Вера Афанасьевна Невзорова — доктор медицинских наук, профессор, директор института терапии и инструментальной диагностики
Vladivostok
Татьяна Александровна Бродская — доктор медицинских наук, доцент, профессор института терапии и инструментальной диагностики.
Владивосток. Тел.: +7 (914) 651-71-00
Vladivostok
Карина Иосифовна Шахгельдян — доктор технических наук, зав. лабораторией Анализ больших данных в здравоохранении и биомедицины.
Владивосток
Vladivostok
Борис Израйльевич Гельцер — доктор медицинских наук, профессор, член-корр. РАН, директор департамента клинической медицины.
Владивосток
Vladivostok
Владимир Владимирович Костерин — стажёр-исследователь Лаборатория цифрового моделирования и анализа данных физики и биомедицины.
Владивосток
Vladivostok
Людмила Григорьвена Присеко — клинический ординатор.
Владивосток
Vladivostok
Цель. Разработка и сравнительная оценка точности моделей прогнозирования риска смерти в течение 5 лет по данным исследования ЭССЕ-РФ (Эпидемиология сердечно-сосудистых заболеваний и их факторов риска в регионах Российской Федерации) в Приморском крае.
Материал и методы. В исследование включено 2131 человек (1257 женщин и 874 мужчины) в возрасте 23-67 лет с медианой 47 лет, 95% доверительный интервал [46; 48]. Протокол исследования включал: измерение артериального давления (АД), частоты сердечных сокращений (ЧСС), окружности талии, бедер и их соотношение (СТБ). Биохимические показатели крови: общий холестерин (ХС), ХС липопротеинов низкой и высокой плотности, триглицериды, аполипопротеины АI и В, липопротеин(а), N-концевой фрагмент мозгового натрийуретического пропептида (NT-proNBP), D-димер, фибриноген, С-реактивный белок (СРБ), глюкоза, креатинин, мочевая кислота. Конечной точкой исследования был факт смерти от всех причин в течение 5 лет проспективного наблюдения (2013-2018гг). Группу умерших за этот период составили 42 (2%) человека, продолживших исследование — 2089 (98%). Для обработки и анализа данных применяли тесты χ2, Фишера и МаннаУитни, однофакторную логистическую регрессию (ЛР). Для построения прогностических моделей использовали методы машинного обучения (МО): многофакторную ЛР, вейбул-регрессию и стохастический градиентный бустинг.
Результаты. Разработанные на основе методов МО прогностические модели с использованием в их структуре показателей возраста, пола, факта курения, систолического АД (САД) и уровня общего ХС имели более высокие метрики качества, чем шкала SCORE (Systematic Coronary Risk Evaluation). Включение в состав предикторов показателей СРБ, глюкозы, NT-proNBP и ЧСС повышало точность всех моделей с максимальным подъемом метрик качества в модели многофакторной ЛР. Тестирование предиктивного потенциала других факторов (СТБ, показатели липидного спектра, фибриноген, D-димер и др.) не улучшало качество прогнозирования. Анализ степени влияния отдельных предикторов на показатель смертности указывал на превалирующий вклад 5 факторов: возраста, уровней общего ХС, NT-proNBP, СРБ и глюкозы. Менее заметное влияние ассоциировалось с уровнем ЧСС, САД и курения, а вклад гендерной принадлежности был минимальный.
Заключение. Применение современных методов МО повышает надежность прогностических моделей и обеспечивает более высокую эффективность риск-стратификации обследованных, особенно среди лиц с низким и умеренным риском смерти от болезней системы кровообращения.
Aim. To develop and perform comparative assessment of the accuracy of models for predicting 5-year mortality risks according to the Epidemiology of Cardiovascular Diseases and their Risk Factors in Regions of Russian Federation (ESSE-RF) study in Primorsky Krai.
Material and methods. The study included 2131 people (1257 women and 874 men) aged 23-67 years with a median of 47 years (95% confidence interval [46; 48]). The study protocol included measurement of blood pressure (BP), heart rate (HR), waist circumference, hip circumference, and waist-to-hip ratio (WHR). The following blood biochemical parameters: total cholesterol (TC), low and high density lipoprotein cholesterol, triglycerides, apolipoproteins AI and B, lipoprotein(a), N-terminal pro-brain natriuretic peptide (NT-proNBP), D-dimer, fibrinogen, C-reactive protein (CRP), glucose, creatinine, uric acid. The study endpoint was 5-year all-cause death (2013-2018). The group of deceased patients during this period consisted of 42 (2%) people, while those continued the study — 2089 (98%). The χ2, Fisher and MannWhitney tests, univariate logistic regression (LR) were used for data processing and analysis. To build predictive models, we used following machine learning (ML) methods: multivariate LR, Weibull regression, and stochastic gradient boosting.
Results. The prognostic models developed on the ML basis, using parameters of age, sex, smoking, systolic blood pressure (SBP) and TC level in their structure, had higher quality metrics than Systematic COronary Risk Evaluation (SCORE) system. The inclusion of CRP, glucose, NT-proNBP, and heart rate into the predictors increased the accuracy of all models with the maximum rise in quality metrics in the multivariate LR model. Predictive potential of other factors (WHR, lipid profile, fibrinogen, D-dimer, etc.) was low and did not improve the prediction quality. An analysis of the influence degree of individual predictors on the mortality rate indicated the prevailing contribution of five factors as follows: age, levels of TC, NT-proNBP, CRP, and glucose. A less noticeable effect was associated with the level of HR, SBP and smoking, while the contribution of sex was minimal.
Conclusion. The use of modern ML methods increases the accuracy of predictive models and provides a higher efficiency of risk stratification, especially among individuals with a low and moderate death risk from cardiovascular diseases.
The authors declare that there are no conflicts of interest present.