Прогностичне моделювання клінічних результатів при гострому тонзиліті на основі аналізу мікробіоти та алгоритмів машинного навчання

  • Отримано 16.06.2025
  • Доопрацьовано 12.11.2025
  • Прийнято 30.12.2025
  • Опубліковано 06.01.2026
  • 341 Перегляд
  • Взято з Т. 11, № 2, 2025
  • Сторінки 65-73

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.

модель випадкового лісу; мікробіом ротоглотки; шкала Centor; експрес-діагностика; клінічний прогноз; стрептокок групи А; вірусні антигени

https://doi.org/10.63341/ijmmr/2.2025.65
  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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/s41598-024-74057-5
  9. 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
  10. 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
  11. 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
  12. 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
  13. Yang X, Li Y, Liu L, Zang Z. Prediction of respiratory diseases based on random forest model. Front Public Health. 2025;13:1537238. DOI: 10.3389/fpubh.2025.1537238
  14. 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/
  15. 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/
  16. 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/z1010-09#Text
  17. Klymnyuk SI, Sytnyk IO, Shirobokov VP, Tvorko MS, Tkachuk NI, Romaniuk LB, et al. Practical microbiology: A textbook. Vinnytsia: Nova Knyha; 2018. 576 P.
  18. 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
  19. 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
  20. Sharif MS, Raj Theeng Tamang M, Fu CHY, Baker A, Alzahrani AI, Alalwan N. An innovative random-forest-based model to assess the health impacts of regular commuting using non-invasive wearable sensors. Sensors. 2023;23(6):3274. DOI: 10.3390/s23063274
  21. 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
  22. 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. 2007;27(3):134–8.
  23. García Callejo FJ, Núñez Gómez F, Sala Franco J, Marco Algarra J. Management of peritonsillar infections. An Pediatr. 2006;65(1):37–43. DOI: 10.1157/13090896
  24. 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
  25. 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
  26. 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           
  27. 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. 2021;3(1):92–9. DOI: 10.11603/bmbr.2706-6290.2021.1.12094
  28. Osiejewska A, Gorajek A, Kudan M, Gradzik A, Mikut K. Acute tonsillopharyngitis – a review. J Educ Health Sport. 2022;12(7):873–82. DOI: 10.12775/JEHS.2022.12.07.08
  29. 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.201907-1487OC