Швец Денис Анатольевич — к.м.н., врач кардиолог отделения кардиологического № 2, врач ультразвуковой диагностики
Орёл
Oryol
Поветкин Сергей Владимирович — д.м.н., профессор, зав. кафедрой клинической фармакологии
Курск
Kursk
Цель. Выявление основных предикторов летального исхода на основании региональной базы данных больных с инфарктом миокарда (ИМ) или нестабильной стенокардией (НС).
Материал и методы. В ретроспективном исследовании приняли участие 1515 больных с НС и ИМ, что составило 55,3% больных, пролеченных в период 2012-2016гг. Медиана наблюдения — 62 [36; 71] мес. Критерий осложнённого течения ишемической болезни сердца — летальный исход. 1 группу составили 238 больных с летальным исходом от ишемической болезни сердца, 2 группу составили 1277 больных с благоприятным исходом. Все полученные данные были структурированы в виде файла Excel. Из медицинских карт извлекались переменные, доступные большинству лечебных учреждений (исключение — данные коронарографии). Для автоматического выделения признаков использовался ансамблевый алгоритм машинного обучения, разработанный компанией Яндекс — CatBoost (Categorical Boosting).
Результаты. Летальность за 62 мес. наблюдения составила 15,4%. В исследовании использовали 47 количественных и качественных (категориальных) признаков. Фильтрационный метод отбора выделил значимые количественные признаки: возраст, фракция выброса (ФВ) левого желудочка (ЛЖ), скорость клубочковой фильтрации, креатинин, индекс массы тела, рост, вес, площадь поверхности тела (ППТ), эритроциты, гемоглобин, глюкоза, общий холестерин (ХС), ХС липопротеинов низкой плотности, ХС липопротеинов высокой плотности, частота сердечных сокращений, индекс конечного диастолического объёма ЛЖ, индекс конечного систолического объёма ЛЖ, систолическое давление в лёгочной артерии; категориальные признаки: хроническая сердечная недостаточность (ХСН), класс сердечной недостаточности по классификации Killip T, Kimballe J, 1967 (Killip), постинфарктный кардиосклероз, коморбидность, хроническая болезнь почек, стенокардия, сахарный диабет, фибрилляция предсердий, положительные тропонины, девиация S-T, коронарография, чрескожное коронарное вмешательство, нозология (НС, передний или нижний ИМ). Автоматический метод выбора признаков с помощью алгоритма машинного обучения выявил наиболее значимые признаки, определяющие вероятность летального исхода: возраст, ФВ ЛЖ, ППТ, уровень креатинина, систолическое артериальное давление, ХСН, коморбидность, нозология.
Заключение. Из медицинской карты больных ИМ и НС отобрано 47 доступных клинических признаков. Наиболее существенными для прогноза летального исхода по результатам машинного отбора оказались 8: возраст, ФВ ЛЖ, ППТ, уровень креатинина, систолическое артериальное давление, ХСН, коморбидность, нозология.
Aim. To identify main predictors of fatal outcome based on the regional database of patients with myocardial infarction (MI) or unstable angina (UA).
Material and methods. The retrospective study included 1515 patients with UA and MI, which accounted for 55,3% of patients treated in the period 2012-2016. The median follow-up was 62 [36; 71] months. The criterion for a complicated course of coronary artery disease (CAD) is fatal outcome. Group 1 included 238 patients with fatal outcome of CAD, while group 2 — 1277 patients with favorable outcome. All obtained data were structured as an Excel file. Variables available to most medical institutions (except coronary angiography data) were extracted from medical records. For automatic feature extraction, we used an ensemble machine learning algorithm developed by Yandex — CatBoost (Categorical Boosting).
Results. Mortality over 62-month follow-up was 15,4%. The study used 47 quantitative and qualitative (categorical) features. The filter feature selection identified significant quantitative characteristics, including age, left ventricular (LV) ejection fraction (EF), glomerular filtration rate, creatinine, body mass index, height, weight, body surface area (BSA), red blood cells, hemoglobin, glucose, total cholesterol (TC), lowdensity lipoprotein cholesterol, high-density lipoprotein cholesterol, heart rate, LV end-diastolic volume index, LV end-systolic volume index, pulmonary artery systolic pressure. There were following categorical variables: heart failure (HF), heart failure Killip class, old myocardial infarction, comorbidity, chronic kidney disease, angina pectoris, diabetes, atrial fibrillation, positive troponins, S-T deviation, coronary angiography, percutaneous coronary intervention, nosological unit (UA, anterior or inferior MI). An automatic feature selection using a machine learning algorithm identified the following most significant features determining the probability of death: age, LVEF, BSA, creatinine level, systolic blood pressure, HF, comorbidity, nosological unit.
Conclusion. Forty-seven available clinical features were selected from the medical records of patients with MI and UA. There were 8 following most significant parameters for predicting a fatal outcome according to machine selection results: age, LVEF, BSA, creatinine level, systolic blood pressure, HF, comorbidity, nosological unit.
The authors declare that there are no conflicts of interest present.