Введение
В соответствии с анализом данных за 1995—2016 гг., годовой рост мировых расходов на здравоохранение составляет примерно 4%, что обусловлено, в первую очередь, удорожанием различных технологических процессов [1]. В то же время, на фоне повышения стоимости новых методов профилактики, диагностики и лечения различных заболеваний, спрос на данные методы растет ввиду их большей эффективности по сравнению с уже доступными подходами. При этом, по прогнозу Минфина России, государственные расходы на здравоохранение в 2022 г. по сравнению с 2021 г. сократятся на 1% в постоянных ценах (с поправкой на инфляцию) [2]. В связи с указанными факторами актуален поиск решений, позволяющих более эффективно использовать существующую инструментально-реагентную базу клинико-диагностических лабораторий для повышения качества оказания медицинской помощи.
Одним из потенциальных ответов на данный вопрос, приобретающим все большую роль в современной лабораторной диагностике, является использование искусственного интеллекта, машинного обучения и анализа больших данных (big data). Так, например, в исследовании Rachael C. Aikens B.A. et al. методы машинного обучения были использованы для анализа базы данных лиц, госпитализированных в Медицинский центр Стэнфордского университета за период 2008-2014гг. Анализ включал основные клинические данные пациентов, а также результаты 13 типов лабораторных исследований. Авторы установили, что большинство результатов повторных лабораторных исследований (проведенных в течение 14 дней после предыдущего назначения) значимо не отличались (± 10% или ± 0,1 SD) от ранее полученных результатов, что позволило выделить группу тестов, периодичность выполнения которых может быть сокращена [3].
Другой ассоциированной задачей, решение которой может быть достигнуто разработкой и валидацией математических моделей, является задача предсказания результатов одних лабораторных исследований по уже имеющимся результатам других лабораторных тестов. Указанный подход актуален в ситуациях, когда выполнение отдельных лабораторных тестов ограничено финансированием, инструментально-реагентной базой или другими причинами. В исследовании Luo Y. et al. авторами были использованы методы машинного обучения для разработки алгоритма, позволяющего с высокой достоверностью выявить пациентов, концентрация ферритина у которых находится вне референтного интервала (AUC = 0,97). Использование представленного алгоритма требует минимального перечня клинических данных о пациенте, а также результаты ≥ 2 лабораторных тестов (общий анализ крови, АЛТ, АСТ, кальций, хлор, креатинин и др.) [4].
При этом, несмотря на описанные успехи применения методов математического моделирования и машинного обучения, объем информации о практике использования указанных подходов для повышения качества оценки состояния системы свертывания крови весьма ограничен.
Известно, что использование результатов измерения уровня D-димера, являющегося долгоживущим и «инертным», но наиболее распространенным в практике маркером активации свертывания и фибринолиза, обладает своими ограничениями, в том числе при беременности. Положения актуальных клинических рекомендаций по профилактике и лечению венозных тромбоэмболических осложнений (ВТЭО) при беременности указывают также на недостаточную клиническую значимость результатов измерения D-димера для назначения и коррекции антикоагулянтной терапии [5].
В то же время, существуют другие фибрин-ассоциированные маркеры, обладающие потенциалом использования в прогнозировании и диагностике тромбоэмболических осложнений при беременности. Одним из современных лабораторных маркеров внутрисосудистой активации свертывания является фибрин-мономер (ФМ), концентрация которого количественно и точно измеряется иммунологическими методами (преимущественно, иммунотурбидиметрия с латексным усилением), не претерпевает значимых изменений на фоне неосложненной беременности, отражает состояние активации системы свертывания в момент взятия крови для исследования и увеличивается в разной прогрессии на фоне тромботических и/или акушерских осложнений беременности [6, 7]. При этом, несмотря на доступность измерения концентрации ФМ в лаборатории, отсутствие селективного подхода к его назначению обуславливает повышение расходов на данный блок исследований. Актуальным остается вопрос разработки модели, позволяющей выделить группы беременных женщин, прямое измерение ФМ для которых будет нести наибольшую значимость в оценке состояния гемостатической функции для принятия правильного клинического решения.
Цель исследования — разработать прогностическую модель превышения концентрацией фибрин-мономера верхнего предела референтного интервала у беременных женщин на основании результатов скрининговых клоттинговых исследований гемостаза, концентрации D-димера и срока гестации с использованием машинного обучения.
Материал и методы
Дизайн исследования: ретроспективное обсервационное исследование было выполнено на базе ФГБУ НМИЦ им. В.А. Алмазова Минздрава России (Санкт-Петербург) и ГБУЗ Центр СПИД (Петропавловск-Камчатский) в рамках договора о научном сотрудничестве.
Для достижения поставленной цели нами был проведен анализ обезличенной базы данных лабораторных исследований беременных женщин, обследованных в ГБУЗ Центр СПИД (Петропавловск-Камчатский) в период с января 2019 по декабрь 2021 г. Критериями включения в исследование являлись: настоящая беременность, доступность информации о результатах скрининговых клоттинговых исследований гемостаза, концентраций D-димера и фибрин-мономера, полученных в пределах 24 часов друг от друга, а также информация о коде состояния по МКБ X и сроке гестации. В исследование были включены 897 беременных женщин и сформированы две группы: 1-я группа (n=512) для разработки прогностической модели (обучающая выборка); 2-я группа (n=385) для валидации прогностической модели (тестовая выборка). Выборки были независимыми.
Медиана срока гестации в 1-й группе составила 20 [11,5—30,0] недель с распределением количества беременных по триместрам — 31,5, 35,5 и 33,0% соответственно. Во 2-й группе медиана срока гестации составила 18 [14,0—28,0] недель с распределением количества беременных по триместрам — 24,4, 45,5 и 30,1% соответственно.
Критерии невключения беременных женщин в исследование не были определены так как научный поиск был направлен на разработку и валидацию прогностической модели для всех беременных женщин вне зависимости от наличия у них коморбидной патологии и использования лекарственных препаратов.
Для всех включенных в исследование женщин были получены результаты скрининговых клоттинговых тестов (протромбиновое время — ПВ по Quick, активированное частичное тромбопластиновое время — АЧТВ, концентрация фибриногена, тромбиновое время — ТВ), концентраций D-димера и ФМ. Все лабораторные исследования выполнялись на автоматическом анализаторе STA Compact Max (Diagnostica Stago S.A.S., Франция) с использованием соответствующих реагентов, калибровочных и контрольных материалов.
Проверку вариационных рядов на нормальность и определение значимости различий выполняли с помощью критерия Колмогорова-Смирнова (p). Для описания количественных данных использовали значения медианы и интерквартильного размаха (Me [Q1—Q3]). Критической величиной уровня значимости считали p<0,05. Верхний предел референтного интервала концентрации ФМ для беременных женщин использовался в соответствии со значением 97,5 перцентиля (10,8 мкг/мл), определенного в публикации A.H. Kristoffersen и соавт. [6].
Общий вид прогностической модели был получен методом символьной регрессии: с помощью генетического программирования из элементарных функций составляются формулы, наилучшим образом описывающие имеющиеся данные, после чего для выбора наиболее подходящей модели анализируется кривая Парето, соответствующая компромиссу между простотой и точностью моделей [8]. После нахождения общего вида модели ее параметры были оптимизированы методом роя частиц [9]. При этом, в качестве целевой функции использовалась взвешенная точность (WA), являющаяся средним взвешенным значений чувствительности (true positive rate, TPR) и специфичности (true negative rate, TNR):
WA(w)= wTPR + (1 – w)TNR,0 Здесь w — заранее выбранный фиксированный вес. Вес w сообщает оптимизатору в какой степени он должен обращать внимание на чувствительность, а в какой — на специфичность. При этом, параметры модели, максимизирующие взвешенную точность (при любом фиксированном w), всегда будут давать оптимальный баланс значений чувствительности и специфичности. Такой подход к оптимизации обеспечивает лучшие результаты по сравнению с теми, которые достигаются вычислением только одного набора параметров, максимизирующих показатель AUC (area under curve, площадь под кривой). Процессы оптимизации параметров модели и кросс-валидации выполнялись в программной среде R. Все использованные программные команды опубликованы на ресурсе GitHub [10]. Информация о результатах проведенных лабораторных исследований представлена в табл. 1. Таблица 1. Результаты лабораторных исследований в 1-й и 2-й группах 1-я группа (n=512) 2-я группа (n=385) ПВ (% по Quick) 102 [97—109] 103 [95—109] АЧТВ (с) 30,5 [29,1—32,3] 30,3 [28,9—31,8] Концентрация фибриногена (г/л) 4,61 [4,03—5,28] 4,24 [3,75—4,99]* ТВ (с) 14,6 [14,2—15,1] 14,4 [14,0—14,9]* D-димер (мкг/мл) 1,13 [0,64—1,88] 0,82 [0,48—1,44]* Фибрин-мономер (мкг/мл) 5,00 [5,00—6,93] 5,30 [5,00—6,70]* Примечание. * — статистически значимые различия с 1-й группой, p<0,001. С использованием метода символьной регрессии было выявлено, что, из включенных в анализ параметров (ПВ, АЧТВ, концентрация фибриногена, D-димера, ФМ и срок гестации), наибольшей прогностической способностью обладают log(ТВ), log(D-димер) и log(концентрация фибриногена/неделя гестации). А именно, были выбраны следующие две прогностические модели в отношении повышения концентрации ФМ >10,8 мкг/мл: Оптимизация моделей (максимизация WA) выполнялась путем подбора коэффициентов а и b методом роя частиц: при w = 0,176 и w = 0,5 для модели 1, и при w = 0,176 и w = 0,65 для модели 2. Выбор значений w был обусловлен возможностью использования моделей с полученными коэффициентами а и b для оптимального разделения данных 1-й группы на три зоны — зона высокой вероятности выявления концентрации ФМ >10,8 мкг/мл, зона низкой вероятности выявления концентрации ФМ >10,8 мкг/мл и «серая зона» (зона неопределенности), а также тем, что чувствительность и специфичность линейных классификаторов, полученных при таких значениях w, оказались устойчивы к процедуре кросс-валидации. При анализе рис. 1 можно отметить, что автоматически рассчитанные границы зон проходят именно там, где их интуитивно хотелось бы провести. В табл. 2 представлены результаты дальнейшей leave-one-out кросс-валидации (LOOCV) выбранных линейных моделей — реальные значения чувствительности (true positive rate, TPR) и специфичности (true negative rate, TNR). Рис. 1. Визуализация применения полученных на основе моделей 1 и 2 линейных классификаторов для разделения беременных в 1-й группе. Таблица 2. Коэффициенты a и b, полученные путем оптимизации WA на обучающей выборке (1-я группа), и результаты кросс-валидации данной оптимизации w Значение a Значение b TPR (95% ДИ) TNR (95% ДИ) Модель 1 0,176 –16,848 42,523 22,2% (14,1—32,2%) 98,1% (96,3—99,2%) 0,5 –6,202 14,987 68,9% (58,3—78,2%) 75,1% (70,7—79,2%) Модель 2 0,176 0,334 2,324 40,0% (29,8—50,9%) 96,7% (94,5—98,2%) 0,65 0,125 2,661 85,6% (76,6—92,1%) 63,5% (58,7—68,1%) Примечание. TPR — true positive rate (истинно положительная пропорция, чувствительность); TNR — true negative rate (истинно отрицательная пропорция, специфичность). Модели с коэффициентами а и b, полученными при w = 0,176, позволили выделить зоны высокой вероятности выявления концентрации ФМ >10,8 мкг/мл в которые попадут: для модели 1 — 22,2% (95% ДИ 14,1—32,2%) всех случаев повышенной концентрации ФМ и только 1,9% (95% ДИ 0,8—3,7%) всех случаев нормальной концентрации ФМ, а для модели 2 — 40,0% (95% ДИ 29,8—50,9%) случаев повышенной концентрации ФМ и только 3,3% (95% ДИ 1,8—5,5%) случаев нормальной концентрации ФМ. Использование коэффициентов а и b для w = 0,5 (модель 1) и w = 0,65 (модель 2) позволило определить зоны низкой вероятности выявления концентрации ФМ >10,8 мкг/мл в которые попадут: для модели 1 — 75,1% (95% ДИ 70,7—79,2%) всех случаев нормальной концентрации ФМ и 31,1% (95% ДИ 21,8—41,7%) всех случаев повышенной концентрации ФМ, а для модели 2 — 63,5% (95% ДИ 58,7—68,1%) случаев нормальной концентрации ФМ и 14,4% (95% ДИ 7,9—23,4%) случаев повышенной концентрации ФМ. Результаты проведении валидации на независимой тестовой выборке (2-я группа) моделей с коэффициентами а и b, полученными при соответствующих значениях w, представлены на рис. 2 и в табл. 3. Рис. 2. Визуализация применения линейных классификаторов, полученных на обучающей выборке (1-я группа), для разделения беременных во 2-й группе. Таблица 3. Результаты валидации моделей для соответствующих значений w на тестовой выборке (2-я группа) w TPR (95% ДИ) TNR (95% ДИ) Модель 1 0,176 29,3% (16,1—45,5%) 90,1% (86,5—93,1%) 0,5 85,4% (70,8—94,4%) 63,1% (57,7—68,2%) Модель 2 0,176 36,6% (22,1—53,1%) 96,8% (94,4—98,4%) 0,65 95,1% (83,5—99,4%) 66,9% (61,6—71,8%) Примечание. TPR — true positive rate (истинно положительная пропорция, чувствительность); TNR — true negative rate (истинно отрицательная пропорция, специфичность) Применение к тестовой выборке моделей с коэффициентами а и b, полученными при w = 0,176, позволило выделить: для модели 1 — 29,3% (95% ДИ 16,1—45,5%) всех случаев повышенной концентрации ФМ при попадании 9,9% (95% ДИ 6,9—13,5%) случаев нормальной концентрации ФМ в зону высокой вероятности повышенного ФМ, а для модели 2 — 36,6% (95% ДИ 22,1—53,1%) случаев повышенной концентрации ФМ при попадании лишь 3,2% (95% ДИ 1,6—5,6%) случаев нормальной концентрации ФМ в зону высокой вероятности повышенного ФМ. Использование для анализа тестовой выборки моделей с коэффициентами а и b, полученными при w = 0,5 (модель 1) и w = 0,65 (модель 2), позволило выделить: для модели 1 — 63,1% (95% ДИ 57,7—68,2%) всех случаев нормальной концентрации ФМ при попадании 14,6% (95% ДИ 5,6—29,2%) случаев повышенной концентрации ФМ в зону низкой вероятности повышенного ФМ, а для модели 2 — 66,9% (95% ДИ 61,6—71,8%) всех случаев нормальной концентрации ФМ при попадании лишь 4,9% (95% ДИ 0,6—16,5%) случаев повышенной концентрации ФМ в зону низкой вероятности повышенного ФМ. В процессе валидации модели 1 на независимой тестовой выборке (2-я группа) был отмечен существенно возросший процент ложноположительных результатов по сравнению с таковым, полученным при кросс-валидации (1,9 и 9,9% соответственно). Напротив, в процессе валидации модели 2 на независимой тестовой выборке были получены аналогичные или лучшие результаты по сравнению с результатами, полученными при кросс-валидации. Представленные данные свидетельствуют о большей целесообразности использования модели 2 по сравнению с моделью 1. С учетом полученных результатов при использовании прогностической модели 2 нами был предложен алгоритм действий, который может быть использован при подозрении на повышение ФМ в соответствующей клинической ситуации, ассоциированной с высокой активностью гемостатической функции, а также риском развития ВТЭО и осложнений беременности (рис. 3). Рис. 3. Предлагаемый алгоритм использования прогностической модели 2. Проверка на тестовой выборке (2-я группа) показывает, что указанный алгоритм относит 33,0% (95% ДИ 28,3—37,9%) всех случаев к неопределенным. Среди оставшихся случаев чувствительность алгоритма составляет 88,2% (95% ДИ 63,6—98,5%), а специфичность — 95,4% (95% ДИ 92,0—97,7%). Для разработки прогностических моделей в настоящем исследовании нами был использован метод символьной регрессии, преимуществом которого перед традиционными методами регрессии является отсутствие детерминизма в определении вектора и конкретных точек поиска решения поставленной задачи. Метод символьной регрессии самостоятельно анализирует все имеющиеся данные и формирует модель для дальнейшей оптимизации [9, 11]. В качестве зоны поиска для разработки прогностической модели были использованы результаты скрининговых клоттинговых исследований, концентрация D-димера, измерение которой доступно в большинстве лабораторий, и срок гестации. Следует отметить, что одним из преимуществ нашего исследования является наличие статистически значимых отличий результатов ТВ, концентраций фибриногена, D-димера и ФМ между обучающей (1-я группа) и тестовой (2-я группа) выборками, дополнительно подкрепляющих надежность проведенной валидации моделей. Интересен факт того, что из всех скрининговых клоттинговых тестов, наибольшей изолированной и комбинированной (в составе модели) значимостью обладали именно результаты тромбинового времени (p<0,05). При этом, выявленная значимость результатов ТВ отдельно обращает на себя внимание на фоне снижения интереса к рутинному назначению данного теста ввиду его ограниченной диагностической ценности по сравнению с измерением ПВ, АЧТВ и концентрации фибриногена в широкой клинической практике. В то же время, включение значений ПВ, АЧТВ и концентрации фибриногена в модель 2 не привносило существенного вклада в улучшение ее аналитических характеристик. Указанный феномен достаточно сложно объяснить в связи с тем, что использованный для разработки моделей метод не подразумевает наличие линейных зависимостей одних параметров от других. Однако, следует отметить, что в настоящее время проводятся исследования по использованию модификаций теста ТВ для выявления различных нарушений процессов свертывания. Так в исследовании H. Wada и соавт. использовалась низкая активность тромбина (0,01 МЕ/мл) для активации свертывания в тесте ТВ с последующей оценкой полученных коагуляционных кривых. Авторами были отмечены схожесть указанной методики с методикой теста генерации тромбина, а также возможность ее использования для выявления пациентов с дефицитом факторов свертывания, тромбоцитопенией и тромбоцитопатией [12]. Получение при кросс-валидации и валидации на тестовой выборке улучшенных аналитических характеристик для модели 2 по сравнению с моделью 1 связано с перечнем включенных в указанные модели параметров и особенностями изменения системы гемостаза при беременности. Известно, что при увеличении срока гестации концентрации фибриногена и D-димера нарастают и существенно превышают верхние границы референтных интервалов для общей популяции, т.е. следуют единому вектору [13]. Однако в публикациях, описывающих изменения концентрации ФМ при беременности, не представлено информации о наличии значимой корреляции концентрации ФМ с концентрацией фибриногена и сроком гестации, в то время как значимая корреляционная связь умеренной силы обнаруживается в отношении концентрации D-димера [14—17]. Учитывая приведенные данные, можно заключить, что, хотя показатели срока гестации и концентрации фибриногена могут обладать прогностической способностью в отношении повышения концентрации ФМ, их значимость существенно уступает таковой, определенной для концентрации D-димера. Этот факт логически объясняется тесной связью концентраций D-димера и ФМ, представляющих собой звенья одной цепи процессов образования фибрина [18]. Таким образом, несмотря на крайне ограниченную клиническую значимость изолированного измерения ТВ и концентрации D-димера при беременности, использование данных тестов в составе моделей и алгоритмов предоставляет дополнительную информацию, а также обеспечивает целесообразность рассмотрения вопроса включения их в перечень лабораторных исследований, выполняемых при беременности. В нашем исследовании была разработана и валидирована прогностическая модель превышения концентрацией ФМ верхнего предела референтного интервала на основании результатов измерения ТВ и концентрации D-димера при беременности. В условиях ограниченной доступности рутинного измерения концентрации ФМ иммунологическим методом в лабораторной практике и с учетом его патофизиологической значимости, разработанная модель может быть полезна для клинического заключения об активации системы гемостаза в текущий момент времени и проявления соответствующей настороженности в отношении развития осложнений. Использование модели и представленного алгоритма может быть существенно упрощено при их интеграции в лабораторную информационную систему для автоматизированного расчета. Следует отметить, что применявшийся для разработки данной модели метод открывает перспективы создания подобных моделей и в других областях лабораторной диагностики, что позволит реализовать автоматизированный и персонализированный подход к назначению исследований. Принятие клинических решений подкрепляется результатами лабораторных исследований, перечень которых зависит от поставленной задачи. Однако, при интерпретации результатов указанных исследований не всегда учитывается факт наличия значимых взаимосвязей между измеряемыми показателями. Современные методы математического анализа позволяют выявить данные взаимосвязи и обеспечить принципиально новый подход к управлению назначениями лабораторных исследований и выбору оптимального их перечня. Измерение тромбинового времени и концентрации D-димера со включением полученных результатов в разработанный алгоритм на основании валидированной модели может быть полезно для выявления активации свертывания крови при беременности и доказательной селективности при стратификации беременных женщин для дальнейшего прямого измерения концентрации фибрин-мономера. Авторы заявляют об отсутствии конфликта интересов. Финансирование. Статья подготовлена в рамках государственного задания ФГБУ НМИЦ им. В.А. Алмазова Минздрава России № 056-00109-21-02 (на 2021 год и на плановый период 2022 и 2023 годов), научная тема зарегистрирована в ЕГИСУ № 121031100305-9. Договор о научном сотрудничестве ФГБУ НМИЦ им. В.А. Алмазова Минздрава России с ГБУЗ «Камчатский краевой центр по профилактике и борьбе со СПИД и инфекционными заболеваниями». Расчет параметров модели выполнен при поддержке гранта Правительства Российской Федерации для государственной поддержки научных исследований, выполненных под руководством ведущих учёных, соглашение 075-15-2021-602. Авторы подтверждают, что статья или ее части ранее не были опубликованы. Результаты
Обсуждение
Заключение