Ключевые результаты
Исследователи разработали модель машинного обучения, способную прогнозировать риск развития постгерпетической невралгии (ПГН) после опоясывающего герпеса с высокой точностью. Модель XGBoost продемонстрировала наилучшие показатели среди 10 протестированных алгоритмов с площадью под кривой операционной характеристики приемника (AUC) 0,826 (95% ДИ: 0,786–0,866) в обучающей когорте и 0,840 (95% ДИ: 0,784–0,896) в валидационной когорте.
Исследование выявило пять ключевых факторов риска развития ПГН:
- Возраст пациента (наиболее значимый предиктор)
- Сроки начала противовирусной терапии
- Интенсивность острой боли
- Боль в продромальной фазе
- Наличие сахарного диабета
Методология
Исследователи провели ретроспективный анализ двух проспективных когорт пациентов:
- Обучающая когорта: 627 пациентов из Аффилированного госпиталя Университета Путянь, из которых у 119 (19,0%) развилась ПГН
- Валидационная когорта: 219 пациентов из Чжанчжоуской аффилированной больницы Медицинского университета Фуцзянь, среди которых ПГН развилась у 50 человек (22,8%)
Для отбора признаков использовались регрессия LASSO (Least Absolute Shrinkage and Selection Operator) и алгоритм Boruta. Было построено 10 моделей машинного обучения, которые оценивались по нескольким метрикам, включая AUC, точность, чувствительность, F1-оценку, калибровку и клиническую полезность.
Для интерпретации оптимальной модели применялся метод SHAP (SHapley Additive exPlanations).
Клиническое значение
Разработанная модель XGBoost имеет высокую практическую ценность для клиницистов, поскольку позволяет:
- Проводить раннюю стратификацию риска развития ПГН у пациентов с опоясывающим герпесом
- Персонализировать лечебный подход, уделяя особое внимание пациентам с высоким риском развития ПГН
- Своевременно инициировать превентивные меры для предотвращения хронизации боли
Особенно важно, что модель использует всего пять клинически доступных факторов, что делает её применение реалистичным в рутинной практике. SHAP-анализ подтвердил, что возраст является наиболее значимым предиктором развития ПГН, что согласуется с предыдущими исследованиями.
Раннее начало противовирусной терапии оказалось вторым по значимости фактором, что подчеркивает важность своевременного лечения опоясывающего герпеса для профилактики ПГН.
Выводы
Исследование успешно разработало и валидировало модель машинного обучения XGBoost для прогнозирования риска постгерпетической невралгии на основе пяти доступных клинических факторов. Данный инструмент может существенно улучшить раннее выявление пациентов с высоким риском развития ПГН.
Выявленные предикторы согласуются с существующими представлениями о патофизиологии ПГН и подчеркивают важность как немодифицируемых факторов (возраст, диабет), так и модифицируемых (сроки противовирусной терапии).
Дальнейшие исследования могут быть направлены на:
- Проспективную валидацию модели в различных популяциях
- Интеграцию предиктивной модели в клинические руководства
- Разработку персонализированных превентивных стратегий для пациентов с высоким риском развития ПГН