СОЗДАНИЕ И ОЦЕНКА ЗНАЧИМОСТИ ПРОГНОСТИЧЕСКИХ МОДЕЛЕЙ ДЛЯ ОПРЕДЕЛЕНИЯ УРОВНЯ ФЕРРИТИНА СЫВОРОТКИ С ПОМОЩЬЮ МАШИННОГО ОБУЧЕНИЯ В РАЗНЫХ КЛИНИЧЕСКИХ ГРУППАХстатья
Статья опубликована в журнале из списка RSCI Web of Science
Статья опубликована в журнале из перечня ВАК
Статья опубликована в журнале из списка Web of Science и/или Scopus
Аннотация:Изучение возможностей искусственного интеллекта (ИИ) является актуальной задачей с точки зрения разработки оптимальной скрининг стратегии, определения групп риска, использования менее дорогостоящих, более доступных лабораторных тестов для оценки статуса железа в организме. Цель работы: изучить эффективность применения инструментов машинного обучения (МО) для оценки статуса железа по прогнозируемому уровню ферритина сыворотки (ФС) на основе демографических данных (пол и возраст), клинического анализа крови (КАК), содержания С-реактивного белка (СРБ) и известного уровня ФС. Для проведения МО с помощью ИИ использован набор данных 52 158 пациентов. Полученные данные представлены в виде Первой модели регрессии для определения предполагаемой концентрации ФС и Второй модели классификации групп пациентов в зависимости от различного статуса железа по уровню известного ФС: 0) <15,0; 1) 15,1-100,0; 2) 100,1-300,0; 3) >300,1 мкг/л. В результате Первая модель получила адекватную предсказательную способность (R2=0,717), при этом ее качество тем лучше, чем ниже значение ФС (средняя абсолютная ошибка составила 2,4 мкг/л для класса пациентов с ФС <15,0 мкг/л) на тестовой выборке. Вторая модель показала ещё более высокую диагностическую возможность с точностью для разных клинических групп (показатель AUC-ROC: 0,914, 0,807, 0,812, 0,891 соответственно), что важно для определения тактики ведения пациентов. В результате проведённого исследования можно сделать заключение, что расчёт содержания ФС с помощью разработанных в работе моделей может использоваться в качестве точного и клинически значимого инструмента для оценки статуса железа в реальной врачебной практике.