Comparative analysis of predictive models for clinical decision making support

Abstract

В работе проводится сравнение нескольких прогностических моделей на основе базы данных пациентов, госпитализированных с внебольничной пневмонией в Томской области в 2017 году. В качестве прогнозируемой переменной используется летальный исход. Для построения моделей отобраны параметры, влияющие на исход заболевания. На обучающей выборке на основе всех отобранных параметров, а также на основе параметров, входящих в шкалу CURB-65, построены следующие модели: байесовский классификатор, логистическая регрессия, шкала CURB-65. Также шкала CURB-65 модифицирована: с помощью ROC-анализа найдены новые точки разделения. Все модели проверены на тестовой выборке – были рассчитаны чувствительность, специфичность и площадь под ROC-кривой. Так как необходимо на основе данных о пациенте при поступлении выделять потенциально тяжелых больных, модели сравнивались по чувствительности. Максимальная чувствительность достигается при использовании логистической регрессии со смещенным пороговым значением, построенной на параметрах, входящих в шкалу CURB-65.

In the thesis, several predictive models are compared based on a database of patients hospitalized with community-acquired pneumonia in the Tomsk region in 2017. Fatal outcome is the predicted variable. The parameters that affect the disease outcome were selected. Based on all selected parameters and on the signs included in the CURB-65 scale, the following models are built on the training set: Bayesian classifier, logistic regression, CURB-65 scale. In addition, the CURB-65 scale was modified: new cutoff points were found using ROC analysis. All models are tested on the test set. Since it is necessary to correctly determine severe patients when they are admitted to the hospital, the models were compared by sensitivity. The maximum sensitivity is achieved when using logistic regression with the shifted cutoff point, built on the parameters included in the CURB-65 scale.