Дружилов Марк Андреевич — кандидат медицинских наук, доцент кафедры факультетской терапии, фтизиатрии, инфекционных болезней и эпидемиологии медицинского института.
Петрозаводск.
Тел.: +7 (911) 403-19-48
Petrozavodsk.
Кузнецова Татьяна Юрьевна — доктор медицинских наук, заведующая кафедрой факультетской терапии, фтизиатрии, инфекционных болезней и эпидемиологии медицинского института.
Петрозаводск.
Petrozavodsk.
Гаврилов Денис Владимирович — руководитель медицинского направления.
Петрозаводск.
Petrozavodsk.
Гусев Александр Владимирович — кандидат технических наук, директор по развитию бизнеса, эксперт по искусственному интеллекту, старший научный сотрудник.
Петрозаводск; Москва.
Petrozavodsk; Moscow.
Цель. Сравнительный анализ математических моделей, полученных с помощью многофакторного логистического регрессионного анализа (МЛРА) с пошаговым включением предикторов и методов машинного обучения (МО), в отношении прогнозирования вероятности наличия субклинического каротидного атеросклероза у нормотензивных пациентов с избыточным весом и ожирением без сердечно-сосудистых заболеваний и/или сахарного диабета.Материал и методы. Информация о пациентах извлекалась из базы данных платформы Webiomed, критериями включения являлись возраст ≥18 лет, индекс массы тела ≥25 кг/м2, наличие результатов ультразвукового исследования брахиоцефальных артерий, критериями невключения — сахарный диабет и/или сердечно-сосудистые заболевания. Проводился МЛРА с пошаговым включением предикторов, для создания альтернативной модели использовали алгоритмы МО.Результаты. Общий процент верных классификаций для математической модели, полученной методом МЛРА, составил 73,2%, процент верных отрицательных предсказаний — 80,1%, процент верных положительных предсказаний — 63,4%. Математические модели, созданные с помощью методов МО, характеризуются предсказательной способностью от 75 до 97% при чувствительности от 77 до 92% и специфичности от 80 до 98%.Заключение. Выявлено существенное превосходство моделей, созданных с помощью методов МО, при изучении комплекса широкодоступных клинических и лабораторно-инструментальных параметров. Интеграция математической модели, созданной с помощью методов МО, в диагностический алгоритм принятия решения о направлении пациента на ультразвуковое исследование брахиоцефальных артерий в рамках проведения риск-стратификации пациенту с “невысоким” риском по шкалам-рискометрам, позволит значительно увеличить ее точность, оптимизируя при этом расходы на оказание медицинской помощи.
Aim. Comparative analysis of mathematical models obtained using multivariate logistic regression (MLR) with stepwise inclusion of predictors and machine learning (ML) for assessing the probability of subclinical carotid atherosclerosis in normotensive overweight and obese patients without cardiovascular diseases and/or diabetes.Material and methods. We received data on patients from the Webiomed platform database. The inclusion criteria were age ≥18 years, body mass index ≥25 kg/m2, extracranial artery ultrasound results, while the exclusion criteria included diabetes and/or cardiovascular disease. MLR analysis was carried out with stepwise inclusion of predictors. ML algorithms were used to create an alternative model.Results. The overall percentage of true results for MLR model was 73,2%, while the proportion of true negative and positive predictions was 80,1% and 63,4%, respectively. Mathematical models created using ML methods are characterized by a predictive value from 75 to 97% with a sensitivity of 77 to 92% and a specificity of 80 to 98%.Conclusion. A significant superiority of ML models was revealed in the study of available clinical and paraclinical parameters. Integration of ML mathematical models into a diagnostic algorithm for making a decision to refer a low-risk patient for extracranial artery ultrasound will significantly improve its accuracy and cost efficiency.
The authors declare that there are no conflicts of interest present.