Прогностичне моделювання клінічних результатів при гострому тонзиліті на основі аналізу мікробіоти та алгоритмів машинного навчання
DOI:
https://doi.org/10.63341/ijmmr/2.2025.65Ключові слова:
модель випадкового лісу, мікробіом ротоглотки, шкала Centor, експрес-діагностика, клінічний прогноз, стрептокок групи А, вірусні антигениАнотація
Гострий тонзиліт є поширеним захворюванням з високою клінічною варіабельністю. Традиційні підходи на основі клінічних шкал (наприклад, Centor) часто недостатні для точного прогнозування індивідуального перебігу. Мета дослідження – визначити значущість інтеграції клінічних параметрів і даних мікробного складу ротоглотки для побудови прогностичної моделі щодо тривалості захворювання та тяжкості симптомів за допомогою методу випадкового лісу. Обстежено 52 пацієнтів з гострим тонзилітом. Виконано бактеріологічний аналіз мазків з ротоглотки, клінічну оцінку за шкалою Centor та експрес-тестування на стрептокок та вірусні інфекції. Побудовано та порівняно моделі випадкового лісу та лінійного дискримінантного аналізу. Модель випадкового лісу продемонструвала вищу точність у порівнянні з лінійним дискримінантним аналізом, особливо для прогнозування інтенсивності болю (загальна точність 81,8 % проти 55,0 %). Для тривалості захворювання точність випадкового лісу склала 72,7 % проти 75,0 % для лінійного дискримінантного аналізу. Аналіз важливості ознак виявив, що інтеграція мікробіомних індексів (співвідношення патоген/ коменсал – Pathogen_ratio) з клінічною шкалою Centor значно підвищує прогностичну здатність. Тривалість хвороби асоціювалася з бактеріальною етіологією (позитивний стрептококовий тест) та статусом куріння, тоді як інтенсивність болю корелювала з параметрами мікробного дисбіозу. Комбінація клінічних та мікробіологічних даних у моделях машинного навчання дозволяє покращити точність прогнозування перебігу захворювання та може бути використана для розробки персоналізованих підходів до лікування.
Отримано: 16.06.2025 | Переглянуто: 12.11.2025 | Прийнято: 30.12.2025
Посилання
Pukhlik SM, Zaporozhchenko PO. Modern aspects of the treatment of different etiopathogenetic variants of chronic
nasopharyngitis. Otorinolaringologiia. 2024;7(4–6):51–71. DOI: 10.37219/2528-8253-2024-4-6-7
Bobruk SV. Rational antibiotic therapy in the treatment of bacterial tonsillitis in children. Bull Vinnytsia Natl Med
Univ. 2018;22(2):301–5. DOI: 10.31393/reports-vnmedical-2018-22(2)-14
Wu S, Hammarstedt-Nordenvall L, Jangard M, Cheng L, Radu SA, Angelidou P, et al. Tonsillar microbiota: A
cross-sectional study of patients with chronic tonsillitis or tonsillar hypertrophy. mSystems. 2021;6(2):e01302-20.
DOI: 10.1128/MSYSTEMS.01302-20
Xu H, Tian B, Shi W, Tian J, Zhang X, Zeng J, et al. A correlation study of the microbiota between oral cavity and tonsils
in children with tonsillar hypertrophy. Front Cell Infect Microbiol. 2022;11:724142. DOI: 10.3389/fcimb.2021.724142
Katundu DR, Chussi D, van der Gaast-de Jongh CE, Rovers MM, de Jonge MI, Hannink G, et al. Bacterial
colonisation of surface and core of palatine tonsils among Tanzanian children with recurrent chronic tonsillitis and
obstructive sleep apnoea who underwent (adeno)tonsillectomy. J Laryngol Otol. 2024;138(1):89–92. DOI: 10.1017/
S0022215123001147
Jin Z, Ma F, Chen H, Guo S. Leveraging machine learning to distinguish between bacterial and viral induced
pharyngitis using hematological markers: A retrospective cohort study. Sci Rep. 2023;13(1):22899. DOI: 10.1038/
s41598-023-49925-1
Alqaissi EY, Alotaibi FS, Ramzan MS. Modern machine-learning predictive models for diagnosing infectious diseases.
Comput Math Methods Med. 2022;2022:6902321. DOI: 10.1155/2022/6902321
Zhou X, Zhang J, Deng XM, Fu FM, Wang JM, Zhang ZY, et al. Using random forest and biomarkers to discriminate
between COVID-19 and Mycoplasma pneumoniae infections. Sci Rep. 2024;14(1):22673. DOI: 10.1038/s41598-024-
-5
Xiong Y, Ma Y, Ruan L, Li D, Lu C, Huang L, et al. Comparing different machine learning techniques for predicting
COVID-19 severity. Infect Dis Poverty. 2022;11:19. DOI: 10.1186/s40249-022-00946-4
Hong W, Lu Y, Zhou X, Jin S, Pan J, Lin Q, et al. Usefulness of random forest algorithm in predicting severe acute
pancreatitis. Front Cell Infect Microbiol. 2022;12:893294. DOI: 10.3389/fcimb.2022.893294
Cappelli F, Castronuovo G, Grimaldi S, Telesca V. Random forest and feature importance measures for discriminating
the most influential environmental factors in predicting cardiovascular and respiratory diseases. Int J Environ Res
Public Health. 2024;21(7):867. DOI: 10.3390/ijerph21070867
Zhao W, Sun P, Li W, Shang L. Machine learning-based prediction model for multidrug-resistant organisms
infections: Performance evaluation and interpretability analysis. Infect Drug Resist. 2025;18:2255–69. DOI: 10.2147/
IDR.S459830
Yang X, Li Y, Liu L, Zang Z. Prediction of respiratory diseases based on random forest model. Front Public Health.
;13:1537238. DOI: 10.3389/fpubh.2025.1537238
Unified clinical protocol for primary, secondary (specialised) and tertiary (highly specialised) medical care Tonsillitis
[Internet]. 2021 April 6 [cited 2025 June 1]. Available from: https://www.dec.gov.ua/mtd/tonzylit/
The World Medical Association. Declaration of Helsinki: Ethical Principles for Medical Research Involving
Human Subjects [Internet]. [cited 2025 June 1]. Available from: https://www.wma.net/what-we-do/medical-ethics/
declaration-of-helsinki/
Order of the Ministry of Health of Ukraine No. 690. On Approval of the Procedure for Conducting Clinical Trials
of Medicinal Products and Examination of Clinical Trial Materials and the Model Regulation on Ethics Committees
[Internet]. 2009 September 23 [cited 2025 June 1]. Available from: https://zakon.rada.gov.ua/laws/show/z1010-
#Text
Klymnyuk SI, Sytnyk IO, Shirobokov VP, Tvorko MS, Tkachuk NI, Romaniuk LB, et al. Practical microbiology: A
textbook. Vinnytsia: Nova Knyha; 2018. 576 P.
El Hachem EJ, Sokolovska N, Soula H. Latent dirichlet allocation for double clustering (LDA-DC): Discovering
patients phenotypes and cell populations within a single Bayesian framework. BMC Bioinformatics. 2023;24(1):61.
DOI: 10.1186/s12859-023-05177-4
Wang J, Yu H, Hua Q, Jing S, Liu Z, Peng X, et al. Descriptive study of random forest algorithm for predicting
COVID-19 patients outcome. PeerJ. 2020;8:e9945. DOI: 10.7717/peerj.9945
Sharif MS, Raj Theeng Tamang M, Fu CHY, Baker A, Alzahrani AI, Alalwan N. An innovative random-forestbased model to assess the health impacts of regular commuting using non-invasive wearable sensors. Sensors.
;23(6):3274. DOI: 10.3390/s23063274
Thapelo TS, Mpoeleng D, Hillhouse G. Informed random forest to model associations of epidemiological
priors, government policies, and public mobility. MDM Policy Pract. 2023;8(2):23814683231218716.
DOI: 10.1177/23814683231218716
Galli J, Calò L, Ardito F, Imperiali M, Bassotti E, Fadda G, et al. Biofilm formation by Haemophilus influenzae
isolated from adeno-tonsil tissue samples, and its role in recurrent adenotonsillitis. Acta Otorhinolaryngol Ital.
;27(3):134–8.
García Callejo FJ, Núñez Gómez F, Sala Franco J, Marco Algarra J. Management of peritonsillar infections. An Pediatr.
;65(1):37–43. DOI: 10.1157/13090896
Aalbers J, O’Brien KK, Chan WS, Falk GA, Teljeur C, Dimitrov BD, et al. Predicting streptococcal pharyngitis in
adults in primary care: A systematic review of the diagnostic accuracy of symptoms and signs and validation of the
Centor score. BMC Med. 2011;9:67. DOI: 10.1186/1741-7015-9-67
Jääskeläinen J, Renko M, Kuitunen I. Centor scores associated poorly with rapid antigen test findings in children with
sore throat. Eur J Pediatr. 2024;184(1):4. DOI: 10.1007/s00431-024-05863-2
Guntinas-Lichius O, Geißler K, Mäkitie AA, Ronen O, Bradley PJ, Rinaldo A, et al. Treatment of recurrent acute
tonsillitis – a systematic review and clinical practice recommendations. Front Surg. 2023;10:1221932. DOI: 10.3389/
fsurg.2023.1221932
Siabrenko GP, Kyrychenko II, Shklyar AS, Tereshchenko GA, Prykhodko EO, Demikhov AO. Psychological and
metabolic features of young people with stage 1 hypertension and disgarmonious fat component. Bull Med Biol Res.
;3(1):92–9. DOI: 10.11603/bmbr.2706-6290.2021.1.12094
Osiejewska A, Gorajek A, Kudan M, Gradzik A, Mikut K. Acute tonsillopharyngitis – a review. J Educ Health Sport.
;12(7):873–82. DOI: 10.12775/JEHS.2022.12.07.087
Dickson RP, Schultz MJ, van der Poll T, Schouten LR, Falkowski NR, Luth JE, et al. Lung microbiota predict clinical
outcomes in critically ill patients. Am J Respir Crit Care Med. 2020;201(5):555–63. DOI: 10.1164/rccm.201907-
OC
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Nataliia Kravets, Sergii Klymnyuk
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
