РОЗРОБЛЕННЯ МОДЕЛІ МАШИННОГО НАВЧАННЯ ДЛЯ ДИФЕРЕНЦІЙНОЇ ДІАГНОСТИКИ ТРАНЗИТОРНИХ ВТРАТ СВІДОМОСТІ СИНКОПАЛЬНОГО ТА НЕСИНКОПАЛЬНОГО ПОХОДЖЕННЯ У ДІТЕЙ

Т. А. Ковальчук; О. Р. Боярчук; С. Є. Богай

doi:10.11603/mie.1996-1960.2023.3-4.14471

Автор(и)

Т. А. Ковальчук Тернопільський національний медичний університет імені І. Я. Горбачевського Міністерства охорони здоров'я України https://orcid.org/0000-0003-2455-3278
О. Р. Боярчук Тернопільський національний медичний університет імені І. Я. Горбачевського Міністерства охорони здоров'я України https://orcid.org/0000-0002-1234-0040
С. Є. Богай Тернопільський національний медичний університет імені І. Я. Горбачевського Міністерства охорони здоров'я України

DOI:

https://doi.org/10.11603/mie.1996-1960.2023.3-4.14471

Ключові слова:

синкопе, несинкопальні транзиторні втрати свідомості, диференційна діагностика, модель XGBoost, діти

Анотація

Перенесений епізод транзиторної втрати свідомості (ТВС) у дитячому віці досі залишається складною діагностичною дилемою для цілого ряду клініцистів. Дослідження спрямовано на створення ефективної моделі машинного навчання для диференційної діагностики ТВС синкопального та несинкопального генезу, що забезпечить лікарям-педіатрам, дитячим кардіоревматологам і неврологам високу точність диференційної діагностики синкопальних і несинкопальних ТВС. Обстежено 140 пацієнтів із синкопе та 58 - із несинкопальними причинами ТВС віком 8-17 років. Для побудови моделі машинного навчання використовували алгоритм XGBoost. Про ефективність запропонованої моделі машинного навчання свідчили метрики точності, влучності, чутливості, fa-міри, специфічності, ROC AUC і PR AUC. Найінфор-мативнішими показниками моделі виявились Modified Calgary Syncope Seizure Score, швидкість ранкового підвищення систолічного артеріального тиску, серцевий індекс, ранкове підвищення діастолічного артеріального тиску, частота епізодів тахікардії упродовж 24-годинного моніторування за Холтером, нічне зниження діастролічного артеріального тиску, загальний периферичний опір судин, вік дитини, варіабельність добового діастолічного артеріального тиску, pNN50, співвідношення LF/HF, перцентильний розподіл відносно зростання, діастолічного артеріального тиску та індексу маси тіла. Отже, застосування описаної моделі машинного навчання дає змогу диференціювати синкопальні та несинкопальні ТВС у дітей та може використовуватися педіатрами, дитячими кардіоревматологами та неврологами як додатковий інструмент поряд із класичними діагностичними критеріями синкопе (вазовагальних синкопе, синкопе внаслідок ортостатичної гіпотензії та кардіогенних синкопе) і несинкопальних причин розвитку ТВС (епілепсії, первинного неспровокованого епілептичного нападу, психогенних псевдосинкопе, психогенних неепілептичних судом) на першому етапі діагностики.

Посилання

Brignole, M., Moya, A., de Lange, F. J. et al. (2018). ESC Guidelines for the diagnosis and management of syncope. Eur Heart J., 39(21), 1883948. doi: 10.1093/eurheartj/ehy037.

Goldberger, Z. D., Petek, B. J., Brignole, M. et al. (2019). ACC/AHA/HRS Versus ESC Guidelines for the Diagnosis and Management of Syncope: JACC Guideline Comparison. J Am Coll Cardiol., 74 (19), 2410-2423. doi: 10.1016/j.jacc.2019.09.012.

Wardrope, A., Newberry, E., Reuber, M. (2018). Diagnostic criteria to aid the differential diagnosis of patients presenting with transient loss of consciousness: A systematic review. Seizure, 61, 139148. doi: 10.1016/j.seizure.2018.08.012.

Brody, E. I., Genuini, M., Auvin, S., Lode, N., Brunet, S. R. (2022). Prehospital capillary lactate in children differentiates epileptic seizure from febrile seizure, syncope, and psychogenic nonepileptic seizure. Epilepsy Behav., 127. doi: 10.1016/j.yebeh.2021.108551.

Leibetseder, A., Eisermann, M., LaFrance, W. C. Jr., Nobili, L., von Oertzen, T. J. (2020). How to distinguish seizures from non-epileptic manifestations. Epileptic Disord., 22 (6), 716-738. doi: 10.1684/epd.2020.1234.

Villafane, J., Miller, J. R., Glickstein, J. et al. (2021). Loss of Consciousness in the Young Child. Pediatr Cardiol., 42 (2), 234-254. doi: 10.1007/s00246-020-02498-6.

Masoumi, B., Mozafari, S., Golshani, K., Heydari, F., Nasr-Esfahani, M. (2022). Differential Diagnosis of Seizure and Syncope by the Means of Biochemical Markers in Emergency Department Patients. Int J Prev Med., 13, 58. doi: 10.4103/ijpvm.IJPVM_129_20.

Liao, Y., Du, J., Benditt, D. G., Jin, H. (2022). Vasovagal syncope or psychogenic pseudosyncope: a major issue in the differential diagnosis of apparent transient loss of consciousness in children. Sci Bull (Beijing), 67 (16), 1618-1620. doi: 10.1016/j.scib.2022.07.024.

Chen, M., Jamnadas-Khoda, J., Broadhurst, M. et al. (2019). Value of witness observations in the differential diagnosis of transient loss of consciousness. Neurology, 92 (9), e895-e904. doi: 10.1212/WNL.0000000000007017.

Talibi, S., Douglas, C., Pope, B. (2020). Cardiac Syncope with Anoxic Seizure Activity. Case Rep Emerg Med., 8. doi: 10.1155/2020/6749382.

Rivolta, I., Binda, A., Masi, A., DiFrancesco, J. C. (2020). Cardiac and neuronal HCN channelopathies. Pflugers Arch., 472 (7), 931-951. doi: 10.1007/s00424-020-02384-3.

Yu, C., Deng, X. J., Xu, D. (2023). Gene mutations in comorbidity of epilepsy and arrhythmia. J Neurol., 270 (3), 1229-1248. doi: 10.1007/s00415-022-11430-2.

Costagliola, G., Orsini, A., Coll, M., Brugada, R., Parisi, P., Striano, P. (). The brain-heart interaction in epilepsy: implications for diagnosis, therapy, and SUDEP prevention. Ann Clin Transl Neurol., 8 (7), 1557-1568. doi: 10.1002/acn3.51382.

Fisher, R. S., Acevedo, C., Arzimanoglou, A. et al. (2014). ILAE official report: a practical clinical definition of epilepsy. Epilepsia, 55 (4), 475-82. doi: 10.1111/epi.12550.

Zou, R., Wang, S., Zhu, L. et al. (2017). Calgary score and modified Calgary score in the differential diagnosis between neurally mediated syncope and epilepsy in children. Neurol Sci., 38 (1), 143-149. doi: 10.1007/s10072-016-2740-5.

Tanaka, H., Fujita, Y., Takenaka, Y. et al. (2009). Japanese clinical guidelines for juvenile orthostatic dysregulation version 1. Pediatr Int., 51 (1), 169-79. doi: 10.1111/j.1442-200X.2008.02783.x.

Kovalchuk, T. A., Luchyshyn, N. Yu. (2022). The level of functioning of adaptive mechanisms of the cardiovascular system in children with syncope of various genesis. Modern pediatrics. Ukraine, 3 (123), 16-26. doi 10.15574/SP.2022.123.16.

Ogunleye, A., Wang, Q. G. (2020). XGBoost Model for Chronic Kidney Disease Diagnosis. IEEE/ ACM Trans Comput Biol Bioinform., 17 (6), 21312140. doi: 10.1109/TCBB.2019.2911071.

Raihan, M. J., Khan, M. A., Kee, S. H., Nahid, A. A. (2023). Detection of the chronic kidney disease using XGBoost classifier and explaining the influence of the attributes on the model using SHAP. Sci Rep., 13 (1), 6263. doi: 10.1038/s41598-023-33525-0.

Zsom, A., Tsekhan, S., Hamid, T. et al. (2019). Ictal autonomic activity recorded via wearable-sensors plus machine learning can discriminate epileptic and psychogenic nonepileptic seizures. Annu Int Conf IEEE Eng Med Biol Soc., 3502-3506. doi: 10.1109/EMBC.2019.8857552.

Anzellotti, F., Dono, F., Evangelista, G. et al. (2020). Psychogenic Non-epileptic Seizures and Pseudo-Refractory Epilepsy, a Management Challenge. Front Neurol., 11, 461. doi: 10.3389/fneur.2020.00461.

Hou, N., Li, M., He, L. et al. (2020). Predicting 30-days mortality for MIMIC-III patients with sepsis-3: a machine learning approach using XGboost. J Transl Med., 18 (1), 462. doi: 10.1186/s12967-020-02620-5.

Yue, S., Li, S., Huang, X. et al. (2022). Machine learning for the prediction of acute kidney injury in patients with sepsis. J Transl Med., 20 (1), 215. doi: 10.1186/s12967-022-03364-0.

Shi, Y., Zou, Y., Liu, J. et al. (2022). Ultrasound-based radiomics XGBoost model to assess the risk of central cervical lymph node metastasis in patients with papillary thyroid carcinoma: Individual application of SHAP. Front Oncol., 12. doi: 10.3389/fonc.2022.897596.

Li, C., Zhang, Y., Liao, Y. et al. (2022). Differential Diagnosis Between Psychogenic Pseudosyncope and Vasovagal Syncope in Children: A Quantitative Scoring Model Based on Clinical Manifestations. Front Cardiovasc Med., 9. doi: 10.3389/fcvm.2022.839183.

Ouyang, C. S., Yang, R. C., Chiang, C. T., Wu, R. C., Lin, L. C. (2020). EEG autoregressive modeling analysis: A diagnostic tool for patients with epilepsy without epileptiform discharges. Clin Neurophysiol., 131 (8), 1902-1908. doi: 10.1016/j.clinph.2020.04.172.

Kovalchuk, T. A., Boyarchuk, O. R., Bogai, S. Ye. (2023). XGBoost machine learning algorithm for differential diagnosis of pediatric syncope. The Journal of V.N. Karazin Kharkiv National University. Series «Medicine», 47, 33-46. doi: 10.26565/2313-66932023-47-04. [In Ukrainian].