СОЗДАНИЕ И ОЦЕНКА ЗНАЧИМОСТИ ПРОГНОСТИЧЕСКИХ МОДЕЛЕЙ ДЛЯ ОПРЕДЕЛЕНИЯ УРОВНЯ ФЕРРИТИНА СЫВОРОТКИ С ПОМОЩЬЮ МАШИННОГО ОБУЧЕНИЯ В РАЗНЫХ КЛИНИЧЕСКИХ ГРУППАХ

Аннотация

Изучение возможностей искусственного интеллекта (ИИ) является актуальной задачей с точки зрения разработки опти-
мальной скрининг стратегии, определения групп риска, использования менее дорогостоящих, более доступных лаборатор-
ных тестов для оценки статуса железа в организме.
Цель работы: изучить эффективность применения инструментов машинного обучения (МО) для оценки статуса железа
по прогнозируемому уровню ферритина сыворотки (ФС) на основе демографических данных (пол и возраст), клинического
анализа крови (КАК), содержания С-реактивного белка (СРБ) и известного уровня ФС. Для проведения МО с помощью ИИ
использован набор данных 52 158 пациентов. Полученные данные представлены в виде Первой модели регрессии для опре-
деления предполагаемой концентрации ФС и Второй модели классификации групп пациентов в зависимости от различного
статуса железа по уровню известного ФС: 0) <15,0; 1) 15,1-100,0; 2) 100,1-300,0; 3) >300,1 мкг/л. В результате Первая мо-
дель получила адекватную предсказательную способность (R2=0,717), при этом ее качество тем лучше, чем ниже значение
ФС (средняя абсолютная ошибка составила 2,4 мкг/л для класса пациентов с ФС <15,0 мкг/л) на тестовой выборке. Вторая
модель показала ещё более высокую диагностическую возможность с точностью для разных клинических групп (показатель
AUC-ROC: 0,914, 0,807, 0,812, 0,891 соответственно), что важно для определения тактики ведения пациентов. В результа-
те проведённого исследования можно сделать заключение, что расчёт содержания ФС с помощью разработанных в работе
моделей может использоваться в качестве точного и клинически значимого инструмента для оценки статуса железа в
реальной врачебной практике.

Annotation

Studying the capabilities of artificial intelligence (AI) is important to develop an optimal screening strategy, identify risk groups, and
create less expensive laboratory tests to assess the iron status. The aim of the study is to evaluate the effectiveness of using machine
learning (ML) tools to assess the iron status by the predicted serum ferritin (SF) level based on demographic data (gender and age),
complete blood count (CBC), C-reactive protein (CRP) content and the historic data on the SF level. To perform ML using AI, a
dataset of 52,158 patients was used. The obtained data were presented in the form of the First regression model to determine the prehttps
dicted SF concentration and the Second model for classifying patient groups depending on different iron status by the level of known
SF: 0) <15.0, 1) 15.1-100.0, 2) 100.1-300.0, 3) >300.1 μg/L. As a result, the First model demonstrated adequate predictive ability
(R2=0.717), and its quality is better, the lower the SF value (the average absolute error was 2.4 μg/L for the class of patients with SF
<15.0 μg/L) in the test sample. The Second model showed an even higher diagnostic ability with accuracy for different clinical groups
(AUC-ROC indicator: 0.914, 0.807, 0.812, 0.891, respectively), which is important for determining patient management tactics. As a
result of the study, it can be concluded that the determination of SF content using the models developed can be used as an accurate and
clinically significant tool for assessing iron status in clinical practice.
Key words: iron deficiency; iron-deficiency anemia; artificial intelligence; machine learning; iron level; ferritin

Об авторах

Список литературы

Л И Т Е РАТ У РА ( П П . 1 , 3 — 1 8 С М . R E F E R E NCE
S )
2. Полякова О.А., Клепикова М.В., Литвинова С.Н., Исаакян Ю.А.,
Остроумова О.Д. Проблема дефицита железа и железодефицитной
анемии в общемедицинской практике. Профилактическая меди-
цина. 2022; 25(12):127‑34.
R E F E R E NC E S
1. https://www.who.int/health-topics/anaemia.
2. Polyakova O.A., Klepikova M.V., Litvinova S.N., Isaakyan Yu.A.,
Ostroumova O.D. Iron deficiency anemia in general medical practice.
Profilakticheskaya meditsina. 2022; 25(12):127‑34. (in Russian)
3. Blank P., Tomonaga Y., D. Szucs T., Schwenkglenks M. Economic
burden of symptomatic iron deficiency – a survey among Swiss
women. BMC Womens Health. 2019. 19: 39.
4. Hoofnagle A.N. Harmonization of blood-based indicators of iron
status: making the hard work matter. Am. J. Clin. Nutr. 2017;
106:1615S-1619S.
5. Azarkhish I., Raoufy M.R., Gharibzadeh S. Artificial intelligence models
for predicting iron deficiency anemia and iron serum level based on
accessible laboratory data. J. Med. Syst. 2012; 36(3):2057-61.
6. Luo Y., Szolovits P., Dighe A.S., Baron J.M. Using machine learning
to predict laboratory test results. Am. J. Clin. Pathol. 2016;
145(6):778-88.
7. Pullakhandam S., McRoy S. Classification and explanation of iron
deficiency anemia from complete blood count data using machine
learning. BioMedInformatics. 2024; 4(1):661-72.
8. Kurstjens S., de Bel T., van der Horst A., Kusters R., Krabbe J.,
van Balveren J. Automated prediction of low ferritin concentrations
using a machine learning algorithm. Clin. Chem. Lab. Med. 2022;
60(12):1921-8. 9. McDermott M., Dighe A.S., Szolovits P., Luo Y., Baron J.M. Using
machine learning to develop smart reflex testing protocols. J. Am.
Med. Inform. Assoc. 2023; 31(2):416-25.
10. WHO guideline on use of ferritin concentrations to assess iron status
in individuals and populations. Geneva: World Health Organization;
2020.
11. Schop A., Stouten K., van Houten R., Riedl J., van Rosmalen J., Bindels
P.J. et al. Diagnostics in anaemia of chronic disease in general
practice: a real-world retrospective cohort study. BJGP Open. 2018;
2 (3):bjgpopen18X101597.
12. Weiss G., Goodnough L. Anemia of chronic disease. New England
Journal of Medicine. 2005; 352(10):1011-23.
13. Vakhrushev A., Ryzhkov A., Savchenko M., Simakov D., Damdinov
R., Tuzhilin A. Lightautoml: Automl solution for a large financial
services ecosystem. arXiv preprint arXiv. 2021; 2109.01528.
14. Nick T.G., Campbell K.M. Logistic regression. Methods Mol. Biol.
2007; 404:273-301.
15. Ke G., Meng Q., Finley T., Wang T., Chen W., Ma W. et al. Lightgbm:
A highly efficient gradient boosting decision tree. Advances in
neural information processing systems. 2017; 30: 3149-57.
16. Moritz P., Nishihara R., Jordan M. A linearly-convergent stochastic LBFGS
algorithm. Artificial Intelligence and Statistics. 2016; 249-58.
17. Fushiki T. Estimation of prediction error by using K-fold cross-validation.
Statistics and Computing. 2011; 21:137-46.
18. Diener M.J. Cohen’s d. The Corsini encyclopedia of psychology.
2010; 1-1.
19. Yang Z., Xu Q., Bao S., Cao X., Huang Q. Learning with multiclass
AUC: Theory and algorithms. IEEE Transactions on Pattern Analysis
and Machine Intelligence. 2021; 44 (11): 7747-63.
20. Swets J. A., Dawes R. M., Monahan J. Better decisions through science.
Scientific American. 2000; 283(4):82-7.

Ключевые слова