CC BY
0
ОРИГИНАЛЬНАЯ СТАТЬЯ
ОС1: 10.21045/1811-0185-2023-11-43-49 УДК: 616.988-036.3:616-06
ПРОГНОЗИРОВАНИЕ РИСКА НЕБЛАГОПРИЯТНОГО ИСХОДА ПРИ COVID-^Э С ПОМОЩЬЮ МЕТОДА ДЕРЕВЬЕВ КЛАССИФИКАЦИИ С УЧЕТОМ ВОЗРАСТА И КОЛИЧЕСТВА КОМОРБИДНОЙ ПАТОЛОГИИ ПО ДАННЫМ ИНФЕКЦИОННОГО ГОСПИТАЛЯ
Е.С. Калашников1, М.А. Шаповалова2, Е.А. Полунина3 н
ФГБОУ ВО Астраханский ГМУ Минздрава России, г. Астрахань, Россия.
1 https://orcid.org/0000-0002-8699-9905;
2 https://orcid.org/0000-0002-2559-4648;
3 https://orcid.org/0000-0002-3679-432X.
И Автор для корреспонденции: Полунина Е.А.
АННОТАЦИЯ
Цель: определить вероятность риска наступления неблагоприятного исхода с помощью метода деревьев классификации у пациентов с COVID-19, находившихся на лечении в инфекционном госпитале, на основе анализа вклада таких предикторов, как возраст и количество коморбидной патологии.
Материалы и методы. Проанализированы данные амбулаторных карт 5304 пациентов, которые с 1 января 2021 года по 1 января 2022 года проходили лечение в инфекционном госпитале с диагнозом COVID-19. Возраст обследуемых пациентов составил 62 [56-66] года. Среди 5304 пациентов было 2891 лиц мужского пола (54,5%) и 2413 лиц женского пола (45,5%). Пациенты были разбиты на группы по возрасту в соответствии с классификацией ВОЗ. Частота коморбидной патологии анализировалась с учетом нозологической единицы заболевания, зарегистрированного не менее чем у 1% включенных в исследование пациентов.
Результаты. В изучаемой выборке в большем проценте преобладали лица пожилого возраста - 46,8%. Наличие одной и более коморбидных патологий было выявлено у превалирующего числа госпитализированных - у 5244 чел. (98,9%). Наиболее часто у обследуемых пациентов встречались такие коморбидные патологии, как артериальная гипертензия у 2038 чел. (38,4%), ишемическая болезнь сердца у 1997 чел. (37,7%) и сахарный диабет 2 типа у 1629 чел. (30,7%). Было построено дерево классификации для прогнозирования риска вероятности неблагоприятного исхода у пациентов с COVID-19. Минимальное количество наблюдений в родительском узле в дереве классификаций составило 400 человек, в дочернем узле -200 человек. В полученном дереве классификации наблюдалось 8 терминальных узлов.
Заключение. Вероятность риска неблагоприятного исхода в анализируемой выборке пациентов повышается с увеличением количества коморбидной патологии и возраста пациентов. По данным прогноза с использованием метода деревьев классификации наибольшая вероятность риска (в 3,2 раза) неблагоприятного исхода по отношению к общей выборке была среди лиц старческого возраста + долгожители с количеством коморбидной патологии более трех. Разработанное дерево классификаций показало высокую долю вероятности верных прогнозов (80%). Чувствительность полученной модели составила 77,9%, специфичность - 64,2%.
Ключевые слова: COVID-19, коморбидная патология, неблагоприятный исход, прогноз, деревья классификации Для цитирования: Калашников Е.С., Шаповалова М.А, Полунина Е.А. Прогнозирование риска неблагоприятного исхода при COVID-19 с помощью метода деревьев классификации с учетом возраста и количества коморбидной патологии по данным инфекционного госпиталя. Менеджер здравоохранения. 2023; 11:43-49. DOI: 10.21045/1811-0185-2023-11-43-49.
Введение
Сначала пандемии СОУЮ-19 было предложено значительное количество «инструментов» оценки риска прогнозирования вероятности тяжелого течения и неблагоприятного исхода у пациентов, инфицированных SARS-CoV-2 [1, 2]. В основе данных «инструментов» лежит анализ и выявление наиболее высокопредикторных медико-социальных и лабораторных предикторов
© Калашников Е. С, Шаповалова М.А, Полунина Е.А, 2023 г.
[3, 4]. По данным широкого ряда исследований одними из основных предикторов тяжелого течения COVID-19 и высокого риска неблагоприятного исхода пациента, являются возраст и наличие коморбидной патологии [5, 6].
Коморбидный пациент, безусловно, в практике любого врача требует особого внимания, тактики ведения [7, 8], в том числе и при COVID-19, что подтверждается результатами большого
№11
2023
Manager
Zdravoochranenia
/Менеджер
здравоохранения
количества исследований [9, 10]. Среди комор-бидной патологии, как предиктора риска тяжелого течения COVID-19 и смерти пациента, по данным литературы, чаще представлена артериальная ги-пертензия (АГ), ожирение, сахарный диабет (СД), инфаркт миокарда, онкопатология, хроническая обструктивная болезнь легких и др. [11, 12, 13].
Стоит отметить, что результаты исследований указывают на необходимость учитывать этнические и территориальные особенности анализируемых выборок пациентов [14, 15].
Цель:
определить вероятность риска наступления неблагоприятного исхода с помощью метода деревьев классификации у пациентов с COVID-19, находившихся на лечении в инфекционном госпитале, на основе анализа вклада таких предикторов, как возраст и количество коморбидной патологии.
Материалы и методы
Ретроспективно проанализированы данные амбулаторных карт 5304 пациентов, получавших лечение в инфекционном госпитале на базе ГБУЗ АО Алек-сандро-Мариинская областная клиническая больница (г. Астрахань) с 1 января 2021 года по 1 января 2022 года с диагнозом «COVID-19, вирус идентифицирован» и «COVID-19, вирус не идентифицирован», коды и07.1 и и07.2. соответственно по МКБ-10.
Возраст обследуемых пациентов составил 62 [56-66] года. Среди 5304 пациентов было 2891 лиц мужского пола (54,5%) и 2413 лиц женского пола (45,5%).
Пациенты были разбиты на группы по возрасту в соответствии с классификацией ВОЗ. Согласно современной классификации ВОЗ, выделяют следующие возрастные группы: молодые пациенты - возраст 25-44 года, пациенты среднего возраста 4559 лет, пациенты пожилого возраста - 60-74 года, старческого возраста - 75-90 лет, и долгожители - 90 и старше.
Из 5304 вирус был идентифицирован у 5084 (95,9%). Все пациенты получали стандартное лечение согласно документу «Временные методические рекомендации. Профилактика, диагностика и лечение новой коронавирусной инфекции (COVID-19)» Министерства здравоохранения Российской Федерации.
Частота коморбидной патологии анализировалась с учетом нозологической единицы заболевания, зарегистрированного не менее чем у 1% включенных в исследование пациентов.
Проведение исследования было одобрено локальным Этическим комитетом ФГБОУ ВО Астраханский ГМУ Минздрава России (19 мая 2022 года).
Статистический анализ проводился с использованием программ StatTech v. 2.8.8 (разработчик - ООО «Статтех», Россия) и SPSS, версия 26.0. Категориальные данные описывались с указанием абсолютных значений и процентных долей (абс.,%). Количественные показатели оценивались на предмет соответствия нормальному распределению с помощью критерия Шапиро-Уилка или критерия Колмогорова-Смирнова. В случае отсутствия нормального распределения количественные данные описывались с помощью медианы (Me) и нижнего и верхнего квартилей (Q1 - Q3). Сравнение процентных долей при анализе четырехпольных таблиц сопряженности выполнялось с помощью критерия хи-квадрат Пирсона (при значениях ожидаемого явления более 10). Сравнение двух групп по количественному показателю, распределение которого отличалось от нормального, выполнялось с помощью U-критерия Манна-Уитни. Пороговое значение p - value было принято за <0,05. Построение дерева решения для прогнозирования неблагоприятногоисхода осуществлялось с помощью метода CHAID. Этот способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение.
Результаты
В обследуемой выборке количество пациентов молодого возраста составило 297 чел. (5,6%), среднего возраста 1304 чел. (24,6%), пожилого возраста 2482 чел. (46,8%). Из-за малочисленности пациентов возраста долгожителей они были объединены с пациентами старческого возраста. Количество пациентов старческого возраста + долгожители составило 1221 чел. (23,0%).
Среди 5304 пациентов у 60 чел. (1,1%) не было зарегистрировано наличие коморбидной патологии. У 5244 (98,9%) было выявлено наличие комор-бидной патологии. Медиана и интерпроцентиль-ные размахи количества коморбидной патологии в исследуемой выборке составили 2 [2-3].
В таблице 1 представлена частота нозологических форм коморбидной патологии, регистрируемой среди обследуемых пациентов.
Из 5304 пациентов благоприятный исход (выписался) был зарегистрирован у 4013 чел. (75,7%). Неблагоприятный исход (летальный исход) у 1291 чел. (24,3%). Среди пациентов с неблагоприятным
Менеджер / Manager №11
здравоохранения / ZdrevoochrBnenie 2023
Таблица 1
Частота коморбидной патологии, п=5304
Нозологическая форма коморбидной патологии (шифр по МКБ) абс. % от общего числа пациентов
Заболевания щитовидной железы (E03, E05) 478 9,0%
СД 2 типа (E10) 1629 30,7%
Ожирение (E66) 1190 22,4%
АГ (I10, I11, I12, I15) 2038 38,4%
Ишемическая болезнь сердца (ИБС) (I20, I25, I49, I50) 1997 37,7%
Гломерулонефрит/пиелонефрит (N03, N11) 816 15,4%
Хроническая почечная недостаточность (N18) 72 1,4%
Мочекаменная болезнь (N20, N21) 184 3,5%
Доброкачественная гиперплазия предстательной железы (N40) 754 14,2%
Заболевания желудка, желчного пузыря и кишечника (К25, К26, К29, К80, К81) 1264 23,8%
Заболевания печени (В18, К74, К76) 155 2,9%
Заболевания бронхолегочной системы (J44, J45) 439 8,3%
Цереброваскулярные болезни (I67, I69) 861 16,2%
Онкопатология (С50, С18-С20, С34, С53, С61, С64, С67, С73, D12) 610 11,5%
Аутоиммунные заболевания (М05, E06, М32, D61, E10) 257 4,8%
исходом лиц молодого возраста было 25 чел. (1,9%), лиц среднего возраста 117 чел. (9,1%), лиц пожилого возраста 594 чел. (46,0%), лиц старческого возраста 538 чел. (43,0%).
На следующем этапе нами было построено дерево классификации для прогнозирования риска
вероятности неблагоприятного исхода у пациентов с COVID-19. В качестве предикторов анализировалось количество коморбидной патологии и возраст пациентов. Минимальное количество наблюдений в родительском узле составило 400 человек, в дочернем узле - 200 человек (рис. 1).
Рис. 1. Дерево решений, определяющее вероятность неблагоприятного исхода у больных COVID-19 в зависимости от возраста по классификации ВОЗ и количества коморбидной патологии
Характеристика терминальных узлов дерева классификации
Таблица 2
Число больных Отклик, % Индекс, %
№ Характеристики Всего Неблагоприятный исход
11 Количество коморбидной патологии более трех, старческий возраст+долгожители 397 313 78,8 323,9
10 Количество коморбидной патологии более трех, молодой, средний и пожилой возраст 480 222 46,3 190,0
9 Количество коморбидной патологии две-три, старческий возраст+долгожители 349 118 33,8 138,9
6 Количество коморбидной патологии одна-две, старческий возраст+долгожители 475 124 26,1 107,3
8 Количество коморбидной патологии две-три, возраст средний и пожилой 799 196 24,5 100,8
5 Количество коморбидной патологии одна-две, возраст средний и пожилой 1321 197 14,9 61,3
4 Количество коморбидной патологии одна-две, возраст молодой и средний 1048 92 8,8 36,1
7 Количество коморбидной патологии две-три, возраст молодой и средний 435 29 6,7 27,4
В полученном дереве классификации наблюдалось 8 терминальных узлов, характеристики которых представлены в таблице 2.
Согласно представленным данным в анализируемой нами выборке, у лиц старческого возраста+долгожители с количеством коморбидной патологии более трех, вероятность неблагоприятного исхода в 3,2 раза (индекс 323,9%) превышала таковую в общей выборке (узел 11). Неблагоприятный исход в этой группе наблюдался у 78,8%.
У пациентов молодого, среднего и пожилого возраста, имевших количество коморбидной патологии более трех, вероятность неблагоприятного исхода была выше, чем в общей выборке, в 1,9 раза (индекс 190,0%) (узел 10). Неблагоприятный исход в этой группе наблюдался у 46,3%.
У пациентов старческого возраста, имевших количество коморбидной патологии две-три, вероятность неблагоприятного исхода в 1,4 раза превышала таковую в общей выборке (индекс 138,9%) (узел 9). Неблагоприятный исход в этой группе наблюдался у 33,8%.
У пациентов старческого возраста+долгожители, имевших количество коморбидной патологии одну-две, вероятность неблагоприятного исхода в 1,1 раза превышала таковую в общей выборке (индекс 107,3%) (узел 9). Неблагоприятный исход в этой подгруппе наблюдался у 26,1%.
Чувствительность полученной модели составила 77,9%, специфичность - 64,2%. Общая доля
верных прогнозов среди исследуемых данной выборки составила 80,0%.
Обсуждение
Коморбидная патология и возраст пациента, как предикторы, повышающие риск госпитализации и неблагоприятного исхода, были обозначены еще в самом начале пандемии COVID-19 как в исследованиях отечественных, так и зарубежных авторов. Ecks S. указал в своей статье мультиморбидность «самым сильным предиктором смерти от COVID-19» [16]. По данным исследования Молочкова А.В. с соавт., наличие у пациентов с COVID-19 хотя бы одного коморбидного состояния повышало частоту неблагоприятного исхода до 13,9% (p<0,001), мультиморбидность до 24,8% (p<0,001) [17].
Результаты нашего анализа показали наличие у превалирующего числа среди госпитализированных пациентов наличия коморбидной патологии -у 98,9% (5244 чел.). Наиболее часто в качестве коморбидного фона регистрировалось наличие АГ у 2038 чел. (38,4%), ИБС у 1997 чел. (37,7%) и СД 2 типа у 1629 чел. (30,7%). По данным отечественных и зарубежных исследователей чаще всего именно такой «коморбидный фон» является предиктором риска тяжелого течения и неблагоприятного исхода у пациента с COVID-19 [18, 19].
При определении вероятности риска неблагоприятного исхода с помощью метода деревьев классификации было установлено, что вероятность
Менеджер / Maneger №11
здравоохранения / Zdrevoochrenenie 2023
риска неблагоприятного исхода повышалась с увеличением количества коморбидной патологии и возраста пациентов. Метод деревьев классификации в качестве прогностического инструмента в последние годы часто используется при проведении клинических исследований. В качестве приоритетов данного метода отмечается понятность для восприятия благодаря визуализации полученных узлов классификации и высокая прогностическая способность метода. Также данный метод отвечает реализации одного из ведущих направлений современной медицины - персонализированному подходу [20, 21].
В среднем вероятность риска неблагоприятного исхода (без учета возраста) среди пациентов с количеством коморбидной патологии более трех, по сравнению с двумя и менее, увеличивалась с 14,5% до 61,0%. Самый высокий риск неблагоприятного исхода был среди лиц старческого возраста+долгожители с количеством коморбид-ной патологии более трех. Но при этом был выявлен высокий риск неблагоприятного исхода и среди лиц молодого, среднего и пожилого возраста, имевших количество коморбидной патологии более трех. У них вероятность неблагоприятного исхода была выше, чем в общей выборке, в 1,9 раза.
Стоит отметить, что в доступной литературе не представлено исследований по прогнозированию исхода госпитализации пациентов с COVID-19 с использованием метода деревьев классификаций и в сопоставительном аспекте в зависимости от возраста пациентов в соответствии с классификацией ВОЗ.
Заключение
В изучаемой нами выборке вероятность риска неблагоприятного исхода повышается с увеличением количества коморбидной патологии и возраста пациентов (в соответствии с классификацией ВОЗ). По данным прогноза с использованием метода деревьев классификации наибольшая вероятность риска (в 3,2 раза) неблагоприятного исхода по отношению к общей выборке была среди лиц старческого возраста+долгожители с количеством коморбидной патологии более трех.
Разработанное дерево классификаций показало высокую долю вероятности верных прогнозов (80%) риска неблагоприятного исхода при COVID-19. Чувствительность полученной модели составила 77,9%, специфичность - 64,2%.
1. Кузовлев А.Н., Ермохина Л.В., Мельникова Н.С., Берикашвили Л.Б., Ядгаров М.Я., Каданцева К.К. и др. Номограмма для прогнозирования госпитальной летальности у пациентов с COVID-19, находившихся в отделении реанимации и интенсивной терапии // Вестник анестезиологии и реаниматологии. - 2022. -Т. 19. - № 1. - С. 6-17. DOI: 10.21292/2078-5658-2022-19-1-6-17.
2. Цветков В.В., Токин И.И., Лиознов Д.А., Венев Е.В., Куликов А.Н. Прогнозирование длительности стационарного лечения пациентов с COVID-19 // Медицинский совет. - 2020. - № 17. - С. 82-90. DOI: 10.21518/2079-701X-2020-17-82-90.
3. Осипова О.А., Шепель Р.Н, Каруцкая О.А., Комисов А.А., Демко В.В., Белоусова О.Н. и др. Роль циркулирующих биомаркеров у пациентов, перенесших COVID-19 // Актуальные проблемы медицины. -2023. - Т. 46. - № 3. - С. 231-244. DOI: 10.52575/2687-0940-2023-46-3-231-244.
4. Rizzi M, Costanzo M, Tonello S, Matino E, Casciaro F.G., Croce A. et al. Prognostic Markers in Hospitalized COVID-19 Patients: The Role of IP-10 and C-Reactive Protein // Dis Markers. 2022;28(2):3528312. doi: 10.1155/2022/3528312.
5. Fang X, Li S, Yu H, Wang P., Zhang Y, Chen Z. et al. Epidemiological, comorbidity factors with severity and prognosis of COVID-19: a systematic review and meta-analysis // Aging (Albany NY). 2020;12(13):12493-12503. DOI: 10.18632/aging.103579
6. Djaharuddin I., Munawwarah S, Nurulita A., Ilyas M, Tabri N.A., Lihawa N. Comorbidities and mortality in COVID-19 patients // Gac Sanit. 2021; № 35(2): S530-S532. DOI: 10.1016/j.gaceta.2021.10.085.
7. Наумов А.В., Прокофьева Т.В., Полунина О.С., Сароянц Л.В. Клинико-патогенетическое значение белка теплового шока HSP70 при инфаркте миокарда на фоне хронической обструктивной болезни легких // Актуальные проблемы медицины. - 2020. - Т. 43. - № 1. - С. 38-45.
8. Slverberg J.I. Comorbidities and the impact of atopic dermatitis // Ann Allergy Asthma Immunol. 2019;123(2):144-151. DOI: 10.1016/j.anai.2019.04.020.
9. Бунова С.С., Охотникова П.И., Скирденко Ю.П., Николаев Н.А., Осипова О. А., Жернакова Н.И. COVID-19 и сердечно-сосудистая коморбидность: поиск новых подходов к снижению смертности // Кар-диоваскулярная терапия и профилактика. - 2021. - Т. 20. - № 4. - С. 122-128. DOI: 10.15829/1728-8 800-2021-2953.
10. Ejaz H, Alsrhani A., Zafar A., Javed H, JunaidK, Abdalla A.E. et al. COVID-19 and comorbidities: Deleterious impact on infected patients // J Infect Public Health. 2020;13(12):1833-1839. DOI: 10.1016/j.jiph.2020.07.014.
11. Gallo G, Calvez V, Savoia C. Hypertension and COVID-19: Current Evidence and Perspectives // High Blood Press Cardiovasc Prev. 2022;29(2):115-123. DOI: 10.1007/s40292-022-00506-9.
12. Zhou Y, Chi J., Lv W, Wang Y. Obesity and diabetes as high-risk factors for severe coronavirus disease 2019 (Covid-19) // Diabetes Metab Res Rev. 2021;37(2): e3377. DOI: 10.1002/dmrr.3377.
13. Liu C, Zhao Y, Okwan-Duodu D, Basho R, Cui X. COVID-19 in cancer patients: risk, clinical features, and management // Cancer Biol Med. 2020;17(3):519-527. DOI: 10.20892/j.issn.2095-3941.2020.0289.
14. Ма-Ван-дэ В.Д., Сизых Н.В., Зайцев Д.Н., и др. Гендерные и национальные особенности новой коронавирусной инфекции (COVID-19) в Забайкальском крае // ЭНИ Забайкальский медицинский вестник. - 2022. - № 4. - С. 50-59. DOI: 10.52485/19986173 2022 4 50.
15. Хромушин В.А., Грачев Р.В., Борисова О.Н., Хадарцев А.А. Анализ смертности населения Тульской области при хронической ишемической болезни сердца с COVID-19 в 2020-2021 годах // Вестник новых медицинских технологий. Электронное издание. - 2022. - Т. 16. - № 1. - С. 49-54. DOI: 10.24412/2075-4094-2022-1-1-7.
16. Ecks S. Multimorbidity, Polyiatrogenesis, and COVID-19 // Med Anthropol Q. 2020;34(4):488-503. doi: 10.1111/maq.12626.
17. Молочков А.В., Каратеев Д.Е., Огнева ЕЮ, Зулькарнаев А.Б., Лучихина Е.Л., Макарова И.В. и др. Коморбидные заболевания и прогнозирование исхода COVID-19: результаты наблюдения 13 585 больных, находившихся на стационарном лечении в больницах Московской области // Альманах клинической медицины. - 2020. - № 48 (Спецвыпуск 1). - С. S1 —10. DOI: 10.18786/2072-0505-2020-48-040.
18. Carmona-Pírez J, loakeim-Skoufa I., Gimeno-Miguel A., Poblador-Plou B, González-Rubio F, Mucoyerro-Muciz D. et at. Multimorbidity Profiles and Infection Severity in COVID-19 Population Using Network Analysis in the Andalusian Health Population Database // Int J Environ Res Public Health. 2022;19(7):3808. DOI: 10.3390/ijerph19073808
19. Глыбочко П.В, Фомин В.В., Моисеев С.В, Авдеев С.Н, Яворовский А.Г., Бровко М.Ю. и др. Исходы у больных с тяжелым течением COVID19, госпитализированных для респираторной поддержки в отделения реанимации и интенсивной терапии // Клиническая фармакология и терапия. - 2020. - Т. 29. - № 3. - С. 25-36. DOI: 10.32756/0869-5490-2020-3-25-36.
20. Глушанко В.С., Шульмин А.В., Орехова Л.И. Использование метода деревьев классификации для прогнозирования развития заболеваний системы кровообращения у пациентов // Вопросы организации и информатизации здравоохранения. - 2020. - № 3. - С. 76.
21. Лучинин А.С., Лянгузов А.В. Выбор предикторов для моделей классификации и прогноза в медицине // Врач и информационные технологии. - 2022. - № 3. - С. 54-67. DOI: 10.25881/18110193_2022_3_54.
m
эхо зЯо
зио
ORIGINAL PAPER
PREDICTION OF THE RISK OF AN UNFAVORABLE OUTCOME IN COVID-19 USING THE CLASSIFICATION TREE METHOD, TAKING INTO ACCOUNT THE AGE AND NUMBER OF COMORBID PATHOLOGY ACCORDING TO THE INFECTIOUS HOSPITAL
E.S. Kalashnikov1, M.A. Shapovalova2, E.A. Polunina3 ■
Astrakhan State Medical University, Astrakhan, Russia.
' ORCID iD0000-0002-8699-9905; 2 ORCID iD0000-0002-2559-4648; 3 ORCID 0000-0002-3679-432X.
H Corresponding author: Polunina E.A.
ABSTRACT
Objective: to determine the probability of the risk of an unfavorable outcome using the classification tree method in patients with COVID-19 who were treated in an infectious hospital based on the analysis of the contribution of such predictors as age and the amount of comorbid pathology.
Materials and methods. The data of outpatient records of 5304 patients who were treated in an infectious diseases hospital with a diagnosis of COVID-19 from January 1, 2021 to January 1, 2022 were analyzed. The age of the examined patients was 62 [56-66] years. Among 5,304 patients, there were 2,891 males (54,5%) and 2,413 females (45,5%). The patients were divided into age groups according to the WHO classification. The frequency of comorbid pathology was analyzed taking into account the nosological unit of the disease registered in at least 1% of the patients included in the study.
Results. In the studied sample, the elderly prevailed in a larger percentage - 46.8%. The presence of one or more comorbid pathology was revealed in the prevailing number of hospitalized - i n 5,244 people (98,9%). The most common comorbid pathology in the examined patients was arterial hypertension in 2038 people (38,4%), coronary heart disease in 1997 people (37,7%) and type 2 diabetes mellitus in 1629 people (30,7%). A classification tree was constructed to predict the risk of the probability of an unfavorable outcome in patients with COVID-19.The minimum number of observations in the parent node in the classification tree was 400 people, in the child node -200 people. In the resulting classification tree, 8 terminal nodes were observed.
Conclusion. The probability of the risk of an unfavorable outcome in the analyzed sample of patients increases with an increase in the number of comorbid pathology and the age of patients. According to the forecast using the classification tree method, the greatest probability of risk (3,2 times) of an unfavorable outcome in relation to the general sample was among elderly persons+centenarians with more than three comorbid pathology. The developed classification tree showed a high probability of correct predictions (80%). The sensitivity of the resulting model was 77,9%, the specificity was 64,2%.
Keywords: COVID-19, comorbid pathology, unfavorable outcome, prognosis, classification trees.
For citation: Kalashnikov E.S., Shapovalova M.A., Polunina E.A. Prediction of the risk of an unfavorable outcome in COVID-19 using the classification tree method, taking into account the age and number of comorbid pathology according to the infectious hospital. Manager Zdravookhranenia. 2023; 11:43-49. DOI: 10.21045/1811-0185-2023-11-43-49.
—I A3
Менеджер
здравоохранения /
Meneger№ 11
ZdrevoochrBnenÍB 2023
REFERENCES
1. Kuzovlev A.N., Ermokhina L.V., Melnikova N.S., Berikashvili L.B., Yadgarov M.Ya., Kadantseva K.K. et al. A nomogram for predicting hospital mortality in patients with COVID-19 admitted to the intensive care unit Messenger of Anesthesiology and Resuscitation. 2022;19(1):6-17. DOI: 10.21292/2078-5658-2022-19-1-6-1. (In Russian).
2. Tsvetkov V.V., Tokin I.I, Lioznov D.A., Venev E.V., Kulikov A.N. Predicting the duration of inpatient treatment for COVID-19 patients. // Medical Council. 2020;(17):82-90. DOI: 10.21518/2079-701X-2020-17-82-90. (In Russian).
3. Osipova O.A., Shepel R.N, Karutskaya O.A., Komisov A.A., Demko V.V, Belousova O.N. et al. The Role of Circulating Biomarkers in Post-COVID-19 Patients. // Challenges in Modern Medicine. 2023;46(3):231-244. DOI: 10.52575/2687-0940-2023-46-3-231-244. (In Russian).
4. Rizzi M, Costanzo M, Tonello S, Matino E, Casciaro F.G., Croce A. et al. Prognostic Markers in Hospitalized COVID-19 Patients: The Role of IP-10 and C-Reactive Protein. // Dis Markers. 2022;28(2):3528312. DOI: 10.1155/2022/3528312.
5. Fang X, Li S, Yu H, Wang P., Zhang Y, Chen Z. et al. Epidemiological, comorbidity factors with severity and prognosis of COVID-19: a systematic review and meta-analysis. // Aging (Albany NY). 2020;12(13):12493-12503. DOI: 10.18632/aging.103579.
6. Djaharuddin I., Munawwarah S, Nurulita A, Ilyas M, Tabri N.A., Lihawa N. Comorbidities and mortality in COVID-19 patients. // Gac Sanit. 2021;№ 35(2): S530-S532. DOI: 10.1016/j.gaceta.2021.10.085.
7. Naumov A. V, Prokofieva T.V, Polunina O.S., Saroyants L. V. Clinical and pathogenetic 3 application of the HSP70 heat shock protein in myocardial infarction on the background of chronic obstructive lung disease. Challenges in modern medicine. 2020;43(1):38-45. (In Russian).
8. Silverberg J.I. Comorbidities and the impact of atopic dermatitis. // Ann Allergy Asthma Immunol. 2019;123(2):144—151. DOI: 10.1016/j. anai.2019.04.020.
9. Bunova S.S., Okhotnikova P.I., Skirdenko Yu.P, Nikolaev N.A., Osipova O.A., Zhernakova N.I. COVID-19 and cardiovascular comorbidity: novel approaches to reduce mortality. // Cardiovascular Therapy and Prevention. 2021;20(4):2953. DOI: 10.15829/1728-8800-2021-2953. (In Russian).
10. Ejaz H., Alsrhani A, Zafar A., Javed H., Junaid K., Abdalla AE. et al. COVID-19 and comorbidities: Deleterious impact on infected patients. // Infect Public Health. 2020;13(12):1833-1839. DOI: 10.1016/j.jiph.2020.07.014.
11. Gallo G, Calvez V., Savoia C. Hypertension and COVID-19: Current Evidence and Perspectives. // High Blood Press Cardiovasc Prev. 2022;29(2):115-123. DOI: 10.1007/s40292-022-00506-9.
12. Zhou Y., Chi J., Lv W., Wang Y. Obesity and diabetes as high-risk factors for severe coronavirus disease 2019 (Covid-19). // Diabetes Metab Res Rev. 2021;37(2): e3377. DOI: 10.1002/dmrr.3377.
13. Liu C., Zhao Y., Okwan-Duodu D., Basho R., Cui X. COVID-19 in cancer patients: risk, clinical features, and management. // Cancer Biol Med. 2020;17(3):519-527. DOI: 10.20892/j.issn.2095-3941.2020.0289.
14. Ma-Van-de V.D., Sizykh N. V, Zaytsev D.N., Muha N. V. Gender and national characteristics of the new coronavirus infection (COVID-19) in the trans-baikal territory. // ENI Zabaykal'skiy meditsinskiy vestnik. 2022;4:50-59. DOI: 10.52485/19986173 2022 4 50. (In Russian).
15. Khromushin V.A., Grachev R.V., Borisova O.N., Khadartsev A.A. Analysis of mortality of the population of the tula region at chronic coronary heart disease with COVID-19 in 2020-2021. // Journal of New Medical Technologies, eEdition. 2022;16(1): 49-54. DOI: 10.24412/2075-4094-2022-1-1-7. (In Russian).
16. Ecks S. Multimorbidity, Polyiatrogenesis, and COVID-19. Med Anthropol Q. 2020;34(4):488-503. doi: 10.1111/maq.12626.
17. Molochkov A.V., Karateev D.E., Ogneva E.Yu., Zulkarnaev A.B., Luchikhina E.L., Makarova I.V. et al. Comorbidities and predicting the outcome of COVID-19: the treatment results of 13,585 patients hospitalized in the Moscow Region. // Almanac of Clinical Medicine. 2020;48(S1): S1-10. DOI: 10.18786/2072-0505-2020-48-040. (In Russian).
18. Carmona-Pírez J., loakeim-Skoufa I., Gimeno-Miguel A, Poblador-Plou B., González-Rubio F., Mucoyerro-Muciz D. et al. Multimorbidity Profiles and Infection Severity in COVID-19 Population Using Network Analysis in the Andalusian Health Population Database. // Int J Environ Res Public Health. 2022;19(7):3808. DOI: 10.3390/ijerph19073808
19. Glybochko P., Fomin V., Moiseev S, Avdeev S., Yavorovskiy A., Brovko M. et al. Clinical outcomes of patients with COVID-19 admitted for respiratory support to the intensive care units in Russia. // Clinical pharmacology and therapy. 2020;29(3):25-36. DOI: 10.32756/08695490-2020-3-25-36. (In Russian).
20. Glushanko V.S., Shulmin A.V., Orekhova L.I. Method of classification trees use to predict development of circulatory system diseases in patients. // Issues of organization and informatization of healthcare. 2020;3:76. (In Russian).
21. Luchinin A.S., Lyanguzov A. V. Feature selection for medical prognostic models. // Information technologies for the Physician. 2022;3:54-67. DOI: 10.25881/18110193_2022_3_54. (In Russian).
ИНФОРМАЦИЯ ОБ АВТОРАХ I ABOUT THE AUTHORS
Калашников Евгений Сергеевич - ассистент кафедры общественного здоровья и здравоохранения с курсом последипломного образования ФГБОУ ВО «Acтpaxaнcкий государственный медицинский университет» Минздрава России, г. Acтpaxaнь, Россия. Evgeny S. Kalashnikov - assistant of the department, Public Health and Health with a Postgraduate Course, Astrakhan State Medical University, Astrakhan, Russia.
E-mail: Drevgeniy@mail.ru, ORCID iD0000-0002-8699-9905
Шаповалова Марина Александровна - д-р мед. наук, профессор, проректор по последипломному образованию, заведующая кафедрой последипломного образования, ФГБОУ ВО Acтpaxaнcкий ГМУ Минздрава России, г. Acтpaxaнь, Россия. Marina A. Shapovalova - Med. Sci., professor, Vice-Rector for Postgraduate Education, Head of the department of economics and health management with a course of postgraduate education of the Federal State Educational Establishment of Astrakhan State Medical University, Astrakhan, Russia.
E-mail: mshap67@gmail.com, ORCID ¡D0000-0002-2559-4648
Полунина Екатерина Андреевна - д-р мед. наук кафедры внутренних болезней педиатрического факультета ФГБОУ ВО «Acтpa-ханский государственный медицинский университет» Минздрава России, г. /\^страхань, Россия.
Ekaterina A. Polunina - D. Med. Sci, associate professor of the Internal Medicine Department of Pediatric Department, Astrakhan State
Medical University, Astrakhan, Russia.
E-mail: gitti2@yandex.ru, ORCID 0000-002-3679-432X
№11
2023
Manager
Zdravoochranenia
/Менеджер
здравоохранения
