tibljТуберкулез и болезни легкихTuberculosis and Lung Diseases2075-12302542-1506Медицинские знания и технологии10.21292/2075-1230-2021-99-11-27-34tiblj-1586Research ArticleОРИГИНАЛЬНЫЕ СТАТЬИORIGINAL ARTICLESМашинное обучение в прогнозировании рецидивов у больных туберкулезом с множественной лекарственной устойчивостьюMachine Learning for Prediction of Relapses in Multiple Drug Resistant Tuberculosis PatientsАллилуевА. С.АlliluevA. S.

Аллилуев Александр Сергеевич – заместитель главного врача по организационно-методической работе, Томский фтизиопульмонологический медицинский центр.

634009, г. Томск, ул. Розы Люксембург, д. 17.

Aleksandr S. Аlliluev – Deputy Head Physician on Reporting and Statistics, Tomsk Phthisiopulmonology Medical Center.

17, R. Luxemburg St., Tomsk, 634009.

 

alliluev233@gmail.comФилинюкО. В.FilinyukO. V.

Филинюк Ольга Владимировна – доктор медицинских наук, профессор, заведующая кафедрой фтизиатрии и пульмонологии.

634050, г. Томск, Московский тракт, д. 2.

Olga V. Filinyuk - Doctor of Medical Sciences, Professor, Head of Phthisiologyand Pulmonology Department.

2, Moskovsky Tr., Tomsk. 634050.

 

filinyuk.olga@yandex.ruШнайдерЕ. Е.ShnаyderE. E.

Шнайдер Екатерина Евгеньевна – врач-статистик организационно-методического отдела.

634009, г. Томск, ул. Розы Люксембург, д. 17.

Ekaterina E. Shnayder – Specialist of Statistics and Reporting Department.

17, R. Luxemburg St., Tomsk, 634009.

nikolaevskaya.e.e@gmail.comАксеновС. В.АksenovS. V.

Аксенов Сергей Владимирович – кандидат технических наук, Томский политехнический университет, Инженерная школа информационных технологий и робототехники, доцент отделения информационных технологий.

634034, г. Томск, ул. Советская, д. 84, корп. 3.

Sergey V. Аksenov - Candidate of Technical Sciences, Associate Professor of Computer Sciences Department, School of Computer Science & Robotics, Tomsk Polytechnic University.

Build. 3, 84, Sovetskaya St., Tomsk, 634034.

axyonov@tpu.ruФГБОУ ВО «Сибирский государственный медицинский университет МЗ РФ»; ОГАУЗ «Томский фтизиопульмонологический медицинский центр»РоссияSiberian State Medical University; Tomsk Phthisiopulmonology Medical CenterRussian FederationФГБОУ ВО «Сибирский государственный медицинский университет МЗ РФ»РоссияSiberian State Medical UniversityRussian FederationОГАУЗ «Томский фтизиопульмонологический медицинский центр»РоссияTomsk Phthisiopulmonology Medical CenterRussian FederationФГБОУ ВО «Сибирский государственный медицинский университет МЗ РФ»; ФГАОУ ВО «Национальный исследовательский Томский политехнический университет»; ФГАОУ ВО «Национальный исследовательский Томский государственный университет»РоссияSiberian State Medical University; Tomsk Polytechnic University; National Research Tomsk State UniversityRussian Federation20212711202199112734Copyright © Аллилуев А.С., Филинюк О.В., Шнайдер Е.Е., Аксенов С.В., 20212021Аллилуев А.С., Филинюк О.В., Шнайдер Е.Е., Аксенов С.В.Аlliluev A.S., Filinyuk O.V., Shnаyder E.E., Аksenov S.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.tibl-journal.com/jour/article/view/1586Цель исследования

Цель исследования: оценить возможность применения алгоритмов машинного обучения в прогнозировании рецидива у больных туберкулезом с множественной лекарственной устойчивостью (МЛУ-ТБ).

Материалы и методы

Материалы и методы. Проведен анализ клинико-эпидемиологических, возрастно-половых, социальных, медико-биологических параметров и особенностей химиотерапии у 346 излеченных пациентов с МЛУ-ТБ. При построении моделей прогнозирования использовались инструменты библиотеки scikit-learn Version 0.24.2 в интерактивной облачной среде работы с программным кодом Google Colaboratory.

Результаты

Результаты. Анализ характеристик моделей прогнозирования рецидивов у излеченных больных МЛУ-ТБ с помощью алгоритмов машинного обучения, включающих дерево решений, случайный лес, градиентный бустинг и логистическую регрессию, с использованием К-блочной стратифицированной проверки, выявил высокую чувствительность (0,74 ± 0,167; 0,91 ± 0,17; 0,91 ± 0,14; 0,91 ± 0,16 соответственно) и специфичность (0,97 ± 0,03; 0,98 ± 0,02; 0,98 ± 0,02; 0,98 ± 0,02 соответственно). Установлены пять основных предикторов развития рецидивов у излеченных больных МЛУ-ТБ: неоднократные курсы химиотерапии; длительность стажа туберкулеза; деструктивный процесс в легких; общий срок лечения менее 22 мес. и использование в схеме химиотерапии менее пяти эффективных противотуберкулезных препаратов.

The objective of the study: to evaluate the possibility of using machine learning algorithms for prediction of relapses in multiple drug resistant tuberculosis (MDR TB) patients.

Subjects and Methods

Subjects and Methods. Сlinical, epidemiological, gender, sex, social, biomedical parameters and chemotherapy parameters were analyzed in 346 cured MDR TB patients. The tools of the scikit-learn library, Version 0.24.2 in the Google Colaboratory interactive cloud environment were used to build forecasting models.

Results

Results. Analysis of the characteristics of relapse prediction models in cured MDR TB patients using machine learning algorithms including decision tree, random forest, gradient boosting, and logistic regression using K-block stratified validation revealed high sensitivity (0.74 ± 0.167; 0.91 ± 0.17; 0.91 ± 0.14; 0.91 ± 0.16, respectively) and specificity (0.97 ± 0.03; 0.98 ± 0.02; 0.98 ± 0.02; 0.98 ± 0.02, respectively).

Five main predictors of relapse in cured MDR-TB patients were identified: repeated courses of chemotherapy; length of history of tuberculosis; destructive process in the lungs; total duration of treatment less than 22 months; and use of less than five effective anti-TB drugs in the regimen of chemotherapy.

туберкулезмашинное обучениемножественная лекарственная устойчивостьрецидивфакторы рискапрогнозtuberculosismachine learningmultiple drug resistancerelapserisk factorsforecastReferencesGhiasi M. M., Zendehboudi, S. Decision tree-based methodology to select a proper approach for wart treatment // Comp. Biol. Med. – 2019. – Vol. 4. – P. 400-409. DOI: 10.1016/j.compbiomed.2019.04.001. PMID: 31077954.Ghiasi M.M., Zendehboudi, S. Decision tree-based methodology to select a proper approach for wart treatment. Comp. Biol. Med., 2019, vol. 4, pp. 400-409. doi: 10.1016/j.compbiomed.2019.04.001. PMID: 31077954.Hou N., Li M., He L., Xie B., Wang L., Zhang R., Yu Y., Sun X., Pan Z., Wang K. Predicting 30-days mortality for MIMIC-III patients with sepsis-3: a machine learning approach using XGboost // J. Transl. Med. – 2020. ‒ Vol. 18, № 1. ‒ P. 462. DOI: 10.1186/s12967-020-02620-5. PMID: 33287854.Hou N., Li M., He L., Xie B., Wang L., Zhang R., Yu Y., Sun X., Pan Z., Wang K. Predicting 30-days mortality for MIMIC-III patients with sepsis-3: a machine learning approach using XGboost. J. Transl. Med., 2020, vol. 18, no. 1, pp. 462. doi: 10.1186/s12967-020-02620-5. PMID: 33287854.Inoue T., Ichikawa D., Ueno T., Cheong M., Inoue T., Whetstone W. D., Endo T., Nizuma K., Tominaga T. XGBoost, a machine learning method, predicts neurological recovery in patients with cervical spinal cord injury // Neurotrauma Reports. – 2020. – Vol. 1, № 1. ‒ P. 8-16. DOI:10.1089/neur.2020.0009.Inoue T., Ichikawa D., Ueno T., Cheong M., Inoue T., Whetstone W.D., Endo T., Nizuma K., Tominaga T. XGBoost, a machine learning method, predicts neurological recovery in patients with cervical spinal cord injury. Neurotrauma Reports, 2020, vol. 1, no. 1, pp. 8-16. doi:10.1089/neur.2020.0009.Ji C., Zou X., Hu Y., Liu S., Lyu L., Zheng X. XG-SF: An XGBoost classifier based on shapelet features for time series classification // Procedia Comp. Sci. – 2019. – Vol. 147. ‒ P. 24-28. DOI: 10.1016/j.procs.2019.01.179.Ji C., Zou X., Hu Y., Liu S., Lyu L., Zheng X. XG-SF: An XGBoost classifier based on shapelet features for time series classification. Procedia Comp. Sci., 2019, vol. 147, pp. 24-28. doi: 10.1016/j.procs.2019.01.179.Kouchaki S., Yang Y., Walker T. M., Walker S. A., Wilson D. J., Peto T., Crook D. W., CRyPTIC Consortium; Clifton D. A. Application of machine learning techniques to tuberculosis drug resistance analysis // Bioinformatics. – 2019. – Vol. 35, № 13. – Р. 2276-2282. DOI:10.1093/bioinformatics/bty949. PMID: 30462147.Kouchaki S., Yang Y., Walker T.M., Walker S.A., Wilson D.J., Peto T., Crook D.W., CRyPTIC Consortium; Clifton D. A. Application of machine learning techniques to tuberculosis drug resistance analysis. Bioinformatics, 2019, vol. 35, no. 13, pp. 2276-2282. doi:10.1093/bioinformatics/bty949. PMID: 30462147.Lakhani P., Sundaram B. Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks // Radiology. – 2017. – Vol. 284, №. 2. – Р. 574-582. DOI: 10.1148/radiol.2017162326. PMID: 28436741.Lakhani P., Sundaram B. Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology, 2017, vol. 284, no. 2, pp. 574-582. doi: 10.1148/radiol.2017162326. PMID: 28436741.Lange C. et al. Management of patients with multidrug-resistant tuberculosis // Intern. J. Tuberc. Lung Dis. – 2019. – Vol. 23, № 6. – Р. 645-662. DOI: 10.5588/ijtld.18.0622. PMID: 31315696.Lange C. et al. Management of patients with multidrug-resistant tuberculosis. Intern. J. Tuberc. Lung Dis., 2019, vol. 23, no. 6, pp. 645-662. doi: 10.5588/ijtld.18.0622. PMID: 31315696.Pal K., Patel B. V. Data classification with k-fold cross validation and holdout accuracy estimation methods with 5 different machine learning techniques // Proceedings of the 2020 Fourth International Conference on Computing Methodologies and Communication (ICCMC) – 2020. pp. 83-87. DOI: 10.1109/ICCMC48092.2020.ICCMC-00016.Pal K., Patel B.V. Data classification with k-fold cross validation and holdout accuracy estimation methods with 5 different machine learning techniques. Proceedings of the 2020 Fourth International Conference on Computing Methodologies and Communication (ICCMC). 2020, pp. 83-87. doi: 10.1109/ICCMC48092.2020.ICCMC-00016.Rajkomar A., Dean J., Kohane I. Machine learning in medicine // N. Engl. J. Med. – 2019. – Vol. 380, № 14. – Р. 1347-1358.Rajkomar A., Dean J., Kohane I. Machine learning in medicine. N. Engl. J. Med., 2019, vol. 380, no. 14, pp. 1347-1358.Shi Yu, Wong W.-K., Goldin J. G., Brown M. S., Kim G. H. J. Prediction of progression in idiopathic pulmonary fibrosis using CT scans at baseline: a quantum particle swarm optimization ‒ random forest approach // Artif. Intellig. Med. ‒ 2019. – Vol. 100, № 7. – P. 101719. DOI: 10.1016/j.artmed.2019.101709. PMID: 31607341.Shi Yu, Wong W.K., Goldin J.G., Brown M.S., Kim G.H.J. Prediction of progression in idiopathic pulmonary fibrosis using CT scans at baseline: a quantum particle swarm optimization ‒ random forest approach. Artif. Intellig. Med., 2019, vol. 100, no. 7, pp. 101719. doi: 10.1016/j.artmed.2019.101709. PMID: 31607341.World Health Organization. Tuberculosis surveillance and monitoring in Europe 2019: 2017 data. – 2019.World Health Organization. Tuberculosis surveillance and monitoring in Europe 2019: 2017 data. 2019.Yim J. J., Koh W. J. MDR-TB recurrence after successful treatment: additional studies using molecular genotyping are needed // Intern. J. Tuberc. Lung Dis. – 2015. – Vol. 19, №. 4. – Р. 371. DOI: 10.5588/ijtld.15.0117. PMID: 25859987.Yim J.J., Koh W.J. MDR-TB recurrence after successful treatment: additional studies using molecular genotyping are needed. Intern. J. Tuberc. Lung Dis., 2015, vol. 19, no. 4, pp. 371. doi: 10.5588/ijtld.15.0117. PMID: 25859987.Yoshiyama T., Morimoto K., Okumura M., Sasaki Y., Ogata H., Shiraishi Y., Kudou S. Long term outcome of multidrug-resistant TB patients in Fukujuji Hospital in Japan // Trans. Roy. Soc. Trop. Med. Hyg. – 2014. – Vol. 108, №. 9. – Р. 589-590. DOI: 10.1093/trstmh/tru080. PMID: 24902580.Yoshiyama T., Morimoto K., Okumura M., Sasaki Y., Ogata H., Shiraishi Y., Kudou S. Long term outcome of multidrug-resistant TB patients in Fukujuji Hospital in Japan. Trans. Roy. Soc. Trop. Med. Hyg., 2014, vol. 108, no. 9, pp. 589-590. doi: 10.1093/trstmh/tru080. PMID: 24902580.Zhao X., Liu Y., Zhang A., Gao B., Feng Q., Huang H., Zhu X., Sun X., Xu D. Logistic regression analyses of factors affecting fertility of intrauterine adhesions patients // Ann. Transl. Med. – 2020. ‒ Vol. 8, № 4. ‒ P. 49. DOI: 10.21037/atm.2019.11.115. PMID: 32175343.Zhao X., Liu Y., Zhang A., Gao B., Feng Q., Huang H., Zhu X., Sun X., Xu D. Logistic regression analyses of factors affecting fertility of intrauterine adhesions patients. Ann. Transl. Med., 2020, vol. 8, no. 4, pp. 49. doi: 10.21037/atm.2019.11.115. PMID: 32175343.Zumla A. et al. World Tuberculosis Day 2021 Theme – ‘The Clock is Ticking’ – and the world is running out of time to deliver the United Nations General Assembly commitments to End TB due to the COVID-19 pandemic // Intern. J. Infect. Dis. – 2021. DOI: 10.1016/j.ijid.2021.03.046. PMID: 33746094.Zumla A. et al. World Tuberculosis Day 2021 Theme – ‘The Clock is Ticking’ – and the world is running out of time to deliver the United Nations General Assembly commitments to End TB due to the COVID-19 pandemic. Intern. J. Infect. Dis., 2021. doi: 10.1016/j.ijid.2021.03.046. PMID: 33746094.

The authors declare that there are no conflicts of interest present.