jsmsJournal of Siberian Medical SciencesJournal of Siberian Medical Sciences2542-1174Federal state budgetary educational institution of higher education "Novosibirsk state medical university" of Ministry of Health of the Russian Federation (FSBEI HE NSMU MOH Russia)10.31549/2542-1174-2022-6-4-99-111jsms-869Research ArticleОРИГИНАЛЬНЫЕ ИССЛЕДОВАНИЯORIGINAL RESEARCHESСравнительная оценка логистической регрессии и дерева решений в прогнозировании рецидива у больных туберкулезом органов дыхания с множественной лекарственной устойчивостью возбудителяComparative evaluation of logistic regression and decision tree in predicting multidrug-resistant tuberculosis recurrencehttps://orcid.org/0000-0003-4975-9280АллилуевА. С.AlliluevA. S.

Александр Сергеевич Аллилуев, канд. мед. наук, заместитель главного врача по организационно-методической работе

634009

ул. Розы Люксембург, 17

Томск

Alexander S. Alliluyev, Cand. Sci. (Med.), Deputy Chief Physician for Organizational and Methodological Work

634009

17, Rozy Luxemburg str.

Tomsk

alliluev233@gmail.comhttps://orcid.org/0000-0002-5526-2513ФилинюкО. В.FilinyukO. V.

Ольга Владимировна Филинюк, д-р мед. наук, профессор, заведующий кафедрой

ФГБОУ ВО «Сибирский государственный медицинский университет»

кафедра фтизиатрии и пульмонологии

Томск

Olga V. Filinyuk, Dr. Sci. (Med.), Professor, Head

Department of Phthisiology and Pulmonology

Tomsk

https://orcid.org/0000-0002-1251-7133АксеновС. В.АksenovS. V.

Сергей Владимирович Аксенов, канд. техн. наук, доцент, доцент кафедры

ФГБОУ ВО «Сибирский государственный медицинский университет»

кафедра медицинской и биологической кибернетики

Инженерная школа информационных технологий и робототехники 

отделение информационных технологий

кафедра теоретических основ информатики

Томск

Sergey V. Aksenov, Cand. Sci. (Tech.), Associate Professor

Department of Medical and Biological Cybernetics

Department of Information Technology, Engineering School of Information Technology and Robotics

Department of Theoretical Foundations of Informatics

Tomsk

https://orcid.org/0000-0003-1097-3140ШнайдерЕ. Е.ShnayderE. E.

Екатерина Евгеньевна Шнайдер, врач-статистик

организационно-методический отдел

Томск

Ekaterina E. Schnaider, Medical Statistician

Organizational and Methodological Department

Tomsk

ФилинюкД. Е.FilinyukD. E.

Даниил Евгеньевич Филинюк, студент

Инженерная школа информационных технологий и робототехники

Томск

Daniil E. Filinyuk, Student

Engineering School of Information Technology and Robotics

Tomsk

https://orcid.org/0000-0002-7483-7693ЛогиноваЮ. А.LoginovaYu. A.

Юлия Александровна Логинова, ординатор

ФГБОУ ВО «Сибирский государственный медицинский университет»

кафедра фтизиатрии и пульмонологии

Томск

Yulia A. Loginova, Medical Resident

Department of Phthisiology and Pulmonology

Tomsk

ОГАУЗ «Томский фтизиопульмонологический медицинский центр»РоссияTomsk Tuberculosis Medical CenterRussian FederationМинздрав РоссииРоссияSiberian State Medical UniversityRussian FederationМинздрав России; ФГАОУ ВО «Национальный исследовательский Томский политехнический университет»РоссияSiberian State Medical University; Tomsk Polytechnic UniversityRussian FederationФГАОУ ВО «Национальный исследовательский Томский политехнический университет»РоссияTomsk Polytechnic UniversityRussian Federation2022211220220499111Copyright © Аллилуев А.С., Филинюк О.В., Аксенов С.В., Шнайдер Е.Е., Филинюк Д.Е., Логинова Ю.А., 20222022Аллилуев А.С., Филинюк О.В., Аксенов С.В., Шнайдер Е.Е., Филинюк Д.Е., Логинова Ю.А.Alliluev A.S., Filinyuk O.V., Аksenov S.V., Shnayder E.E., Filinyuk D.E., Loginova Y.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://jsms.elpub.ru/jour/article/view/869

   Введение. Частота рецидивов туберкулеза (ТБ) органов дыхания является одним из показателей, характеризующих эффективность проводимых противотуберкулезных мероприятий. Своевременное выявление больных с рецидивами является одним из приоритетных подходов в решении этой проблемы. В настоящее время с внедрением технологий обработки больших массивов данных, а именно искусственного интеллекта, применяют различные классификаторы, учитывающие совокупность выявляемых у пациентов признаков. Алгоритм «дерево решений» достаточно хорошо зарекомендовал себя в медицинской аналитике. С его помощью можно классифицировать состояние здоровья обследуемых и выявлять первые признаки рецидива туберкулезного процесса.   Цель исследования. Разработать и провести сравнительную оценку моделей прогнозирования рецидива у больных туберкулезом легких с множественной лекарственной устойчивостью возбудителя (МЛУ-ТБ) сприменением математических технологий – логистической регрессии и дерева решений.   Материалы и методы. В исследование включены клинико-эпидемиологические, возрастно-половые, социальные, медико-биологические данные 346 пациентов МЛУ-ТБ, которые эффективно завершили курс химиотерапии. Были сформированы две группы наблюдения в зависимости от наступления у пациентов рецидива заболевания в течение как минимум пятилетнего срока наблюдения – основная (35 чел., рецидив ТБ) и контрольная (311 чел., без рецидива) соответственно. Статистическая обработка данных для модели логистической регрессии проводилась в программе IBM SPSS Statistics 23.0; для классификатора на основе дерева решений – в библиотеке Scikit-learn 0.24.2 в интерактивной облачной среде с программным кодом Google Colaboratory с использованием К-блочной стратифицированной проверки. Количественная интерпретация результатов прогнозированияпроводилась по ROC-кривым с оценкой показателя AUC и статистических показателей диагностического теста – чувствительности и специфичности.   Результаты. Чувствительность и специфичность модели логистической регрессии и классификатора на основе дерева решений для прогнозирования рецидива туберкулеза составили 98.7 %, 88.6 % и 74.0 %, 97.0 % соответственно.   Заключение. Созданные модели могут стать инструментом прогнозирования рецидива у излеченных больных МЛУ-ТБ.

   Introduction. The rate of recurrence of respiratory tuberculosis is one of the indicators characterizing the effectiveness of anti-tuberculosis measures. Timely detection of patients with relapses is one of the priority approaches in solving the problem. Currently, with the introduction of big data processing technologies, namely artifi cial intelligence, various classifiers are used that take into account the totality of signs identifi ed in patients. The decision tree algorithm has proven itself widely in medical analytics. By analyzing these data, it is possible to classify the state of health and identify the first signs of tuberculosis recurrence.   Aim. To develop and evaluate models for predicting a recurrence in patients with pulmonary tuberculosis caused by multidrug-resistant pathogen (MDR-TB), using logistic regression and decision tree.   Materials and methods. The study included clinical and epidemiological, age, sex, social, medical and biological data of 346 patients with MDR-TB who successfully completed chemotherapy. Two observation groups were formed depending on the onset of recurrence of the disease in patients at least in the five-year follow-up period. The first group consisted of 35 patients with relapse, and the second one had 311 patients with no relapse. Statistical data processing for logistic regression was performed by IBM SPSS Statistics 23.0, the decision tree classifier was designed in the Scikit-learn 0.24.2 library in an interactive cloud environment with the Google Colaboratory code, using K-fold stratifi ed validation. The quantitative interpretation of the prediction results was carried out according to the ROC-curves (receiver operating characteristic) with the assessment of the AUC indicator (the area under the ROC-curve).   Results. The sensitivity and specifi city of the logistic regression model and the decision tree classifi er for predicting tuberculosis recurrence were 98.7 %, 88.6 % and 74.0 %, 97.0 %, respectively.   Conclusion. The created models can become a tool for predicting the recurrence of MDR-TB in cured patients.

туберкулезмножественная лекарственная устойчивостьисходрецидивмашинное обучениедерево решенийлогистическая регрессияtuberculosismultidrug resistanceoutcomerelapsemachine learningdecision treelogistic regressionАвторы заявляют об отсутствии финансирования при проведении исследованияThe authors declare that there is no funding for the studyReferencesGlobal tuberculosis report 2021. Geneva: World Health Organization, 2021. Licence: CC BY-NC-SA 3.0 IGO.Global tuberculosis report 2021. Geneva: World Health Organization, 2021. Licence: CC BY-NC-SA 3.0 IGO.Ресурсы и деятельность противотуберкулезных организаций Российской Федерации в 2019–2020 гг. (статистические материалы) / О. Б. Нечаева [и др.] – М.: РИО ЦНИИОИЗ, 2021. – 112 с.Nechaeva O. B., Son I. M., Gordina A. V. et al. (2021). Resources and Activities of Anti-tuberculosis Facilities of the Russian Federation in 2019–2020 (Statistical Materials). Moscow, 112 p. (In Russ.)Пьянзова Т. В. Клиническая характеристика рецидивов туберкулезного процесса в Кемеровской области / Т. В. Пьянзова [и др.] // Туберкулез и болезни легких. – 2013. – 9: 25-28.Pyanzova T. V., Luzina N. V., Kopylova I. F., Sarapchina S. V., Zimina V. N. Clinical characteristics of tuberculosis relapses in the Kemerovo region. Tuberculosis and Lung Diseases. 2013; 9: 25-28. (In Russ.)Рукосуева О. В. Особенности течения и диагностики рецидивов туберкулеза легких / О. В. Рукосуева [и др.] // Туберкулез и болезни легких. – 2011. – 7: 138-139.Rukosueva O. V., Vasilyeva I. A., Puzanov V. A. et al. Peculiarities of the course and diagnosis of pulmonary tuberculosis relapses. Tuberculosis and Lung Diseases. 2011; 7: 138-139. (In Russ.)Сагалбаева Т. Ж. Причины формирования и структура клинических форм туберкулеза ранних и поздних рецидивов заболевания / Т. Ж. Сагалбаева [и др.] // Туберкулез и болезни легких. – 2015. – 5: 163-164.Sagalbaeva T. Zh., Mordyk A. V., Kortusova L. N., Evdokimenko S. I. Formation reasons and structure of clinical forms at early and late relapses of the disease. Tuberculosis and Lung Diseases. 2015; 5: 163-164. (In Russ.)Шарашова Е. Е. Применение множественного логистического регрессионного анализа в здравоохранении с использованием пакета статистических программ SPSS Е. Е. Шарашова [и др.] // Наука и здравоохранение. – 2017. – 4: 5-26.Sharashova E. E., Kholmatova K. K., Gorbatova M. A., Grjibovski A. M. Мultivariable logistic regression using SPSS software in health research. Science and Health-care. 2017; 4: 5-26. (In Russ.)Наркевич А. Н. Интеллектуальные методы анализа данных в биомедицинских исследованиях: деревья классификации / А. Н. Наркевич, К. А. Виноградов, А. М. Гржибовский // Экология человека. – 2021. –3: 54-64.Narkevich A. N., Vinogradov K. A., Grjibovski А. М. Intelligent data analysis in biomedical research: classification trees. Human Ecology. 2021; 3: 54-64. (In Russ.)Mello F. C. d. Q., Bastos L. G. d. V., Soares S. L. M. et al. Predicting smear negative pulmonary tuberculosis with classifi cation trees and logistic regression: a cross-sectional study // BMC Public Health. 2006;6:43. DOI: 10.1186/1471-2458-6-43.Mello F. C. d. Q., Bastos L. G. d. V., Soares S. L. M. et al. Predicting smear negative pulmonary tuberculosis with classification trees and logistic regression: a cross-sectional study. BMC Public Health. 2006; 6: 43. DOI: 10.1186/1471-2458-6-43.Aguiar F. S., Almeida L. L., Ruffi no-Netto A. et al. Classification and regression tree (CART) model to predict pulmonary tuberculosis in hospitalized patients // BMC Pulm Med. 2012; 12: 40. DOI: 10.1186/1471-2466-12-40.Aguiar F. S., Almeida L. L., Ruffino-Netto A. et al. Classification and regression tree (CART) model to predict pulmonary tuberculosis in hospitalized patients. BMC Pulm Med. 2012; 12: 40. DOI: 10.1186/1471-2466-12-40.Kalhori S. R. N., Zeng X. J. Evaluation and comparison of diff erent machine learning methods to predict outcome of tuberculosis treatment course // J. Intell. Learn. Syst. Appl. 2013; 5: 10.Kalhori S. R. N., Zeng X. J. Evaluation and comparison of different machine learning methods to predict out-come of tuberculosis treatment course. J. Intell. Learn. Syst. Appl. 2013; 5: 10.Tan D., Wang B., Li X. et al. Identification of risk factors of multidrug-resistant tuberculosis by using classification tree method // Am. J. Trop. Med. Hyg. 2017; 97 (6): 1720-1725. DOI: 10.4269/ajtmh.17-0029.Tan D., Wang B., Li X. et al. Identification of risk factors of multidrug-resistant tuberculosis by using classification tree method. Am. J. Trop. Med. Hyg. 2017; 97 (6): 1720-1725. DOI: 10.4269/ajtmh.17-0029.Kulkarni V., Queiroz A. T. L., Sangle S. et al. A two-gene signature for tuberculosis diagnosis in persons with advanced HIV // Front. Immunol. 2021; 12: 631165. DOI: 10.3389/fimmu.2021.631165.Kulkarni V., Queiroz A. T. L., Sangle S. et al. A two-gene signature for tuberculosis diagnosis in persons with advanced HIV. Front. Immunol. 2021; 12: 631165. DOI: 10.3389/fimmu.2021.631165.

The authors declare that there are no conflicts of interest present.