Исследование, опубликованное в журнале Chest, показывает, что машинное обучение может улучшить предсказательную способность существующих клинических инструментов в оценке риска смерти при внебольничной пневмонии.
Недавнее исследование, опубликованное в журнале Chest, показывает, что машинное обучение может улучшить предсказательную способность существующих клинических инструментов в оценке риска смерти при внебольничной пневмонии. В ходе исследования была разработана модель причинно-вероятностной сети (CPN), адаптированная для CAP (SeF-ML), которая изначально была разработана для предсказания смертности при сепсисе.
В исследовании сравнивалась прогностическая способность Sequential Organ Failure Assessment (SOFA), Pneumonia Severity Index (PSI), quick Sequential Organ Failure Assessment (qSOFA) и критерии CURB-65 (confusion, urea, respiratory rate, BP, age 65 years) с SeF-ML. Было проверено 4 531 пациентов в группе вывода и 1 034 в группе проверки. AUC для предсказания смертности в течение 30 дней с использованием SeF-ML, CURB-65, SOFA, PSI и qSOFA в группе вывода составляли 0,801, 0,759, 0,671, 0,799 и 0,642 соответственно. SeF-AUC ML составлял 0,826 в проверочном исследовании, что соответствовало его AUC (0,801) в обучающих данных (P =.51). SeF-AUC ML составлял 0,764, что значительно превышало CURB-65 (0,764, P =.03) и qSOFA (0,729, P =.005). Однако он не существенно отличался от PSI (0,830; P =.92) или SOFA (0,771; P =.14).
Используя структурированные данные о здоровье, SeF-ML показывает потенциал в улучшении предсказания смертности пациентов с CAP. Для укрепления общезначимости необходимо проведение дополнительных исследований с использованием внешней проверки.
