Недавнее исследование, проведенное с применением машинного обучения, сосредоточилось на влиянии предшествующей периферической артериальной болезни (ПАБ) на неблагоприятные исходы у пациентов с COVID-19. В рамках анализа были изучены данные 2354 пациентов, диагностированных с COVID-19 в период с 1 января 2020 года по 7 июля 2021 года, из которых половина имела ПАБ.
Основные результаты исследования включали уровень смертности, необходимость в вентиляции и госпитализации. Вторичные исходы охватывали инсульты, аритмии, инфаркты миокарда и другие сердечно-сосудистые события. Для анализа использовались как многовариантная логистическая регрессия, так и модели машинного обучения, в частности XGBoost, для сравнения их предсказательной способности.
Результаты показали, что пациенты с ПАБ имели значительно более высокий риск госпитализации (OR 1.2170, p = 0.0448) и сердечно-сосудистых событий, таких как инсульт (OR 1.5250, p = 0.0067) и аритмия (OR 1.5650, p = 0.0494), по сравнению с пациентами без ПАБ. Кроме того, диабет II типа и неевропейская раса также оказались значительными независимыми факторами риска госпитализации.
Оба метода анализа, многовариантная логистическая регрессия и XGBoost, продемонстрировали сопоставимую предсказательную эффективность, с AUROC значениями 0.6651 для XGBoost и 0.6526 для MLR в предсказании госпитализации. Анализ значений Шапли выявил ПАБ и историю курения как одни из наиболее важных предикторов госпитализации.
Эти результаты подчеркивают необходимость раннего вмешательства и стратификации рисков у пациентов с ПАБ для снижения негативных последствий COVID-19. Исследование также демонстрирует полезность моделей машинного обучения в выявлении ключевых факторов риска, что может помочь в более точном принятии клинических решений.