Использование машинного обучения для оценки прогностической полезности радиомиктических признаков в

Sep 03, 2023

Научные отчеты, том 13, Номер статьи: 7318 (2023) Цитировать эту статью

350 доступов

2 Альтметрика

Подробности о метриках

Поскольку портативные рентгеновские снимки грудной клетки являются эффективным средством выявления неотложных случаев, их использование подняло вопрос о том, имеет ли визуализация дополнительную прогностическую ценность для выживаемости пациентов с COVID-19. В этом исследовании оценивалась важность известных факторов риска внутрибольничной смертности и исследовалась прогностическая ценность особенностей радиомической текстуры с использованием различных подходов машинного обучения. Мы обнаружили постепенное улучшение прогноза выживаемости, используя особенности текстуры, полученные на основе неотложных рентгенограмм грудной клетки, особенно среди пожилых пациентов или пациентов с более высоким бременем сопутствующих заболеваний. Важные характеристики включали возраст, насыщение кислородом, артериальное давление и некоторые сопутствующие заболевания, а также особенности изображения, связанные с интенсивностью и изменчивостью распределения пикселей. Таким образом, широко доступные рентгенограммы грудной клетки в сочетании с клинической информацией могут предсказать результаты выживаемости пациентов с COVID-19, особенно пожилых и тяжелых пациентов, и могут помочь в лечении заболевания, предоставляя дополнительную информацию.

COVID-19 стал причиной более восьмидесяти пяти миллионов случаев заболевания и более миллиона смертей в Соединенных Штатах1. Учитывая постоянные опасения по поводу будущих рецидивов2,3, а также в целях улучшения лечения и ведения инфицированных пациентов, принципиальные методы стратификации риска и прогнозирования выживаемости имеют решающее значение4,5. В ранних отчетах излагались диагностические рекомендации по оценке рентгенологических отклонений грудной клетки в отделениях неотложной помощи, включая очаговые или диффузные ретикулонодулярные помутнения по типу «матового стекла» (GGO) и консолидацию с преобладанием базальных, периферических и двусторонних органов6,7. Недавние исследования пропагандировали использование рентгенографии грудной клетки при классификации пациентов с COVID-1989 с помощью таких систем оценки, как специфичная для COVID шкала Brixia, которая оценивает поражение легких по шкале от 0 до 18 или процент поражения легких10, 11,12. Хотя автоматизированные подходы к классификации заболеваний достигли высокой (> 90%) диагностической точности13, существует недостаток исследований с использованием радиомических признаков для прогнозирования клинических исходов у пациентов, госпитализированных с COVID-19, из-за их многомерной и гетерогенной природы, а также как недоступность данных14. Дополнительная полезность таких функций для прогнозирования внутрибольничной смертности, помимо клинических факторов риска, в значительной степени неизвестна14.

Система здравоохранения Мичиганского университета (или Мичиганская медицина), являясь одним из основных региональных центров, осуществляющих уход за пациентами с COVID-19 во время пандемии, собрала множество данных рентгеновских изображений в дополнение к демографическим и клиническим данным. , через электронную медицинскую карту (ЭМК)15,16. Портативный рентген грудной клетки, благодаря его доступности и простоте использования, регулярно использовался для наблюдения за пациентами, нуждающимися в неотложной помощи в Мичиганской медицине, даже до пандемии17. Однако анализ рентгенограмм грудной клетки осложняется структурой данных, особенно в условиях COVID-1918. Используя методы машинного обучения, мы предложили рабочий процесс для извлечения и выбора признаков из рентгеновских изображений, связанных с COVID. Используя напрямую информацию о выживании, наша система разлагает необработанные изображения на текстурные элементы и определяет те функции, которые больше всего связаны со смертностью от COVID-19. Мы использовали несколько методов машинного обучения для оценки предсказуемости демографических и клинических факторов, а также особенностей радиомической текстуры внутрибольничной смертности, основной конечной точки для пациентов, госпитализированных с COVID-1919. Анализ подгрупп показал, что рентгенограммы грудной клетки имеют большую прогностическую ценность для уязвимых (например, пожилых или больных) пациентов.

Из 3313 госпитализированных пациентов с рентгенографией мы проанализировали в общей сложности 3310 пациентов с передне-задними или задне-передними изображениями, которые обеспечили четкое изображение легких; из исследования были исключены только три пациента, у которых рентгенограмма давала неясные изображения и не подлежала анализу. За время наблюдения мы наблюдали 590 (17,8%) внутрибольничных смертей и 20 (0,6%) выписок в хоспис. Средний возраст составил 61 год (межквартильный диапазон: 46–73) года, и большинство пациентов были мужчинами (56%), при этом чернокожие пациенты были чрезмернее (21%) по сравнению с окружающим населением. Средняя частота дыхания составила 18,8 (17,5–21,7) вдохов в минуту, а медиана насыщения кислородом — 95,5% (94,0–97,2%). При поступлении была высокая доля пациентов с нарушениями сердечного ритма (70%), артериальной гипертензией (70%) и нарушениями водно-электролитного баланса (70%) (Приложение Е). В окончательную модель были включены семь радиомических признаков и семь клинических признаков.