Ключевые результаты
В проспективном когортном исследовании, включающем 304 пациента с хроническими нарушениями сознания (pDoC), исследователи разработали прогностическую модель на основе машинного обучения. Наилучшие результаты показала модель gradient boosting machine (GBM) с показателем AUC-ROC 0,954 (95% CI: 0,924–0,977) в тренировочной выборке и 0,922 (95% CI: 0,847–0,979) в тестовой выборке. Анализ SHAP выявил, что наиболее важными предикторами прогноза являются:
- Шкала CRS-R (Coma Recovery Scale-Revised)
- Возраст пациента
- Оценка по шкале FOUR (Full Outline of UnResponsiveness)
- Общая оценка по шкале GCS (Glasgow Coma Scale)
- Длительность госпитализации
Методология
Исследование проводилось в Первой аффилированной больнице Наньчанского университета с января 2021 по октябрь 2023 года. Были собраны комплексные клинические данные, включающие:
- Демографические показатели
- Этиологию заболевания
- Продолжительность заболевания
- Поведенческие оценки по шкалам GCS, FOUR и CRS-R
- Лабораторные показатели
Исход оценивался с использованием расширенной шкалы исходов Глазго (GOS-E) и был дихотомизирован на благоприятный (GOS-E 3-8) и неблагоприятный (GOS-E 1-2) исходы.
Для отбора признаков был использован алгоритм Boruta в комбинации с рекурсивным исключением признаков (RFE). Были разработаны прогностические модели с использованием логистической регрессии, метода опорных векторов (SVM), многослойного перцептрона (MLP), XGBoost и градиентного бустинга (GBM), реализованные в библиотеке scikit-learn. Производительность моделей оценивалась с помощью точности, AUC-ROC и анализа кривых принятия решений (DCA). Для интерпретации оптимальной модели применялся метод SHAP (SHapley Additive exPlanations).
Клиническое значение
Разработанная прогностическая модель представляет значительную ценность для клинической практики, обеспечивая объективный инструмент для:
- Более точной оценки прогноза у пациентов с хроническими нарушениями сознания
- Поддержки принятия клинических решений в отношении индивидуализированного лечения
- Планирования реабилитационных мероприятий с учетом предполагаемого исхода
- Коммуникации с семьями пациентов о потенциальных исходах заболевания
Анализ кривых принятия решений (DCA) показал, что модель GBM обеспечивает существенную чистую клиническую выгоду в большинстве пороговых вероятностей, что подтверждает её практическую ценность в реальных клинических условиях.
Выводы
Исследователи успешно разработали и валидировали надежную прогностическую модель для пациентов с хроническими нарушениями сознания, используя мультидименсиональные клинические данные и методы машинного обучения. Модель градиентного бустинга (GBM) продемонстрировала отличную дискриминационную способность и клиническую полезность.
Определение наиболее влиятельных предикторов (шкалы CRS-R, FOUR, GCS, возраст и длительность госпитализации) дает важную информацию о факторах, определяющих прогноз у пациентов с pDoC.
Для подтверждения обобщаемости модели и её дальнейшей оптимизации необходимы многоцентровые исследования. Данный подход может стать важным шагом в направлении персонализированной медицины для пациентов с хроническими нарушениями сознания.