Машинное обучение в прогнозировании рецидивов у больных туберкулезом с множественной лекарственной устойчивостью

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

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. 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.

1. Ghiasi 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. Rajkomar A., Dean J., Kohane I. Machine learning in medicine // N. Engl. J. Med. – 2019. – Vol. 380, № 14. – Р. 1347-1358.

10. 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.

11. World Health Organization. Tuberculosis surveillance and monitoring in Europe 2019: 2017 data. – 2019.

12. 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.

13. 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.

14. 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.

15. 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.