Проверка мощности математической модели с компьютерной программой сопровождения для определения вероятности развития врожденной пневмонии у недоношенных новорожденных с очень низкой и экстремально низкой массой тела при рождении

Актуальность. В век современных технологий растет актуальность превентивной и персонифицированной медицины, поэтому выявление доклинических маркеров заболевания носит приоритетный характер.

Цель. Проверка мощности математической модели с компьютерной программой сопровождения для определения вероятности развития врожденной пневмонии у недоношенных новорожденных с очень низкой и экстремально низкой массой тела при рождении.

Материалы и методы. На основании результатов комплексного обследования 113 недоношенных новорожденных с очень низкой и экстремально низкой массой тела при рождении разработана математическая модель (z = –4,59+2,54ДНIII+2,40ИООВ+1,83ГНКГ+1,81Асфиксия+1,66ЛПЛЦ+ 0,86ТП+0,74СРБ+0,48ИПВХ) с компьютерной программой сопровождения для определения вероятности развития врожденной пневмонии (http://pneu.bsmu.by; https://www.bsmu.by в меню Врач/ Провизор: «Диагностика врожденной пневмонии»). Проверка мощности проведена с дополнительным набором 58 недоношенных новорожденных с очень низкой и экстремально низкой массой тела при рождении, не включенных в полученную модель.

Результаты. По итогам исследования получена чувствительность равная 0,95, специфичность — 0,90, прогностическая значимость положительного результата теста — 0,95, прогностическая значимость отрицательного результата теста — 0,90, отношение правдоподобия — 9,93.

Заключение. Результаты внешней валидации свидетельствуют о высокой мощности математической модели с компьютерной программой сопровождения для определения вероятности развития врожденной пневмонии у недоношенных новорожденных с очень низкой и экстремально низкой массой тела при рождении. 

1. Сучков С. В., Абэ Х., Антонов Е. Н. и др. Персонализированная медицина как обновляемая модель национальной системы здравоохранения. Часть 1. Стратегические аспекты инфраструктуры. Российский вестник перинатологии и педиатрии. 2017; 62(3):7–14. DOI: 10.21508/1027–4065–2017–62–3–7–14.

2. Дедов И. И. Персонализированная медицина. Вестник РАМН. 2019; 74(1):61–70. DOI: 10.15690/vramn1108.

3. Лучинин А. С. Прогностические модели в медицине. Клиническая онкогематология. 2023; 16(1):27–36. DOI: 10.21320/2500-2139-2023-16-1-27-36.

4. Ланг Т. А., Сесик М. Как описать статистику в медицине: аннотированное руководство для авторов, редакторов и рецензентов. М.: Практическая медицина, 2011: 50–380.

5. Петри А., Сэбин К. Наглядная медицинская статистика. М.: ГЭОТАР-Медиа, 2015: 23–161.

6. Гайсёнок О. В. Анализ прогнозирования выявления каротидного атеросклероза в зависимости от градаций уровня липопротеина. Анализ риска здоровью. 2022; (3):133–142. DOI: 10.21668/health.risk/2022.3.13.

7. Серобабов А. С., Чебаненко Е. В., Денисова Л. А. и др. Разработка экспертной системы ранней диагностики заболеваний: программные средства первичной обработки и выявление зависимостей. Омский научный вестник. 2018;4(160):179–184. DOI: 10.25206/1813-8225-2018-160-179-184.

8. Панина Ю. С., Наркевич А. Н., Дмитренко Д. В. Прогнозирование течения мезиальной височной эпилепсии с использованием методов логистической регрессии и деревьев классификации. Доктор.Ру. 2022; 21(4):30–35. DOI: 10.31550/1727-2378-2022-21-4-30-35.

9. Горячко А. Н., Сукало А. В., Павлович Т. П. Модель определения вероятности развития врожденной пневмонии у недоношенных новорожденных с очень низкой и экстремально низкой массой тела. Педиатрия. Восточная Европа. 2022; 10(3):351–357. DOI: 10.34883/PI.2022.10.3.006.