Предсказательные модели для диагностики и прогноза COVID-19: систематический обзор и критическая оценка
Авторы: Laure Wynants et al.
Опубликовано: BMJ 31.03.2020
Перевод: Светлана Дегтярева
Введение. Цель исследования – сделать обзор и критически оценить опубликованные работы и препринты, которые посвящены:
– предсказательным моделям в диагностике заболевания, вызываемого коронавирусом 2019, у пациентов с подозрением на инфекцию;
– моделям, предсказывающим прогноз у пациентов с COVID-19;
– моделям, выявляющим людей с высоким риском госпитализации из-за пневмонии, вызванной COVID-19, в общей популяции
Дизайн. Быстрый систематический обзор и критическая оценка.
Источники данных: базы данных PubMed и Embase при помощи Ovid, Arxiv, medRxiv и bioRxiv сроком до 24 марта 2020г.
Отбор исследований. Мыотбирали исследования, которые предлагали или оценивали многофакторные предсказательные модели в отношении COVID-19.
Выбор данных. По меньшей мере два автора независимо извлекали данные, используя чек-лист CHARMS (извлечение данных и критическая оценка исследований, посвященных предсказательным моделям, для проведения систематических обзоров); а также оценивали риск систематических ошибок с использованием PROBAST (инструмент для оценки риска систематических ошибок в предсказательных моделях).
Результаты. Авторы просмотрели 2696 заголовков статей, включили в обзор 27 исследований, описывающих 31 предсказательную модель. Мы обнаружили 3 модели, предсказывающие риск госпитализации из-за пневмонии и других событий (в качестве замены пневмонии, вызванной COVID-19) в общей популяции; 18 диагностических моделей для подтверждения COVID-19 (13 из них были основаны на алгоритмах машинного обучения по результатам компьютерной томографии); и 10 прогностических моделей, предсказывающих риски смерти, тяжелого течения заболевания и длительности госпитализации. Только одно из исследований учитывало данные пациентов из других стран, остальные были основаны на данных Китая. Наиболее часто используемые предикторы заболевания среди пациентов с подозрением на COVID-19 включали возраст, температуру тела, а также симптомы и проявления. Наиболее часто исследуемыми предикторами плохого прогноза у пациентов с COVID-19 были возраст, пол, особенности картины компьютерной томографии, С-реактивный белок, лактат-дегидрогеназа и число лимфоцитов. Индекс С, оценивающий точность модели, колебался от 0.73 до 0.81 в прогностических моделях для общей популяции (сообщался в исследованиях по всем трем моделям), от 0.85 до 0.98 в моделях диагностики (информация об индексе прописана в 13 из 18 моделей) и от 0.85 до 0.98 в прогностических моделях (информация была в 6 из 10 моделей).
Все исследования имеют высокий риск систематической ошибки, в основном, из-за непредставительной выборки контрольной группы пациентов, исключения из исследования пациентов, которые не достигли интересующего события к концу исследования, и высокого риска чрезмерно близкой подгонки моделей. Данные о качестве исследований существенно отличались. Большинство работ не включали описание исследуемой популяции или планируемое использование моделей, редко проводилась валидация предсказательной ценности.
Заключение. В условиях острой необходимости предсказательные модели для COVID-19 быстро входят в академическую литературу; они призваны помочь принимать медицинские решения. Этот обзор демонстрирует, что предложенные модели недостаточно подробно описаны, имеют высокие риски систематических ошибок, вероятно, оценены слишком оптимистично. Необходимо немедленно распространить подробную информацию о каждом участнике исследований, посвященных COVID-19 для создания более точных предсказательных моделей и оценки уже существующих. Факторы прогноза, выявленные во включенных исследованиях, могут рассматриваться в качестве кандидатов для новых моделей. Необходимо следовать методологическим рекомендациям, так как использование ненадежных факторов прогноза может принести скорее вред, чем пользу в принятии клинических решений. Наконец, исследования должны освещать результаты согласно рекомендациям TRIPOD (рекомендации по прозрачному сообщению результатов в отношении многофакторных предсказательных моделей прогноза и диагностики).
Протокол систематического обзора зарегистрирован: https://osf.io/ehc47/, registration https:// osf.io/wy245.