Прогнозирование риска развития лекарственного поражения печени при терапии ремдесивиром у пациентов с COVID-19 с помощью машинного обучения

Обоснование. Противовирусный препарат ремдесивир получил широкое распространение для  этиотропного лечения COVID-19. Частота возникновения нежелательных реакций при  терапии ремдесивиром достигает 66,2 %, наиболее распространённая нежелательная реакция – повышение уровня печёночных трансаминаз.

Цель исследования. Разработка модели машинного обучения для прогнозирования риска развития лекарственного поражения печени у пациентов с COVID-19 при назначении терапии ремдесивиром.

Методы. Данное проспективное открытое обсервационное исследование проводилось в период с ноября 2021 г. по февраль 2022 г. и включало 154 пациента, получающих терапию ремдесивиром. Пациенты были разделены на две группы: группа 1 (n = 45) – пациенты, у которых при терапии ремдесивиром развились признаки поражения печени; группа 2 (n = 109) – пациенты без данной нежелательной реакции. Всем пациентам были проведены фармакогенетическое исследование и  ретроспективный анализ историй болезней, сформирована база данных с  результатами проведённых исследований, на основе которой происходило машинное обучение моделей для прогноза риска развития лекарственного поражения печени.

Результаты. Основные прогностические факторы включали индекс массы тела (значимость – 12,03 %) и носительство генотипа AG по полиморфному маркеру rs776746 гена CYP3A5 (значимость – 10,04 %). В дальнейшем по всем полученным факторам на  основе категориального бустинга построена модель предсказания развития лекарственного поражения печени, имеющая чувствительность 57,8 % и специфичность 80,7 %.

Заключение. С помощью машинного обучения была сформирована модель риска развития лекарственного поражения печени при терапии ремдесивиром. Индекс массы тела и носительство генотипа AG по полиморфному маркеру rs776746 гена CYP3A5 оказались ключевыми маркерами. Для улучшения точности модели требуется увеличение доли пациентов с нежелательной реакцией в  тренировочной выборке. Дальнейшие исследования позволят улучшить качество модели и интегрировать её в клиническую практику.