Prevalence of COVID-19-associated pneumonia signs on chest computed tomography in cancer patients: the ARILUS study
A. Dyachenko,
A. Grjibovski,
M. Bogdanov,
D. Bogdanov,
E. Nazarova,
A. Meldo,
V. Chernina,
M. Belyaev,
V. Gombolevsky,
M. Valkov https://doi.org/10.47093/2218-7332.2025.16.2.4-17
摘要
Aim. To study the prevalence of pneumonia features associated with 2019 coronavirus disease (COVID-19) in cancer patients based on chest computed tomography (CT) data using an artificial intelligence (AI) algorithm.
Materials and methods. A cross-sectional study was conducted as part of the ARILUS project. Using multitarget AI, CT images of 1148 patients examined at the Arkhangelsk Clinical Oncology Dispensary from 01.04.2020 to 31.12.2021 were analyzed. Patients were divided into groups: without signs of pneumonia (n = 592, 51.6%) and with signs of pneumonia (n = 556, 48.4%). In 95.3% of patients with pneumonia, the lesion volume was less than 25% (CT-1). Using multivariate Poisson regression, adjusted prevalence ratios (aPR) with 95% confidence intervals (CI) were calculated.
Results. For demographic characteristics such as gender, age, place of residence, no relationship with the presence of signs of COVID-19 pneumonia was established. Topography of neoplasm is associated with the presence of signs of COVID-19 pneumonia (reference group – cancers of the female genital organs): lung cancer – aPR 1.87; 95% CI: 1.40–2.49; head and neck cancers – aPR 1.85; 95% CI: 1.32–2.58; upper gastrointestinal tract – aPR 1.51; 95% CI: 1.12–2.04; breast cancer – aPR: 1.38; 95% CI: 1.00–1.90; p < 0.01. The presence of pulmonary emphysema is associated with signs of COVID-19 pneumonia: aPR 1.25; 95% CI: 1.09–1.45, p = 0.002. With an increase in the Agatston score (AS) reflecting coronary artery calcification (reference group absence of calcification), the association with the presence of signs of COVID-19 pneumonia increased – for AS 1–99: aPR 1.24; 95% CI: 1.05–1.47; AS 100– 299: aPR 1.58; 95% CI: 1.33–1.87; AS 300 and above: aPR 1.61; 95% CI: 1.36–1.90; p < 0.001 for a linear trend.
Conclusion. Factors associated with the detection of COVID-19 pneumonia among cancer patients include the localization of neoplasms in the lungs, head and neck organs, upper gastrointestinal tract, breast, and as well as the presence of signs of emphysema and coronary calcification according to CT data
关于作者
A. Dyachenko
Northern State Medical University
俄罗斯联邦
俄罗斯联邦
A. Grjibovski
Northern State Medical University; North-Eastern Federal University; Private University “REAVIZ”
俄罗斯联邦
俄罗斯联邦
M. Bogdanov
Northern State Medical University
俄罗斯联邦
俄罗斯联邦
D. Bogdanov
Northern State Medical University; Arkhangelsk Clinical Oncological Dispensary
俄罗斯联邦
俄罗斯联邦
E. Nazarova
National Medical Research Center of Oncology
俄罗斯联邦
俄罗斯联邦
A. Meldo
Northern State Medical University
俄罗斯联邦
俄罗斯联邦
V. Chernina
LLC “IRA Labs”
俄罗斯联邦
俄罗斯联邦
M. Belyaev
LLC “IRA Labs”
俄罗斯联邦
俄罗斯联邦
V. Gombolevsky
LLC “IRA Labs”; Artificial Intelligence Research Institute; Sechenov First Moscow State Medical University (Sechenov University)
俄罗斯联邦
俄罗斯联邦
M. Valkov
Northern State Medical University; Arkhangelsk Clinical Oncological Dispensary
俄罗斯联邦
俄罗斯联邦
参考
1. Dinmohamed A.G., Visser O., Verhoeven R.H.A., et al. Fewer cancer diagnoses during the COVID-19 epidemic in the Netherlands. Lancet Oncol. 2020 Jun; 21(6): 750–751. doi: 10.1016/S1470-2045(20)30265-5. Epub 2020 Apr 30. Erratum in: Lancet Oncol. 2020 Jun; 21(6): e304. https://doi.org/10.1016/S1470-2045(20)30267-9. PMID: 32359403
2. Barclay N.L., Pineda Moncusí M., Jödicke A.M., et al. The impact of the UK COVID-19 lockdown on the screening, diagnostics and incidence of breast, colorectal, lung and prostate cancer in the UK: a population-based cohort study. Front Oncol. 2024 Mar 27; 14: 1370862. https://doi.org/10.3389/fonc.2024.1370862. PMID: 38601756
3. Злокачественные новообразования в России в 2020 году (заболеваемость и смертность). Под ред. А.Д. Каприна, В.В. Старинского, А.О. Шахзадовой Злокачественные новообразования в России в 2020 году ( заболеваемость и смертность) – М.: МНИОИ им. П.А. Герцена – филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2021. 252 с.
4. Lohfeld L., Sharma M., Bennett D., et al. Impact of the COVID-19 pandemic on breast cancer patient pathways and outcomes in the United Kingdom and the Republic of Ireland – a scoping review. Br J Cancer. 2024 Sep; 131(4): 619–626. https://doi.org/10.1038/s41416-024-02703-w. Epub 2024 May 4. Erratum in: Br J Cancer. 2024 Sep; 131(4): 778. https://doi.org/10.1038/s41416-024-02791-8. PMID: 38704477
5. Валькова Л.Е., Дяченко А.А., Мерабишвили В.М. и др. Влияние пандемии COVID-19 на показатели заболеваемости злокачественными опухолями, подлежащими скринингу в рамках диспансеризации (популяционное исследование). Сибирский онкологический журнал. 2022; 21(6): 7–16. https://doi.org/10.21294/1814-4861-2022-21-6-7-16. EDN: COFCHN
6. Котляров П.М., Сергеев Н.И., Солодкий В.А., Солдатов Д.Г. Мультиспиральная компьютерная томография в ранней диагностике пневмонии, вызванной SARS-CoV-2, Пульмонология. 2020; 30(5): 561–568. https://doi.org/10.18093/0869-0189-2020-30-5-561-568. EDN: RJGOCV
7. Чернина В.Ю., Беляев М.Г., Силин А.Ю. и др. Диагностическая и экономическая оценка применения комплексного алгоритма искусственного интеллекта, направленного на выявление десяти патологических находок по данным компьютерной томографии органов грудной клетки. Digital Diagnostics. 2023; 4(2): 105–132. https://doi.org/10.17816/DD321963. EDN: UGUJWJ
8. Allemani C., Matsuda T., Di Carlo V., et al. Global surveillance of trends in cancer survival 2000–14 (CONCORD-3): analysis of individual records for 37 513 025 patients diagnosed with one of 18 cancers from 322 population-based registries in 71 countries. Lancet. 2018 Mar 17; 391(10125): 1023–1075. https://doi.org/10.1016/S0140-6736(17)33326-3. Epub 2018 Jan 31. PMID: 2939526
9. Allemani C., Weir H.K., Carreira H., et al. Global surveillance of cancer survival 1995-2009: analysis of individual data for 25,676,887 patients from 279 population-based registries in 67 countries (CONCORD-2). Lancet. 2015 Mar 14; 385(9972): 977–1010. https://doi.org/10.1016/S0140-6736(14)62038-9. Epub 2014 Nov 26. Erratum in: Lancet. 2015 Mar 14; 385(9972): 946. PMID: 25467588
10. Barchuk A., Tursun-Zade R., Nazarova E., et al. Completeness of regional cancer registry data in Northwest Russia 2008-2017. BMC Cancer. 2023 Oct 18; 23(1): 994. https://doi.org/10.1186/s12885-023-11492-z. PMID: 37853404
11. Вальков М.Ю., Гржибовский А.М., Кудрявцев А.В. и др. Использование искусственного интеллекта для прогнозирования и предотвращении неонкологической смертности у онкологических больных: протокол исследования АРИЛИС. Экология человека. 2024; 31(4): 314–330. https://doi.org/10.17816/humeco635357. EDN: DDFTVK
12. Морозов С.П., Гомболевский В.А., Чернина В.Ю. и др. Прогнозирование летальных исходов при COVID-19 по данным компьютерной томографии органов грудной клетки. Туберкулез и болезни легких. 2020; 98(6): 7–14. https://doi.org/10.21292/2075-1230-2020-98-6-7-14. EDN: IBBYVG /
13. Jazieh A.R., Bounedjar A., Abdel-Razeq H., et al. Impact of COVID-19 on Management and Outcomes of Oncology Patients: Results of MENA COVID-19 and Cancer Registry (MCCR). J Immunother Precis Oncol. 2024 May 2; 7(2): 82–88. https://doi.org/10.36401/JIPO-23-38. PMID: 38721403
14. Keene S., Abbasizanjani H., Torabi F., et al. Risks of major arterial and venous thrombotic diseases after hospitalisation for influenza, pneumonia, and COVID-19: A population-wide cohort in 2.6 million people in Wales. Thromb Res. 2025 Jan; 245: 109213. https://doi.org/10.1016/j.thromres.2024.109213. Epub 2024 Nov 19. PMID: 39608301
15. Attaway A.H., Scheraga R.G., Bhimraj A., et al. Severe covid-19 pneumonia: pathogenesis and clinical management. BMJ. 2021 Mar 10; 372: n436. https://doi.org/10.1136/bmj.n436. PMID: 33692022
16. Fan L., Wu S., Wu Y., et al. Clinical data and quantitative CT parameters combined with machine learning to predict short-term prognosis of severe COVID-19 in the elderly. Heliyon. 2024 Sep 7; 10(18): e37096. https://doi.org/10.1016/j.heliyon.2024.e37096. PMID: 39309817
17. Hu Z., Song C., Xu C., et al. Clinical characteristics of 24 asymptomatic infections with COVID-19 screened among close contacts in Nanjing, China. Sci China Life Sci. 2020 May; 63(5): 706–711. https://doi.org/10.1007/s11427-020-1661-4. Epub 2020 Mar 4. PMID: 32146694
18. Wang Y., Liu Y., Liu L., et al. Clinical outcomes in 55 patients with Severe Acute Respiratory Syndrome Coronavirus 2 who were asymptomatic at hospital admission in Shenzhen, China. J Infect Dis. 2020 May 11; 221(11): 1770–1774. https://doi.org/10.1093/infdis/jiaa119. PMID: 32179910
19. Leung J.M., Yang C.X., Tam A., et al. ACE-2 expression in the small airway epithelia of smokers and COPD patients: implications for COVID-19. Eur Respir J. 2020 May 14; 55(5): 2000688. https://doi.org/10.1183/13993003.00688-2020. PMID: 32269089
20. Simons D., Shahab L., Brown J., Perski O. The association of smoking status with SARS-CoV-2 infection, hospitalization and mortality from COVID-19: a living rapid evidence review with Bayesian meta-analyses (version 7). Addiction. 2021 Jun; 116(6): 1319–1368. https://doi.org/10.1111/add.15276. Epub 2020 Nov 17. PMID: 33007104
21. Oliveira F.E.S., Oliveira M.C.L, Martelli Júnior H. et al. The impact of smoking on COVID-19-related mortality: a Brazilian national cohort study. Addict Behav. 2024 Sep; 156: 108070. https://doi.org/10.1016/j.addbeh.2024.108070. Epub 2024 May 25. PMID: 38796931
22. Griffith N.B., Baker T.B., Heiden B.T., et al. Cannabis, tobacco use, and COVID-19 outcomes. JAMA Netw Open. 2024 Jun 3; 7(6): e2417977. doi: 10.1001/jamanetworkopen.2024.17977. Erratum in: JAMA Netw Open. 2024 Jul 1; 7(7): e2427937. https://doi.org/10.1001/jamanetworkopen.2024.27937. PMID: 38904961
23. Боева Е.В., Беляков Н.А., Симакина О.Е. и др. Эпидемиология и течение инфекционных заболеваний на фоне пандемии COVID-19. Сообщение 2. Реализация интерференции между SARS-CoV-2 и возбудителями острых респираторных вирусных инфекций. Инфекция и иммунитет. 2022; 12(6): 1029– 1039. https://doi.org/10.15789/2220-7619-EAC-1960. EDN: ZMXIGW
24. Martinez-Fierro M.L., González-Fuentes C., Cid-Guerrero D., et al. Radiological findings increased the successful of COVID-19 diagnosis in hospitalized patients suspected of respiratory viral infection but with a negative first SARS-COV-2 RT-PCR result. Diagnostics (Basel). 2022 Mar 11; 12(3): 687. https://doi.org/10.3390/diagnostics12030687. PMID: 35328241
25. Sahutoğlu E., Kabak M., Çil B., et al. Radiologic severity index can be used to predict mortality risk in patients with COVID-19. Tuberk Toraks. 2024 Dec; 72(4): 280–287. English. https://doi.org/10.5578/tt.202404994. PMID: 39745227
26. Schalekamp S., Bleeker-Rovers C.P., Beenen L.F.M., et al. Chest CT in the emergency department for diagnosis of COVID-19 pneumonia: Dutch experience. Radiology. 2021 Feb; 298(2): E98–E106. https://doi.org/10.1148/radiol.2020203465. Epub 2020 Nov 17. PMID: 33201791
补充文件
|
|
1. Графический абстракт | |
| 主题 | ||
| 类型 | Исследовательские инструменты | |
预览
(198KB)
|
索引源数据 ▾ | |
|
|
2. Graphic abstract | |
| 主题 | ||
| 类型 | Исследовательские инструменты | |
预览
(193KB)
|
索引源数据 ▾ | |
|
3. STROBE checklist | |
| 主题 | ||
| 类型 | Исследовательские инструменты | |
下载
(736KB)
|
索引源数据 ▾ | |
评论
Sechenov Medical Journal. Editor's checklist for this article you can find here.
Журнал «Сеченовский вестник» |
| Sechenov Medical Journal |
Рецензии на рукопись |
| Peer-review reports |
Название / Title | Распространенность признаков пневмонии, ассоциированной с инфекцией COVID-19, на компьютерных томограммах органов грудной клетки у онкологических больных: исследование АРИЛИС / Prevalence of COVID-19-associated pneumonia signs on chest computed tomography in cancer patients: the ARILUS study
|
Раздел / Section
| ВНУТРЕННИЕ БОЛЕЗНИ / INTERNAL MEDICINE |
Тип / Article | Оригинальная статья / Original article
|
Номер / Number | 1191
|
Страна/территория / Country/Territory of origin | Россия / Russia |
Язык / Language | Русский / Russian
|
Источник / Manuscript source | Инициативная рукопись / Unsolicited manuscript |
Дата поступления / Received | 27.02.2025 |
Тип рецензирования / Type ofpeer-review | Двойное слепое / Double blind |
Язык рецензирования / Peer-review language | Русский / Russian
|
РЕЦЕНЗЕНТ А / REVIEWER A
Инициалы / Initials | 1191_А |
Научная степень / Scientific degree | Кандидат технических наук / Candidate of Technical Sciences |
Страна/территория / Country/Territory | Россия / Russia |
Дата рецензирования / Date of peer-review | 18.03.2025 |
Число раундов рецензирования / Number of peer-review rounds | 1 |
Финальное решение / Final decision | принять к публикации / accept |
ПЕРВЫЙ РАУНД РЕЦЕНЗИРОВАНИЯ / FIRST ROUND OF PEER-REVIEW
Представленная для рецензирования работа описывает результаты научно-практического эксперимента, направленного на применение модели машинного обучения на данных реальной клинической практики, накопленных в системе здравоохранения Архангельской области.
Тема работы является актуальной и перспективной с точки зрения публикации, присутствует научная новизна и практическая значимость представленных результатов. В настоящее время имеется выраженный недостаток работ, проведенных на реальных данных субъектов РФ с оценкой метрик качества работы моделей ИИ и их эффективности.
Исследование соответствует правилам этики проведения исследований и публикации их результатов – дизайн исследования одобрен локальным этическим комитетом.
Цели, материалы и методы, результаты и обсуждение соответствуют друг другу. Заключение выглядит обоснованным, соответствующим представленным результатам. Научная терминология соответствует принятой в рассматриваемой области знаний, находится на достаточном уровне, замечаний не выявлено. Валидность и новизна выбранных литературных источников заслуживает доверие. Текст написан компактным и хорошим научным языком.
РЕЦЕНЗЕНТ B / REVIEWER B
Инициалы / Initials | 1191_В |
Научная степень / Scientific degree | Доктор медицинских наук / Dr. of Sci. (Medicine) |
Страна/территория / Country/Territory | Россия / Russia |
Дата рецензирования / Date of peer-review | 23.03.2025 |
Число раундов рецензирования / Number of peer-review rounds | 1 |
Финальное решение / Final decision | Принять к публикации после небольшой доработки/ Minor revision |
ПЕРВЫЙ РАУНД РЕЦЕНЗИРОВАНИЯ / FIRST ROUND OF PEER-REVIEW
Актуальность статьи обусловлена использованием искусственного интеллекта (ИИ) в клинической практике. Название отражает суть статьи. Введение: достаточно отражает суть проблемы. Методика соответствует требованиям журнала и отрасли знаний, не требует изменения. Статистика соответствует требованиям международных стандартов. Результаты изложены четко и не требуют изменений. Обсуждение результатов достаточно и соответствует основным полученным результатам. Литература достаточна для статьи и не требует переработки.
Краткие замечания, сделанные рецензентом:
- В описание пациентов (таблица 1) желательно добавить анамнез курения (индекс курения)
- Строка 302: уточнить, что повышается? (риск смерти? Тромбозов?)
РЕЦЕНЗЕНТ C / REVIEWER C
Инициалы / Initials | 1191_C |
Научная степень / Scientific degree | Доктор технических наук / Doctor of Technical Sciences |
Страна/территория / Country/Territory | Россия / Russia |
Дата рецензирования / Date of peer-review | 30.03.2025 |
Число раундов рецензирования / Number of peer-review rounds | 1 |
Финальное решение / Final decision | Принять к публикации после небольшой доработки/ Minor revision |
ПЕРВЫЙ РАУНД РЕЦЕНЗИРОВАНИЯ / FIRST ROUND OF PEER-REVIEW
Статья соответствует тематике журнала и актуальна. В статье описан пример применения современных технологий искусственного интеллекта (ИИ), предназначенных для обработки медицинских диагностических изображений, и базы данных территориально-популяционного регистра для проведения эпидемиологического исследования. Статья написана хорошим профессиональным литературным языком и может быть рекомендована к публикации.
Вместе с тем имеется ряд замечаний и рекомендаций редакционного характера:
- При отборе случаев (КТ-снимков) из архива медицинских изображений АКОД для анализа с помощью ИИ следовало бы указать, были ли учтены ограничения алгоритмов ИИ, указанные разработчиком (в частности, для COVID-19: коллабированное легкое, ателектаз легкого; наличие внутривенного контрастирования).
- В тексте не описано, как осуществлялся последовательный отбор случаев (КТ- снимков), которые будут обработаны с помощью ИИ, показанный на рисунке 2 (блоки n = 11173 и n = 7640).
- Следует также заметить, что все анализируемые КТ-снимки изначально представлены и обрабатываются в формате DICOM. Поэтому надпись в 5-м сверху блоке в левой колонке на рисунке 2 "приведены в формат DICOM" некорректна.
- Абзац (предложение) "Для удобства анализа все переменные были представлены в виде порядковых ... " надо дополнить словом "признаков".
- Абзац "Среди сервисов ИИ для здравоохранения наибольшее количество продуктов было создано для лучевой диагностики ... " уместнее перенести в раздел "Материалы и методы" – перед описанием медицинского изделия от компании “АЙРА Лабс”.
РЕКОМЕНДАЦИИ НАУЧНЫХ РЕДАКТОРОВ ЖУРНАЛА / RECOMMENDATIONS
OF THE SCIENTIFIC EDITORS OF THE JOURNAL
Просьба унифицированно указывать везде по тексту две выделенные Вами подгруппы: с и без признаков пневмонии.
Текст требует согласования: «Программы скрининга рака молочной железы, шейки матки и др. опухолей были приостановлены в период пандемии, а затем поэтапно возобновлены с учетом рисков с более длительным временем, чтобы обеспечить сокращение численности персонала и усиление режимов инфекционного контроля»
«Более того, исследования, в которых бессимптомные лица с подтвержденным тяжелым острым респираторным синдромом, вызванным SARS-CoV-2 (Severe acute respiratory syndrome-related coronavirus 2 (коронавирус тяжелого острого респираторного синдрома — 2) проходили визуализацию органов грудной клетки, выявили изменения у 50% пациентов”
Для улучшения понимания текста просьба разбить на два предложения: «Популяционные регистры рака, с их большими размерами выборки и охватом населения, имеют хорошие возможности для мониторинга изменений распределения стадии при первичной диагностике и расчета выживаемости в период пандемии COVID-19, несмотря на трудности с определением точной стадии во время диагностики, поскольку хирургическое вмешательство и патологоанатомическая оценка задерживаются.»
Необходимо удалить повтор текста в обсуждении из введения. «В этом проекте ООО «АЙРА Лабс» возглавляет матрицу зрелости среди комплексных ИИ для КТ для органов грудной клетки по качеству работы (ROC AUC), оцененной … Значение этих минимальных изменений на КТ предстоит выяснить.»
Целесообразно уточнить смысл: «Достоверные данные о пациентах в ПРР позволили оценить распространенность инфекционного поражения легких в когорте, представляющей всю популяцию пациентов с ЗНО и обеспечить высокую статистическую мощность.» В Вашем исследовании есть критерии включения и исключения. Обо всей популяции речь вряд ли может идти.
Женщин в когорте 634 (55,2%) – далее в тексте - 2/3, просьба скорректировать описание.
Возраст по тексту представлен в виде интервалов и непрерывной переменной. Просьба уточнить это и указать как представлены значения: медиана? Среднее? Использовался ли тест на нормальность?
В таблицах проверить суммы по столбцам (99,9–100,1%)
Просьба к каждой таблице дать в примечаниях расшифровку всех перечисленных в ней аббревиатур
Просьба уточнить что обозначено разными цветами на рисунке.
Для унификации описания просьба: либо дать все синонимы одномерная / нескорректированная модель в разделе Материалы и методы либо использовать только введенные термины: одномерная, многомерная модель.
Необходимо согласовать описание текста и рисунок. Если исключены случаи ателектаза легкого, необходимо это обозначить на рисунке и уточнить количество таких случаев и описать на основании какого алгоритма они исключались.
Исключены серии КТ с внутривенным контрастированием: уточните сколько случаев и основании какого алгоритма?
Кейсы с артефактами: уточните число кейсов и что принималось за артефакты.
Неполная зона сканирования: уточните число пациентов и что принималось за неполную зону.
Зачем выгружались данные ПРР, если вторым этапом после КТ ОГК было подтверждение диагноза ЗНО? В текущей версии схемы диагноз ЗНО подтверждался дважды и не совпал по ПРР и данным АКОД у 394 человек. Из схемы получается, что у 25% пациентов наблюдающихся в АКОД нет ЗНО. Просьба объяснить такое расхождение.
浏览:
568
Email this article 