Голоунина Ольга Олеговна.
Москва
Olga O. Golounina - MD.
Moscow
Белая Жанна Евгеньевна - д.м.н., профессор, заведующая отделением нейроэндокринологии и остеопатий.
Москва
Zhanna E. Belaya - MD, PhD, Professor.
Moscow
Воронов Кирилл Андреевич - руководитель отдела биомедицинский статистики.
Екатеринбург
Kirill A. Voronov.
Yekaterinburg
Солодовников Александр Геннадьевич - доцент кафедры профилактической и семейной медицины УГМУ, директор по управлению качеством.
Екатеринбург
Alexander G. Solodovnikov - MD.
Yekaterinburg
Рожинская Людмила Яковлевна - д.м.н., профессор, главный научный сотрудник отделения нейроэндокринологии и остеопатий.
Москва
Liudmila Ya. Rozhinskaya - MD, PhD, Professor.
Moscow
Мельниченко Галина Афанасьевна - д.м.н., профессор, академик Российской академии наук, заместитель директора по научной работе.
Москва
Galina A. Melnichenko - MD, PhD, Professor, Academician of the Russian Academy of Sciences.
Moscow
Мокрышева Наталья Георгиевна - д.м.н., профессор, член-корреспондент Российской академии наук, директор ГНЦ РФ ФГБУ «НМИЦ эндокринологии» МЗ РФ.
Москва
Natalia G. Mokrysheva - MD, PhD, Professor.
Moscow
Дедов Иван Иванович - д.м.н., профессор, академик Российской академии наук, президент ГНЦ РФ ФГБУ «НМИЦ эндокринологии» МЗ РФ, член Президиума РАН.
Москва
Ivan I. Dedov - MD, PhD, Professor, Academician of the Russian Academy of Sciences.
Moscow
ЦЕЛЬ. Разработка неинвазивного способа дифференциальной диагностики АКТГ-зависимых форм эндогенного гиперкортицизма (ЭГ), а также оценка эффективности оптимального алгоритма прогнозирования вероятности АКТГ-эктопированного синдрома (АКТГ-ЭС), полученного с использованием методов машинного обучения на основе анализа клинических данных.
МАТЕРИАЛЫ И МЕТОДЫ. В рамках одноцентрового, одномоментного, когортного исследования проведено ретроспективное прогнозирование вероятности АКТГ-ЭС среди пациентов с АКТГ-зависимым ЭГ. Пациенты случайным стратифицированным отбором разделены на 2 выборки: обучающую/тренировочную (80%) и тестовую (20%). Для построения прогностических моделей использовали 11 алгоритмов машинного обучения: линейный дискриминантный анализ (Linear Discriminant Analysis), логистическую регрессию (Logistic Regression), эластичную сеть (GLMNET), метод опорных векторов (SVM Radial), метод k-ближайших соседей (k-nearest neighbors, kNN), наивный байесовский классификатор (Naive Bayes), бинарное дерево решений (CART), алгоритмы дерева решений C5.0, бутстрэп-агрегирование CART (Bagged CART), случайный лес (Random Forest), градиентный бустинг (Stochastic Gradient Boosting, GBM).
РЕЗУЛЬТАТЫ. В исследование включены 223 пациента (163 женщины, 60 мужчин) с АКТГ-зависимым ЭГ, из них 175 пациентов с БИК, 48 — с АКТГ-ЭС. В результате предварительной обработки данных и отбора наиболее информативных признаков финальными переменными для классификации и прогнозирования АКТГ-ЭС отобраны: уровень АКТГ в 08:00, уровень калия (минимальное значение в активной стадии заболевания), показатели кортизола в суточной моче, кортизола в крови в 23:00, кортизола в слюне в 23:00, наибольший размер аденомы гипофиза по данным МРТ головного мозга. Наилучшую предсказательную способность из всех обученных моделей машинного обучения по всем трем итоговым метрикам — ROC-AUC (0,867), чувствительность (90%), специфичность (56,4%) — на тренировочной выборке продемонстрировала модель градиентного бустинга (Generalized Boosted Modeling, GBM). На тестовой выборке показатели AUC, чувствительности и специфичности модели в отношении прогнозирования АКТГ-ЭС составили 0,920; 77,8% и 97,1% соответственно.
ВЫВОД. Прогностическая модель, основанная на методах машинного обучения, позволяет дифференцировать пациентов с АКТГ-ЭС и БИК по базовым клиническим результатам и может быть использована в качестве первичного скрининга пациентов с АКТГ-зависимым ЭГ.
AIM: To develop a noninvasive method of differential diagnosis of ACTH-dependent hypercortisolism, as well as to evaluate the effectiveness of an optimal algorithm for predicting the probability of ectopic ACTH syndrome (EAS) obtained using machine learning methods based on the analysis of clinical data.
MATERIALS AND METHODS: As part of a single-center, one-stage, cohort study, a retrospective prediction of the probability of EAS among patients with ACTH-dependent hypercortisolism was carried out. Patients were randomly stratified into 2 samples: training (80%) and test (20%). Eleven machine learning algorithms were used to develop predictive models: Linear Discriminant Analysis, Logistic Regression, elastic network (GLMNET), Support Vector machine (SVM Radial), k-nearest neighbors (kNN), Naive Bayes, binary decision tree (CART), C5.0 decision tree algorithms, Bagged CART, Random Forest, Gradient Boosting (Stochastic Gradient Boosting, GBM).
RESULTS: The study included 223 patients (163 women, 60 men) with ACTH-dependent hypercortisolism, of which 175 patients with Cushing’s disease (CD), 48 — with EAS. As a result of preliminary data processing and selection of the most informative signs, the final variables for the classification and prediction of EAS were selected: ACTH level at 08:00 hours, potassium level (the minimum value of potassium in the active stage of the disease), 24-h urinary free cortisol, late-night serum cortisol, late-night salivary cortisol, the largest size of pituitary adenoma according to MRI of the brain. The best predictive ability in a training sample of all trained machine learning models for all three final metrics (ROC-AUC (0.867), sensitivity (90%), specificity (56.4%)) demonstrated a model of gradient boosting (Generalized Boosted Modeling, GBM). In the test sample, the AUC, sensitivity and specificity of the model in predicting EAS were 0.920; 77.8% and 97.1%, respectively.
CONCLUSION: The prognostic model based on machine learning methods makes it possible to differentiate patients with EAS and CD based on basic clinical results and can be used as a primary screening of patients with ACTH-dependent hypercortisolism.
The authors declare that there are no conflicts of interest present.