходимых лекарствах, оборудовании и эффективном управлении данными результатами.
Описание предложенного метода
Регистрация пациентов. В работе исследованы данные пациентов, госпитализированных в НМИЦ им. В.А. Алмазова в период с 13 мая 2020 года по конец августа 2021 года. Зарегистрированные пациенты включены в клиническое исследование при условии, что набор их жизненно важных показателей и лабораторных измерений выполнен в течение первых 72 часов после поступления в стационар, и, если подтвержден положительный результат на COVID-19, установленный с помощью полимеразной цепной реакции. В общей сложности проведен анализ данных 4071 пациента, госпитализированных в течение периода исследования (рис. 1), что соизмеримо с исследованиями в работе [5].
При поступлении пациента в отделение неотложной помощи или стационар автоматически начинается сбор данных о доступных жизненно важных показателях и лабораторных измерениях. Данные, полученные в первые 72 часа госпитализации, используются для создания алгоритма машинного обучения и расчета риска летального исхода. Все данные автоматически извлечены из электронной медицинской карты, не требуя вмешательства врача.
Отметим, что исследование представляет минимальный риск для людей, поскольку сбор данных был пассивным и не представлял угрозы для участвующих субъектов. Все данные о пациентах хранились в соответствии с Федеральным законом «О персональных данных».
Обработка данных. Рассмотрим подробнее типы данных пациентов при поступлении в стационар.
Первый тип данных: информация о состоянии и хронических заболеваниях пациента, которые внесены в электронную историю болезни (табл. 1).
Второй тип данных: жизненно важные показатели, такие как диастолическое артериальное давление (ДАД, мм рт. ст.), систолическое артериальное давление (САД, мм рт. ст.), ЧСС (1/мин), температура (°С), частота дыхания (ЧД, 1/мин), насыщение кислородом (SpO2, %), индекс массы тела (ИМТ, кг/м2), частота дыхательных движений (ЧДД, 1/мин), С-реактивный белок (СРБ, мг/л) (табл. 2).
Третий тип данных — данные лабораторных анализов. Некоторые анализы выполнялись только у части пациентов с хроническими заболеваниями и не вошли в конечную таблицу (табл. 2).
Проведенный корреляционный анализ выявил зависимости между признакми и их влияние на поставленный диагноз.
Практически не один из признаков не имеет явной зависимости с целевой функцией, что предполагает выполнение дальнейшего анализа переменных. С полной таблицей признаков можно ознакомиться по ссылке1. В табл. 3 приведены основные категорийные признаки исследуемых пациентов для создания алгоритма.
Диагностика сопутствующих заболеваний, имевшихся во время пребывания пациента в стационаре, включая хронические заболевания бронхолегочной системы, хронические заболевания эндокринной системы и онкологические заболевания, оценена по МКБ-10.
В качестве целевой переменной, которая использована при обучении модели, применено понятие «Исход заболевания».
Из всех имеющихся признаков для уменьшения ошибок при ручном вводе данных отобрано 11 наиболее значимых, которые вошли в разработанный алгоритм. В качестве методов отбора признаков использованы алгоритмы Boruta и Portable Instant Mining Platform (PIMP), финальные данные отображены в табл. 4. По данным: выписано — 2858 пациентов, из них летальный исход — 196. Из данных случайным образом отобрано 5 % пациентов — 153 (140 выписаны, 13 летальный исход), которые не были использованы ни в обучение, ни в тестировании модели.
1 Таблица корреляции признаков [Электронный ресурс]. Режим доступа: https://github.com/ikorsa/prediction_ lethal_COVID-19/blob/main/Correlation.png (дата обращения: 18.09.2022).
Общее число
пациентов за весь период 4071
Количество пациентов с демографическими данными 3258
Рис. 1. Блок-схема включения пациентов Fig. 1. Flowchart of patients in the study
Количество пациентов в финальном датасете 3054
V_У
Таблица 1. Пример данных пациента из истории болезни, которые были использованы при разработке алгоритма Table 1. An example of data from the patient's medical history used in the algorithm development
Поле Заполненность, %
Регистрационный номер (ГО пациента) 100
Возраст 100
Пол 100
Дата постановки диагноза 99,3
Дата госпитализации пациента 100
Время госпитализации пациента 99,9
Дата появления клинических симптомов 78,3
Диагноз основного заболевания по Международной классификации болезней (МКБ-10) при поступлении 99,3
Диагноз осложнения при поступлении 35,2
Подтвержден рентгенологически 100
Амбулаторное лечение 100
Вакцинация от гриппа 100
Вакцинация пневмококковой инфекции 100
Противовирусное лечение 100
Хронические заболевания бронхолегочной системы 82,4
Хронические заболевания сердечно-сосудистой системы 51,4
Хронические заболевания эндокринной системы 12,2
Онкологические заболевания 2,7
Болезнь, вызванная вирусом иммунодефицита человека 0,02
Туберкулез 0,07
Другие заболевания 22,7
Таблица 2. Значимые признаки, полученные в первые 72 часа госпитализации пациентов, для создания алгоритма машинного обучения
Table 2. Significant for the machine learning algorithm development features obtained in the first 72 hours of hospitalization
Признаки Количество измерений Среднее значение Отклонение Ошибка Доверительный интервал (95 %)
Возраст, лет 3114 62 14 0,26 61,5
ИМТ, кг/м2 3114 29,5 5,8 0,10 29,3
Ферритин, нг/л 3086 659 596 11 637,9
СРБ, мг/л 705 67,5 65,2 2,46 62,7
Протромбиновое время, с 2981 14 6,7 0,12 13,7
Гемоглобин, г/л 3113 133 18 0,32 133,1
Лейкоциты, 109 1/л 3113 7,8 8,9 0,16 7,5
Нейтрофилы, 109 1/л 2455 5,9 4,1 0,08 5,7
Лимфоциты, 109 1/л 3099 1,5 6,2 0,11 1,2
Соотношение нейтрофилы/лимфоциты 2455 6,4 7,7 0,16 6,1
Тромбоциты, 109 1/л 3113 221 99,9 1,79 217,6
Общий белок, г/л 1352 67,9 8,6 0,23 67,5
Креатинин, мкмоль/л 3110 89,1 52,6 0,94 87,3
Мочевина, ммоль/л 3078 6,4 4,2 0,08 6,3
ЧДД, 1/мин 3114 19 6 0,10 19,3
Пульсоксиметрия, % 3114 96 4 0,08 95,7
Процент поражения легочной ткани, % 3114 36 20 0,37 35,6
ЧСС, 1/мин 3114 78 15 0,27 77,2
САД, мм рт.ст. 3114 125 17 0,31 124,7
ДАД, мм рт.ст. 3114 76 11 0,20 75,9
Температура тела, °С 3114 37 0,7 0,01 36,9
Таблица 3. Значимые категорийные признаки, полученные в первые 72 часа госпитализации пациентов, для создания алгоритма машинного обучения Table 3. Significant for the machine learning algorithm development categorical features obtained in the first 72 hours
of hospitalization
Признаки Значение Описание Количество Доля, %
Пол 0 женский 1624 52,2
1 мужской 1490 47,9
Исход заболевания 0 выписан 2915 93,6
1 умер 199 6,4
Заболевания бронхолегочной системы 1 наличие 2591 83,2
0 отсутствует 523 16,8
Сердечно-сосудистые заболевания 0 отсутствует 1570 50,4
1 наличие 1544 49,6
Заболевания эндокринной системы 0 отсутствует 2736 87,9
1 наличие 378 12,1
Онкологические заболевания 0 отсутствует 3054 98,1
1 наличие 60 1,9
Сахарный диабет 0 отсутствует 2891 92,8
1 наличие 223 7,2
Остальные данные разделены на два класса в соотношении 70/30 %: данные для обучения (2031 пациентов, из них с летальным исходом — 126) и данные для тестирования (870 пациентов, из них с летальным исходом — 57), которые вместе составили набор для финального обучения (табл. 4).
Модель машинного обучения. Модель создана с использованием библиотеки PyCaret, которая позволила проверить несколько алгоритмов за одно обращение [6]. Результаты обучения представлены в табл. 5.
В табл. 6 и 7 приведены значения метрик RF и CatBoost (модели с лучшей чувствительностью (Recall)) при K-Fold валидации.
В приведенных сравнительных результатах (табл. 6) видно, что у исследуемых моделей наблюдается небольшой разброс значений метрик Точность и Чувствительность для значений K-Fold валидации.
Полученные результаты свидетельствует о том, что представленный датасет практически однороден и не имеет выбросов.
Для прогнозирования летального исхода одна из важных метрик — чувствительность метода, в связи с важностью не пропустить пациентов с большим риском летального исхода. Для каждого метода построены графики чувствительности (рис. 2).
Результаты
Известно, что идеальная модель обладает 100 % чувствительностью и специфичностью. Однако на практике добиться этого невозможно, более того, невозможно одновременно повысить и чувствительность, и специфичность модели. Компромисс можно найти с помощью порога отсечения, который нужен для при-
Таблица 4. Статистические данные Table 4. Statistical knowledge
Признак Количество Среднее Отклонение Ошибка Доверительный интервал (95 %)
Возраст, лет 3054 62 14 0,26 61,37
Процент поражения легочной ткани, % 3054 36 20 0,37 35,65
Тромбоциты, 109 1/л 3053 222 100 1,82 217,99
СРБ, мг/л 682 67,5 63 2,41 62,74
Пульсоксиметрия, % 3054 96 4 0,08 95,66
ЧДД, 1/мин 3054 19 6 0,10 19,28
ЧСС, 1/мин 3054 78 15 0,28 77,21
Креатинин, мкмоль/л 3050 89 52,7 0,95 87,11
Мочевина, ммоль/л 3018 6,4 4,2 0,08 6,25
Общий белок, г/л 1314 68 8,7 0,24 67,50
Таблица 5. Результаты обучения Table 5. Machine learning results
Модель Точность AUC Чувствительность Специфичность
Random Forest Classifier 0,862 0,908 0,816 0,865
SVM — Linear Kernel 0,691 0,000 0,761 0,688
K Neighbors Classifier 0,715 0,692 0,617 0,720
CatBoost Classifier 0,906 0,896 0,616 0,920
Extreme Gradient Boosting 0,927 0,904 0,504 0,948
Light Gradient Boosting Machine 0,929 0,905 0,449 0,953
Decision Tree Classifier 0,908 0,655 0,376 0,934
Примечание: AUC (Area Under Curve, ROC-площадь под кривой).
Таблица 6. Метрики моделей RF Table 6. Metrics of RF Models
Выборка Точность AUC Чувствительность Специфичность
0 0,850 0,905 0,889 0,848
1 0,891 0,926 0,778 0,897
2 0,824 0,893 0,667 0,832
3 0,850 0,887 0,778 0,853
4 0,871 0,949 1,000 0,864
5 0,865 0,906 0,778 0,870
6 0,881 0,927 0,778 0,886
7 0,860 0,962 1,000 0,853
8 0,855 0,783 0,600 0,869
9 0,875 0,944 0,889 0,874
Среднее 0,862 0,908 0,816 0,865
Стандартное отклонение 0,018 0,048 0,124 0,018
Таблица 7. Метрики моделей CatBoost Table 7. CatBoost Model Metrics
Выборка Точность AUC Чувствительность Специфичность
0 0,876 0,903 0,444 0,897
1 0,927 0,891 0,556 0,946
2 0,886 0,857 0,556 0,902
3 0,891 0,881 0,556 0,908
4 0,917 0,958 0,778 0,924
5 0,907 0,894 0,444 0,929
6 0,912 0,924 0,556 0,929
7 0,922 0,969 0,889 0,924
8 0,902 0,775 0,600 0,918
9 0,917 0,905 0,778 0,923
Среднее 0,906 0,896 0,616 0,920
Стандартное отклонение 0,016 0,051 0,142 0,014
Примечание: AUC (Area Under Curve, ROC-площадь под кривой).
Чувствительность
0,0
0,4
Точка отсечения
0,8
0,8
s &
и S о s S
g 0,4
я »
PO
0,0
V 1
Чув лвительЕ ость
Ш 1
1
0,0
0,4
Точка отсечения
0,8
Рис. 2. Метрики методов для разных «точек отсечения» (threshold): Catboost (а) и Random Forest (b) Classifiers Fig. 2. Catboost method metrics for different cut-off points (threshold) (a). Random Forest Classifier method metrics for different
cut-off points (threshold) (b)
менения модели на практике: относить новые примеры к одному из двух классов. С большими допущениями можно считать, что чем больше показатель AUC, тем лучшей прогностической силой обладает модель. Отметим, что показатель AUC предназначен для сравнительного анализа нескольких моделей и не содержит никакой информации о чувствительности и специфичности модели.
Согласно экспертной шкале для значений AUC, по которой можно судить о качестве модели, значения: 0,6-0,7 свидетельствуют о среднем качестве модели, 0,7-0,8 — хорошем качестве, 0,8-0,9 — очень хорошем качестве и 0,9-1,0 — отличном качестве. Значения ниже 0,6 принято принимать за неудовлетворительное качество.
Выполним оценку модели прогнозирования летального исхода на двух наборах данных: тестовых — 870 пациентов и 5 % набора — 153 пациента, который не использовался при обучении модели. Дополнительно применим внешние данные из другого медицинского учреждения. Всего для обучения модели использован 2901 пациент, у которых был подтвержден диагноз COVID-19.
При использовании алгоритма Catboost Classifier установлено, что он обладает хорошей дискретизацией на всех типах данных (чувствительность до 99,2 %), кроме внешних, что свидетельствует о преимуществах его использования только на той базе, на которой он составлялся и его низкой прогностической способностью на внешних базах (чувствительность 37,5 %). Вместе с этим алгоритм Random Forest Classifier характеризуется хорошим балансом и подлежит дальнейшему исследованию в качестве алгоритма для модели калькулятора (для AUC 0,90 чувствительность 0,816 и специфичность 0,865) (рис. 3).
На практике значения Точности и Полноты гораздо более удобней рассчитывать с использованием матрицы неточностей рис. 4, которая часто используется
для описания эффективности модели классификации на наборе тестовых данных с известными истинными значениями.
В итоге по проведенным тестам наиболее точным алгоритмом для задачи прогнозирования летального исхода при COVID-19 выбран Random Forest Classifier.
Интерпретация результатов. В настоящее время у медицинских работников сохраняется недоверие к использованию прогностических моделей в медицине. В первую очередь, это связано с тем, что не всегда понятно, почему модель предложила то или другое решение. В общем считается, что математические модели, используемые в медицине, являются «черным ящиком». Вторая проблема — интерпретация самого результата прогноза. В частности, прогнозные модели выдают вероятность наступления того или иного события. Врачам
х
а № Л Ч
¡0,4
о s
s g
и IS я
/
/
/
/ Уровень - ROC of class выписан, AUC = 0,90
/ / ROC of class летальный исход, AUC = 0,90 Случайный выбор
0,0 0,4 0,8
Частота ложноположительных результатов
Рис. 3. График ROC-кривой Fig. 3. ROC curve plot
Random Forest на тестовых данных
et
Истинно отрицательное Ложноположительное
695 118
79,89 % 13,56 %
600
500
1400 g
и S
9
300 К
Истинно положительное 50 5,75 %
100
выписан летальный исход
Прогноз
Рис. 4. Матрица неточностей Fig. 4. Confusion matrix
же более привычно получать результат в виде категорий рисков: низкий, средний или высокий. Распределение результатов плотности вероятности модели приведено на рис. 5. На графике видно, что при вероятности от 0,2 до 0,5 результаты могут быть как с летальным исходом, так и не с летальным исходом, в то время как при вероятности от 0 до 0,2 можно говорить о низком риске, а при вероятности с 0,5 до 1,0 — высоком риске.
В последнее время стали появляться алгоритмы, которые позволяют интерпретировать вклад в конечный результат каждого признака. Такие алгоритмы интерпретируют не само предсказание, а одну из следующих величин:
1) разницу между двумя предсказаниями;
2) разницу между текущим и усредненным предсказаниями.
Вероятность
Рис. 5. Распределение вероятности летального исхода (нормированное) Fig. 5. Probability distribution of lethal outcome (normalized)
Это означает, что алгоритм объясняет изменение в предсказании, вызванное изменением входных признаков (в первом случае) или появлением информации о входных признаках (во втором случае).
При этом возможно вычислить вклад каждого признака. Такой подход используется в методе SHAP (SHapley Additive explanation) [7] и [8].
Другой подход — LIME (Local Interpretable Model-Agnostic Explanations), суть которого в аппроксимации предсказания модели в окрестности тестового примера с более простой, легко интерпретируемой моделью, которая использует упрощенное представление. Например, если модель линейна, то каждому изменению сопоставляется некий вес. Если аппроксимация адекватна, то имеем наличие изменения, которое линейно влияет на предсказание модели. Отметим, что могут быть случаи, когда модель не сможет обучиться.
В данной работе для интерпретации результатов и оценки влияния признаков на результат модели использованы библиотеки SHAP и LIME.
Выбранный метод Random Forest Classifier показал следующий порядок значимости признаков: наиболее значимый — «Общий белок», наименее значимый — ЧСС (рис. 6).
График SHAP (рис. 6, b) позволяет оценить влияние признаков на прогноз модели, что является важной частью понимания врачом работы модели. Наиболее полно этот вопрос рассмотрен в работах [9, 10]. В первую очередь интерпретация модели помогает оценить ее качество. Если получить правила, которыми руководствуется модель при предсказании, то возможно оценить их правдоподобность.
Один из подходов для понимания работы модели — прогноз для конкретного пациента (рис. 7).
Как правило, при машинном обучении невозможно добиться полной интерпретируемости, но даже частичная интерпретация помогает оценить ее качество. Если мы выясним, как именно fx) преобразует входные признаки в выходной результат и какими правилами Efx)] руководствуется при прогнозировании, то сможем оценить правдоподобность этих правил.
На рис. 7, a показан «Waterfall plot», объясняющий прогнозирование летального исхода у пациента №15 из представленного датасета. SHAP VALUES получены с помощью метода Tree SHAP. Схема читается снизу вверх, а признаки упорядочены по возрастанию их SHAP-значения (values). Например, SHAP VALUES +0,64 для признака «Общий белок» (имеющего значение 40,9) говорит о том, что это значение у данного пациента увеличивает величину предсказания модели, по сравнению с отсутствием признака «Общий белок» при произвольном наличии других признаков. Красный цвет свидетельствует об увеличении риска летального исхода при конкретных значениях показателей.
На рис. 7, b приведены данные пациента №12, также демонстрирующие вклад клинических и лабораторных признаков в риск развития летального исхода. Как видно, значения большинства признаков ассоциированы со снижением риска (обозначены синим цветом).
Библиотека PyCaret также позволяет построить график зависимости вклада признака в конечный ре-
Важность 11 признаков при использовании алгоритма Random Forest
Общий белок ССЗ
чдд
Мочевина И Пульсоксиметрия Возраст Тромбоциты Процент поражения легочной ткани
Высокое
s £
Общий белок ССЗ
чдд
Мочевина Пульсоксиметрия Возраст Тромбоциты
Креатинин Процент поражения легочной ткани ЧСС
40 80
Относительная важность признака
Рис. 6. Важность признаков (a), библиотека SHAP: влияние признаков на результат модели (b) Fig. 6. Importance of features (a), SHAP Library: Influence of Features on Model Result (b)
Низкое
40,9 = Общий белок 22 = ЧДД 1=ССЗ 6,5 = Мочевина 119 = ЧСС 120 = Тромбоциты 95 — Пульсоксиметрия 55 - Возраст
45 = Процент поражения легочной ткани 44,44 = СРБ 47 = Креатинин
0,2
да)] = 0,18
0,6
т=1
05
ш -
1,0
69,23 = Общий белок 18=ЧДД 0 = ССЗ 3,6 = Мочевина 74 = Креатинин 88 = ЧСС 96 = Пульсоксиметрия 44,44 = СРБ
50 = Процент поражения легочной ткани 49 = Возраст 358 = Тромбоциты
0,0
0,1
m m
il M
k
Fi " i Ю
1 0
0,2
ЕЮ*)] = 0,18
Рис. 7. Графики «Waterfall plot» (SHAP) для пациентов №15 (a) и №12 (b). Размерности значений признаков представлены в табл. 2
Fig. 7. Waterfall plot (SHAP) charts for patients no.15 (a) and no.12 (b) The dimensions of the feature values are presented in Table 2
0,3
Возраст
Рис. 8. Вклад признака «Возраст» в конечную модель и плотность распределения признака Fig. 8. The contribution of the feature "Age" to the final model and the distribution density of the feature
зультат, на рис. 8 показана зависимость результата от признака «Возраст».
Обсуждение
Проведенное исследование построено на данных, полученных при работе инфекционного стационара НМИЦ им. В.А. Алмазова с пациентами с СОУГО-19, использованных для прогнозирования летального исхода. Разработанный алгоритм и калькулятор, построенный на его использовании, с высокой чувствительностью и специфичностью предсказывают вероятность летального исхода у пациентов с СОУГО-19, что отличает его от ранее предложенных алгоритмов, учитывающих ретроспективные данные [11,12].
Высокая чувствительность и специфичность, достигнутые алгоритмом, демонстрируют, что он способен точно различать пациентов с СОУГО-19 с высоким и низким рисками летального исхода уже в первые 72 часа госпитализации. Высокая чувствительность, в частности, предполагает, что алгоритм маловероятно даст ложноотрицательные данные, и что пациенты, нуждающиеся в повышенном внимании со стороны медперсонала, скорей всего не будут пропущены. Кроме того, повышение чувствительности алгоритма по сравнению с традиционной системой подсчета очков показало, что алгоритм способен обнаружить больше пациентов, которым требуется повышенное внимание; что должно способствовать улучшению маршрутизации пациентов и распределению ресурсов.
Отметим, что алгоритм также имеет большую чувствительность при более высокой специфичности по сравнению с NEWS2 [13]. Для базовой модели («NEWS2 + возраст») дискриминация была умеренной при внутренней валидации (АиС = 0,764; 95 % доверительный интервал: 0,737, 0,794).
Точное и раннее прогнозирование риска ухудшения состояния пациента может улучшить процедуры сорти-
ровки и маршрутизации пациентов и распределение ресурсов.
Заметим, что предложенная модель предсказала вероятность летального исхода, используя только доступные лабораторные исследования и данные жизненно важных признаков. Демографические данные для расчета риска не требовались, что отличает ее от уже имеющихся [14, 15]. Модель способна генерировать прогноз в отсутствие определенных входных данных. В реальной клинической практике не всегда всем больным требуется проведение полного спектра обследования, что при построении моделей нередко может влиять на результат. Пропущенные в базе данных значения не вносили существенного вклада и не искажали результаты при расчете риска. Таким образом, разработанная модель может быть использована для оценки прогноза даже в отсутствие некоторых признаков.
Отметим следующие выявленные ограничения представленной модели. Несмотря на то, что в выборку было включено достаточно большое количество пациентов, и использовалась внешняя валидация на больных из других медицинских центров, конечная общая выборка представлена 3054 больными, где летальный исход был представлен в 6,42 % случаев. Все это диктует необходимость проведения дальнейшей апробации разработанного калькулятора на внешних данных с включением показателей тяжелых больных. Также необходимо отметить, что на основании полученных результатов нельзя сделать выводы о производительности алгоритма в новых условиях при изменении штамма вируса и различий в течение заболевания. Дополнительно, в связи с принятым ограничением пациентов с подтвержденным диагнозом СОУГО-19, невозможно сделать вывод о производительности алгоритма для прогнозирования летального исхода в проспективных условиях у пациентов, не страдающих СОУГО-19, и у пациентов с подозрением на СОУГО-19, не подтвержденный в последствии.
Заключение
Алгоритм машинного обучения для прогнозирования летального исхода у пациентов с СОУГО-19 в течение 72 часов госпитализации продемонстрировал высокую чувствительность (0,816) и специфичность (0,865), и превзошел обычно используемую систему оценки раннего предупреждения заболевания. Алгоритм способен обнаруживать на 11 % больше пациентов, чем модифицированный показатель раннего предупреждения при одновременном снижении ложноположительных результатов. Учитывая серьезные опасения по поводу ограниченных ресурсов, включая аппараты искусствен-
ной вентиляции легких, во время пандемии СОУГО-19, точное прогнозирование пациентов, которым, вероятно, потребуется искусственная вентиляция легких, может помочь дать важные рекомендации в отношении сортировки пациентов и распределения ресурсов среди госпитализированных больных. Кроме того, раннее выявление таких лиц позволит проводить плановые процедуры вентиляции легких, снижая известные риски, связанные с экстренной интубацией. В результате реализация представленного алгоритма сможет помочь улучшить оказание медицинской помощи пациентами, снизить смертность больных и свести к минимуму нагрузку на врачей во время пандемии СОУГО-19.
Литература
1. Lee E.E., Hwang W., Song K.H., Jung J., Kang C.K., Kim J.H., Oh H.S., Kang Y.M., Lee E.B., Chin B.S., Song W., Kim N.J., Park J.K. Predication of oxygen requirement in COVID-19 patients using dynamic change of inflammatory markers: CRP, hypertension, age, neutrophil and lymphocyte (CHANeL) // Scientific Reports. 2021. V. 11. N 1. P. 13026. https://doi.org/10.1038/s41598-021-92418-2
2. Yu L., Halalau A., Dalal B., Abbas A.E., Ivascu F., Amin M., Nair G.B. Machine learning methods to predict mechanical ventilation and mortality in patients with COVID-19 // PLoS ONE. 2021. V. 16. N 4. P. e0249285. https://doi.org/10.1371/journal.pone.0249285
3. Burdick H., Lam C., Mataraso S., Siefkas A., Braden G., Dellinger R.P., McCoy A., Vincent J.L., Green-Saxena A., Barnes G., Hoffman J., Calvert J., Pellegrini E., Das R. Prediction of respiratory decompensation in Covid-19 patients using machine learning: The READY trial // Computers in Biology and Medicine. 2020. V. 124. P. 103949. https://doi.org/10.1016/j.compbiomed.2020.103949
4. Syeda H.B., Syed M., Sexton K.W., Syed S., Begum S., Syed F., Prior F., Yu F. Role of machine learning techniques to tackle the COVID-19 crisis: systematic review // JMIR Medical Informatics.
2021. V. 9. N 1. P. e23811. https://doi.org/10.2196/23811
5. Jehi L., Ji X., Milinovich A., Erzurum S., Merlino A., Gordon S., Young J.B., Kattan M.W. Development and validation of a model for individualized prediction of hospitalization risk in 4,536 patients with COVID-19 // PloS ONE. 2020. V. 15. N 8. P. e0237419. https://doi. org/10.1371/journal.pone.0237419
6. Moez Ali. PyCaret: An open source, low-code machine learning library in Python // PyCaret version 2.1. 2020 [Электронный ресурс]. URL: https://www.pycaret.org (дата обращения: 21.07.2022).
7. Lundberg S.M., Erion G., Chen H., DeGrave A., Prutkin J.M., Nair B., Katz R., Himmelfarb J., Bansal N., Lee S.-I. From local explanations to global understanding with explainable AI for trees // Nature Machine Intelligence. 2020. V. 2. N 1. P. 56-67. https://doi. org/10.1038/s42256-019-0138-9
8. Chen H., Lundberg S.M., Lee S.I. Explaining models by propagating shapley values of local components // Studies in Computational Intelligence. 2021. V. 914. P. 261-270. https://doi.org/10.1007/978-3-030-53352-6_24
9. Linardatos P., Papastefanopoulos V., Kotsiantis S. Explainable ai: A review of machine learning interpretability methods // Entropy. 2021. V. 23. N 1. P. 18. https://doi.org/10.3390/e23010018
10. Li X., Xiong H., Li X., Wu X., Zhang X., Liu J., Bian J., Dou D. Interpretable deep learning: interpretation, interpretability, trustworthiness, and beyond // Knowledge and Information Systems.
2022. in press. https://doi.org/10.1007/s10115-022-01756-8
11. Yang Y., Zhu X.F., Huang J., Chen C., Zheng Y., He W., Zhao L.H., Gao Q., Huang X.X., Fu L.J., Zhang Y., Chang Y.Q., Zhang H.J., Lu Z.J. Nomogram for prediction of fatal outcome in patients with severe COVID-19: a multicenter study // Military Medical Research. 2021. V. 8. N 1. P. 21. https://doi.org/10.1186/s40779-021-00315-6
12. Zarei J., Jamshidnezhad A., Haddadzadeh Shoushtari M., Mohammad Hadianfard A., Cheraghi M., Sheikhtaheri A. Machine learning models to predict in-hospital mortality among inpatients with COVID-19: Underestimation and overestimation bias analysis in
References
1. Lee E.E., Hwang W., Song K.H., Jung J., Kang C.K., Kim J.H., Oh H.S., Kang Y.M., Lee E.B., Chin B.S., Song W., Kim N.J., Park J.K. Predication of oxygen requirement in COVID-19 patients using dynamic change of inflammatory markers: CRP, hypertension, age, neutrophil and lymphocyte (CHANeL). Scientific Reports, 2021, vol. 11, no. 1, pp. 13026. https://doi.org/10.1038/s41598-021-92418-2
2. Yu L., Halalau A., Dalal B., Abbas A.E., Ivascu F., Amin M., Nair G.B. Machine learning methods to predict mechanical ventilation and mortality in patients with COVID-19. PLoS One, 2021, vol. 16, no. 4, pp. e0249285. https://doi.org/10.1371/journal.pone.0249285
3. Burdick H., Lam C., Mataraso S., Siefkas A., Braden G., Dellinger R.P., McCoy A., Vincent J.L., Green-Saxena A., Barnes G., Hoffman J., Calvert J., Pellegrini E., Das R. Prediction of respiratory decompensation in Covid-19 patients using machine learning: The READY trial. Computers in Biology and Medicine, 2020, vol. 124, pp. 103949. https://doi.org/10.1016/j.compbiomed.2020.103949
4. Syeda H.B., Syed M., Sexton K.W., Syed S., Begum S., Syed F., Prior F., Yu F. Role of machine learning techniques to tackle the COVID-19 crisis: systematic review. JMIR Medical Informatics,
2021, vol. 9, no. 1, pp. e23811. https://doi.org/10.2196/23811
5. Jehi L., Ji X., Milinovich A., Erzurum S., Merlino A., Gordon S., Young J.B., Kattan M.W. Development and validation of a model for individualized prediction of hospitalization risk in 4,536 patients with COVID-19. PloS ONE, 2020, vol. 15, no. 8, pp. e0237419. https:// doi.org/10.1371/journal.pone.0237419
6. Moez Ali. PyCaret: An open source, low-code machine learning library in Python. PyCaret version 2.1. 2020. Available at: https:// www.pycaret.org (accessed: 21.07.2022).
7. Lundberg S.M., Erion G., Chen H., DeGrave A., Prutkin J.M., Nair B., Katz R., Himmelfarb J., Bansal N., Lee S.-I. From local explanations to global understanding with explainable AI for trees. Nature Machine Intelligence, 2020, vol. 2, no. 1, pp. 56-67. https:// doi.org/10.1038/s42256-019-0138-9
8. Chen H., Lundberg S.M., Lee S.I. Explaining models by propagating shapley values of local components. Studies in Computational Intelligence, 2021, vol. 914, pp. 261-270. https://doi.org/10.1007/978-3-030-53352-6_24
9. Linardatos P., Papastefanopoulos V., Kotsiantis S. Explainable ai: A review of machine learning interpretability methods. Entropy, 2021, vol. 23, no. 1, pp. 18. https://doi.org/10.3390/e23010018
10. Li X., Xiong H., Li X., Wu X., Zhang X., Liu J., Bian J., Dou D. Interpretable deep learning: interpretation, interpretability, trustworthiness, and beyond. Knowledge and Information Systems,
2022, in press. https://doi.org/10.1007/s10115-022-01756-8
11. Yang Y., Zhu X.F., Huang J., Chen C., Zheng Y., He W., Zhao L.H., Gao Q., Huang X.X., Fu L.J., Zhang Y., Chang Y.Q., Zhang H.J., Lu Z.J. Nomogram for prediction of fatal outcome in patients with severe COVID-19: a multicenter study. Military Medical Research, 2021, vol. 8, no. 1, pp. 21. https://doi.org/10.1186/s40779-021-00315-6
12. Zarei J., Jamshidnezhad A., Haddadzadeh Shoushtari M., Mohammad Hadianfard A., Cheraghi M., Sheikhtaheri A. Machine learning models to predict in-hospital mortality among inpatients with COVID-19: Underestimation and overestimation bias analysis in subgroup populations. Journal of Healthcare Engineering, 2022, pp. 1644910. https://doi.org/10.1155/2022/1644910
subgroup populations // Journal of Healthcare Engineering. 2022. P. 1644910. https://doi.org/10.1155/2022/1644910
13. Baker K.F., Hanrath A.T., van der Loeff I.S., Kay L.J., Back J., Duncan C.J. National early warning score 2 (NEWS2) to identify inpatient COVID-19 deterioration: a retrospective analysis // Clinical Medicine, Journal of the Royal College of Physicians of London. 2021. V. 21. N 2. P. 84-89. https://doi.org/10.7861/clinmed.2020-0688
14. Kondapalli A.R., Koganti H., Challagundla S.K., Guntaka C., Biswas S. Machine learning predictions of COVID-19 second wave end-times in Indian states // Indian Journal of Physics. 2022. V. 96. N 8. P. 2547-2555. https://doi.org/10.1007/s12648-021-02195-x
15. Mahdavi M., Choubdar H., Zabeh E., Rieder M., Safavi-Naeini S., Jobbagy Z., Ghorbani A., Abedini A., Kiani A., Khanlarzadeh V., Lashgari R., Kamrani E. A machine learning based exploration of COVID-19 mortality risk // Plos ONE. 2021. V. 16. N 7. P. e0252384. https://doi.org/10.1371/journal.pone.0252384
Авторы
Корсаков Игорь Николаевич — кандидат физико-математических наук, специалист по информационному обеспечению, Национальный медицинский исследовательский центр им. В.А. Алмазова, Санкт-Петербург, 197341, Российская Федерация, ^ 57189603967, https:// orcid.org/0000-0003-2343-9641, korsakov_in@almazovcentre.ru Каронова Татьяна Леонидовна — доктор медицинских наук, доцент, главный научный сотрудник, заведующий научно-исследовательской лабораторией, профессор кафедры, Национальный медицинский исследовательский центр им. В.А. Алмазова, Санкт-Петербург, 197341, Российская Федерация, ВЗ 55812730000, https://orcid.org/0000-
0002-1547-0123, karonova@mail.ru
Конради Александра Олеговна — доктор медицинских наук, академик РАН, заместитель генерального директора по научной работе, Национальный медицинский исследовательский центр им. В.А. Алмазова, Санкт-Петербург, 197341, Российская Федерация, ВЗ 7004144504, https://orcid.org/0000-0001-8169-7812, Konradi_ao@ almazovcenter.ru
Рубин Аркадий Дмитриевич — доктор медицинских наук, доцент, директор Лечебно-реабилитационного комплекса, Национальный медицинский исследовательский центр им. В.А. Алмазова, Санкт-Петербург, 197341, Российская Федерация, https://orcid.org/0000-0001-5469-5635, rubin_ad@almazovcentre.ru
Курапеев Дмитрий Ильич — кандидат медицинских наук, заместитель генерального директора по информационным технологиям, Национальный медицинский исследовательский центр им. В.А. Алмазова, Санкт-Петербург, 197341, Российская Федерация, ВЗ 57225231263, https://orcid.org/0000-0002-2190-1495, dkurapeev@ gmail.com
Черникова Алёна Тимуровна — младший научный сотрудник, Национальный медицинский исследовательский центр им. В.А. Алмазова, Санкт-Петербург, 197341, Российская Федерация, https:// orcid.org/0000-0002-4878-6909, arabicaa@gmail.com Михайлова Арина Алексеевна — ординатор кафедры, Национальный медицинский исследовательский центр им. В.А. Алмазова, Санкт-Петербург, 197341, Российская Федерация, https:// orcid.org/0000-0001-6066-3525, armikhaylova@yandex.ru Шляхто Евгений Владимирович — доктор медицинских наук, академик РАН, генеральный директор, Национальный медицинский исследовательский центр им. В.А. Алмазова, Санкт-Петербург, 197341, Российская Федерация, ВЗ 16317213100, https://orcid.org/0000-
0003-2929-0980, e.shlyakhto@almazovcentre.ru
Статья поступила в редакцию 18.07.2022 Одобрена после рецензирования 07.09.2022 Принята к печати 30.09.2022
13. Baker K.F., Hanrath A.T., van der Loeff I.S., Kay L.J., Back J., Duncan C.J. National early warning score 2 (NEWS2) to identify inpatient COVID-19 deterioration: a retrospective analysis. Clinical Medicine, Journal of the Royal College of Physicians of London, 2021, vol. 21, no. 2, pp. 84-89. https://doi.org/10.7861/ clinmed.2020-0688
14. Kondapalli A.R., Koganti H., Challagundla S.K., Guntaka C., Biswas S. Machine learning predictions of COVID-19 second wave end-times in Indian states. Indian Journal of Physics, 2022, vol. 96, no. 8, pp. 2547-2555. https://doi.org/10.1007/s12648-021-02195-x
15. Mahdavi M., Choubdar H., Zabeh E., Rieder M., Safavi-Naeini S., Jobbagy Z., Ghorbani A., Abedini A., Kiani A., Khanlarzadeh V., Lashgari R., Kamrani E. A machine learning based exploration of COVID-19 mortality risk. Plos ONE. 2021, vol. 16, no. 7, pp. e0252384. https://doi.org/10.1371/journal.pone.0252384
Authors
Igor N. Korsakov — PhD (Physics & Mathematics), IT Specialist, Almazov National Medical Research Centre, Saint Petersburg, 197341, Russian Federation, gg 57189603967, https://orcid.org/0000-0003-2343-9641, korsakov_in@almazovcentre.ru
Tatiana L. Karonova — D. Sc. (Medicine), Associate Professor, Chief Researcher, Head of Laboratory, Chair Professor, Almazov National Medical Research Centre, Saint Petersburg, 197341, Russian Federation, gg 55812730000, https://orcid.org/0000-0002-1547-0123, karonova@ mail.ru
Alexandra O. Konradi — D. Sc. (Medicine), Academician of the RAS, Deputy Director General for Research, Almazov National Medical Research Centre, Saint Petersburg, 197341, Russian Federation, gg 7004144504, https://orcid.org/0000-0001-8169-7812, Konradi_ao@ almazovcenter.ru
Arkadii D. Rubin — D. Sc. (Medicine), Associate Professor, Medical Director of the Treatment and Rehabilitation Facility, Almazov National Medical Research Centre, Saint Petersburg, 197341, Russian Federation, https://orcid.org/0000-0001-5469-5635, rubin_ad@almazovcentre.ru
Dmitry I. Kurapeev — PhD (Medicine), Deputy CEO for Information Technology, Almazov National Medical Research Centre, Saint Petersburg, 197341, Russian Federation, gg 57225231263, https://orcid. org/0000-0002-2190-1495, dkurapeev@gmail.com
Alena T. Chernikova — Junior Researcher, Almazov National Medical Research Centre, Saint Petersburg, 197341, Russian Federation, https:// orcid.org/0000-0002-4878-6909, arabicaa@gmail.com
Arina A. Mikhaylova — Department Resident, Almazov National Medical Research Centre, Saint Petersburg, 197341, Russian Federation, https://orcid.org/0000-0001-6066-3525, armikhaylova@yandex.ru
Evgeny V. Shlyakhto — D. Sc. (Medicine), Academician of the RAS, Director General, Almazov National Medical Research Centre, Saint Petersburg, 197341, Russian Federation, gg 16317213100, https://orcid. org/0000-0003-2929-0980, e.shlyakhto@almazovcentre.ru
Received 18.07.2022
Approved after reviewing 07.09.2022
Accepted 30.09.2022
Работа доступна по лицензии Creative Commons «Attribution-NonCommercial»