cardiovascularКардиоваскулярная терапия и профилактикаCardiovascular Therapy and Prevention1728-88002619-0125«SILICEA-POLIGRAF» LLC10.15829/1728-8800-2025-4130YXVRINcardiovascular-4130Research ArticleАРТЕРИАЛЬНАЯ ГИПЕРТОНИЯARTERIAL HYPERTENSIONРазработка и валидация моделей машинного обучения, прогнозирующих госпитализации пациентов с артериальной гипертензией в течение 12 месяцевDevelopment and validation of machine learning models predicting hospitalizations of hypertensive patients over 12 monthshttps://orcid.org/0000-0001-6359-0763АндрейченкоА. Е.AndreychenkoA. E.

Андрейченко Анна Е. — к.ф.- м.н., руководитель направления искусственного интеллекта

Петрозаводск

Petrozavodsk

anna.ev.andreychenko@yandex.ruhttps://orcid.org/0000-0002-0513-8557ЕрмакА. Д.ErmakA. D.

Ермак Андрей Д. — аналитик данных направления искусственного интеллекта

Петрозаводск

Petrozavodsk

aermak@webiomed.ruhttps://orcid.org/0000-0002-8745-857XГавриловД. В.GavrilovD. V.

Гаврилов Денис В. — эксперт по медицине

Петрозаводск

Petrozavodsk

dgavrilov@webiomed.ruhttps://orcid.org/0000-0002-2350-977XНовицкийР. Э.NovitskyR. E.

Новицкий Роман Э. — генеральный директор

Петрозаводск

Petrozavodsk

roman@webiomed.ruhttps://orcid.org/0000-0002-4453-8430ДрапкинаО. М.DrapkinaO. M.

Драпкина Оксана М. — д.м.н., профессор, академик РАН, директор

Москва

Moscow

drapkina@bk.ruhttps://orcid.org/0000-0002-7380-8460ГусевА. В.GusevA. V.

Гусев Александр В. — к.т.н., с.н.с. отдела научных основ организации здравоохранения

Москва

Moscow

agusev@webiomed.ruООО "К-Скай"OOO K-SkyФГБУ "Национальный медицинский исследовательский центр терапии и профилактической медицины" Минздрава РоссииNational Medical Research Center for Therapy and Preventive MedicineФГБУ "Центральный научно-­исследовательский институт организации и информатизации здравоохранения" Минздрава России; ГБУЗ города Москвы "Научно-­практический клинический центр диагностики и телемедицинских технологий ДЗМ".Central Research Institute for Health Organization and Informatics; Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies20250110202424141304130Copyright © Андрейченко А.Е., Ермак А.Д., Гаврилов Д.В., Новицкий Р.Э., Драпкина О.М., Гусев А.В., 20252025Андрейченко А.Е., Ермак А.Д., Гаврилов Д.В., Новицкий Р.Э., Драпкина О.М., Гусев А.В.Andreychenko A.E., Ermak A.D., Gavrilov D.V., Novitsky R.E., Drapkina O.M., Gusev A.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://cardiovascular.elpub.ru/jour/article/view/4130Цель

Цель. Разработать с использованием алгоритмов машинного обучения модели прогнозирования госпитализаций пациентов с артериальной гипертензией (АГ) в течение 12 мес. и провести их валидацию на данных реальной клинической практики.

Материал и методы

Материал и методы. По сведениям из деперсонифицированных электронных медицинских карт, полученных из платформы Webiomed, отобрано 1165770 записей 151492 пациентов с АГ. В качестве предикторов, после первоначальной селекции, были использованы анамнестические, конституциональные, клинические, инструментальные и лабораторные данные, широко применяемые в рутинной врачебной практике, всего 43 признака. Для создания моделей применялись инструменты автоматического машинного обучения. Рассматривался широкий набор алгоритмов, включая логистическую регрессию, методы, основанные на деревьях решений c использованием градиентного бустинга и бэггинга, дискриминантный анализ, алгоритм на основе нейронных сетей и наивный байесовский классификатор. Для внешней валидации использованы данные отдельного региона.

Результаты

Результаты. Наилучшие результаты показала модель XGBoost, достигнув AUROC (площадь под характеристической кривой) 0,849 (95% доверительный интервал: 0,825-0,873) при внутреннем тестировании и 0,815 (95% доверительный интервал 0,797-0,835) при внешней валидации.

Заключение

Заключение. В результате исследования разработана новая высокоточная модель прогнозирования госпитализации пациентов с АГ по данным реальной клинической практики. Результаты внешней валидации предложенного прогностического инструмента показали относительную устойчивость к новым данным из другого региона, что в совокупности с показателями качества отражает возможность ее апробации в реальной клинической практике.

Aim

Aim. To develop models for predicting hospitalizations of hypertensive (HTN) over 12 months using machine learning algorithms and to validate them using real-world practice data.

Material and methods

Material and methods. Based on the data from depersonalized electronic health records obtained from the Webiomed platform, 1165770 records of 151492 patients with HTN were selected. After the initial selection, a total of 43 anamnestic, constitutional, clinical, and paraclinical features were used as predictors. Automatic machine learning tools were used to create the models. A wide range of algorithms was considered, including logistic regression, decision tree-based methods using gradient boosting and bagging, discriminant analysis, a neural network algorithm and a naive Bayes classifier. Data from a single region were used for external validation.

Results

Results. The XGBoost model showed the best results, achieving an area under the ROC curve (AUC) of 0,849 (95% confidence interval: 0,825-0,873) during internal testing and 0,815 (95% confidence interval: 0,797-0,835) during external validation.

Conclusion

Conclusion. A new highly accurate model for predicting hospitaliza­tion of HTN patients based on real-world data was developed. The results of external validation of the final model showed relative re­sistance to new data from another region that in combination with quality metrics presents the possibility of its approval for application in clinical practice.

артериальная гипертензиягоспитализацияпрогнозные моделимашинное обучениеhypertensionhospitalizationpredictive modelsmachine learningReferencesКобалава Ж. Д., Конради А. О., Не­до­года С. В. и др. Артериальная гипертензия у взрослых. Кли­нические рекомендации 2020. Российский кардиологический журнал. 2020;25(3):3786. doi:10.15829/1560-4071-2020-3-3786.Kobalava ZD, Konradi AO, Nedogoda SV, et al. Arterial hypertension in adults. Clinical guidelines 2020. Russian Journal of Cardiology. 2020;25(3):3786. (In Russ.) doi:10.15829/1560-4071-2020-3-3786.Gaziano TA, Bitton A, Anand S, et al. The global cost of nonoptimal blood pressure. J Hypertens. 2009;27:1472-7. doi:10.1097/HJH.0b013e32832a9ba3.Gaziano TA, Bitton A, Anand S, et al. The global cost of nonoptimal blood pressure. J Hypertens. 2009;27:1472-7. doi:10.1097/HJH.0b013e32832a9ba3.Wang G, Fang J, Ayala C. Hypertension-­associated hospitalizations and costs in the United States, 1979-2006. Blood Pressure. 2014;23: 126-33. doi:10.3109/08037051.2013.814751.Wang G, Fang J, Ayala C. Hypertension-­associated hospitalizations and costs in the United States, 1979-2006. Blood Pressure. 2014;23: 126-33. doi:10.3109/08037051.2013.814751.Lee W, Lee J, Lee H, et al. Prediction of hypertension complications risk using classification techniques. Ind Eng Manag Syst. 2014; 13:449-53. doi:10.7232/iems.2014.13.4.449.Lee W, Lee J, Lee H, et al. Prediction of hypertension complications risk using classification techniques. Ind Eng Manag Syst. 2014; 13:449-53. doi:10.7232/iems.2014.13.4.449.Feng Y, Leung AA, Lu X, et al. Personalized prediction of incident hospitalization for cardiovascular disease in patients with hyper­tension using machine learning. BMC Med Res Methodol. 2022; 22:325. doi:10.1186/s12874-022-01814-3.Feng Y, Leung AA, Lu X, et al. Personalized prediction of incident hospitalization for cardiovascular disease in patients with hyper­tension using machine learning. BMC Med Res Methodol. 2022; 22:325. doi:10.1186/s12874-022-01814-3.Lee SJ, Lee SH, Choi HI, et al. Deep learning improves prediction of cardiovascular disease-­related mortality and admission in pa­tients with hypertension: analysis of the Korean National Health Information Database. J Clin Med. 2022;11:6677. doi:10.3390/jcm11226677.Lee SJ, Lee SH, Choi HI, et al. Deep learning improves prediction of cardiovascular disease-­related mortality and admission in pa­tients with hypertension: analysis of the Korean National Health Information Database. J Clin Med. 2022;11:6677. doi:10.3390/jcm11226677.Wu X, Yuan X, Wang W, et al. Value of a machine learning ap­proach for predicting clinical outcomes in young patients with hyper­tension. Hypertension. 2020;75:1271-8. doi:10.1161/HYPERTENSIONAHA.119.13404.Wu X, Yuan X, Wang W, et al. Value of a machine learning ap­proach for predicting clinical outcomes in young patients with hyper­tension. Hypertension. 2020;75:1271-8. doi:10.1161/HYPERTENSIONAHA.119.13404.Ren Y, Fei H, Liang X, et al. A hybrid neural network model for predicting kidney disease in hypertension patients based on elect­ronic health records. BMC Med Inform Decis Mak. 2019;19:51. doi:10.1186/s12911-019-0765-4.Ren Y, Fei H, Liang X, et al. A hybrid neural network model for predicting kidney disease in hypertension patients based on elect­ronic health records. BMC Med Inform Decis Mak. 2019;19:51. doi:10.1186/s12911-019-0765-4.Park J, Kim JW, Ryu B, et al. Patient-­level prediction of cardio-­cerebrovascular events in hypertension using Nationwide Claims Data. J Med Intern Res. 2019;21:11757. doi:10.2196/11757.Park J, Kim JW, Ryu B, et al. Patient-­level prediction of cardio-­cerebrovascular events in hypertension using Nationwide Claims Data. J Med Intern Res. 2019;21:11757. doi:10.2196/11757.Lacson RC, Baker B, Suresh H, et al. Use of machine-­learning algorithms to determine features of systolic blood pressure variability that predict poor outcomes in hypertensive patients. Clin Kidney J. 2019;12:206-12. doi:10.1093/ckj/sfy049.Lacson RC, Baker B, Suresh H, et al. Use of machine-­learning algorithms to determine features of systolic blood pressure variability that predict poor outcomes in hypertensive patients. Clin Kidney J. 2019;12:206-12. doi:10.1093/ckj/sfy049.Chen R, Yang Y, Miao F, et al. 3-year risk prediction of coronary heart disease in hypertension patients: a preliminary study. 2017 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 2017;1182-5. doi:10.1109/EMBC.2017.8037041.Chen R, Yang Y, Miao F, et al. 3-year risk prediction of coronary heart disease in hypertension patients: a preliminary study. 2017 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 2017;1182-5. doi:10.1109/EMBC.2017.8037041.Moons KGM, Altman DG, Reitsma JB, et al. Transparent Reporting of a multivariable prediction model for Individual Prognosis or Diagnosis (TRIPOD): explanation and elaboration. Ann Intern Med. 2015;162:W1-73. doi:10.7326/M14-0698.Moons KGM, Altman DG, Reitsma JB, et al. Transparent Reporting of a multivariable prediction model for Individual Prognosis or Diagnosis (TRIPOD): explanation and elaboration. Ann Intern Med. 2015;162:W1-73. doi:10.7326/M14-0698.Андрейченко А. Е., Ермак А. Д., Гаврилов Д. В. и др. Разработка и валидация моделей машинного обучения, прогнозирующих риск госпитализации пациентов с сахарным диабетом в течение последующих 12 месяцев. Сахарный диабет. 2024;27(2):142-57. doi:10.14341/DM13065.Andreychenko AE, Ermak AD, Gavrilov DV, et al. Development and validation of machine learning models to predict unplanned hospi­ta­lizations of patients with diabetes within the next 12 months. Dia­betes mellitus. 2024;27(2):142-57. (In Russ.) doi:10.14341/DM13065.Анд­рей­ченко А. Е., Лучинин А. С., Ившин А. А. и др. Разработка и ва­лидация моделей прогнозирования общего риска преэк­ламп­сии и риска ранней преэклампсии с использованием алго­ритмов машинного обучения в первом триместре беременности. Акушерство и гинекология. 2023;2:94-107. doi:10.18565/aig.2023.101.Andreychenko AE, Luchinin AS, Ivshin AA, et al. Development and va­lidation of models to predict total and early-­onset preeclampsia in the first trimester of pregnancy using machine learning algo­rithms. Akusherstvo i Ginekologiya. 2023;2:94-107. (In Russ.) doi:10.18565/aig.2023.101.Sokolova M, Lapalme G. A systematic analysis of performance measures for classification tasks. Information Processing & Mana­gement. 2009;45:427-37. doi:10.1016/j.ipm.2009.03.002.Sokolova M, Lapalme G. A systematic analysis of performance measures for classification tasks. Information Processing & Mana­gement. 2009;45:427-37. doi:10.1016/j.ipm.2009.03.002.Zoubir AM, Iskander DR. Bootstrap Methods and Applications: A Tu­torial for the Signal Processing Practitioner. IEEE Signal Processing Magazine. 2007;24:10-9. doi:10.1109/MSP.2007.4286560.Zoubir AM, Iskander DR. Bootstrap Methods and Applications: A Tu­torial for the Signal Processing Practitioner. IEEE Signal Processing Magazine. 2007;24:10-9. doi:10.1109/MSP.2007.4286560.Ding Y, Simonoff JS. An investigation of missing data methods for classification trees applied to binary response data. J Mach Learn Res. 2010;11:131-70. doi:10.1145/1756006.1756012.Ding Y, Simonoff JS. An investigation of missing data methods for classification trees applied to binary response data. J Mach Learn Res. 2010;11:131-70. doi:10.1145/1756006.1756012.Cao XH, Stojkovic I, Obradovic Z. A robust data scaling algorithm to improve classification accuracies in biomedical data. BMC Bioinformatics. 2016;17. doi:10.1186/s12859-016-1236-x.Cao XH, Stojkovic I, Obradovic Z. A robust data scaling algorithm to improve classification accuracies in biomedical data. BMC Bioinformatics. 2016;17. doi:10.1186/s12859-016-1236-x.Amorim LB, Cavalcanti GD, Cruz RM. The choice of scaling tech­nique matters for classification performance. Appl Soft Comput. 2023;133. doi:10.1016/j.asoc.2022.109924.Amorim LB, Cavalcanti GD, Cruz RM. The choice of scaling tech­nique matters for classification performance. Appl Soft Comput. 2023;133. doi:10.1016/j.asoc.2022.109924.Weiss GM. Foundations of Imbalanced Learning. In: Haibo H, Yunqian M. Imbalanced Learning: Foundations, Algorithms, and Ap­pli­cations. USA: John Wiley & Sons. 2013:13-41. ISBN: 9781118074626.Weiss GM. Foundations of Imbalanced Learning. In: Haibo H, Yunqian M. Imbalanced Learning: Foundations, Algorithms, and Ap­pli­cations. USA: John Wiley & Sons. 2013:13-41. ISBN: 9781118074626.Gain U, Hotti V. Low-code AutoML-augmented data pipeline — a review and experiments. JPCS. 2021;1828. doi:10.1088/1742-6596/1828/1/012015.Gain U, Hotti V. Low-code AutoML-augmented data pipeline — a review and experiments. JPCS. 2021;1828. doi:10.1088/1742-6596/1828/1/012015.Bergstra J, Bengio Y. Random search for hyper-­parameter opti­mization. J Mach Learn Res. 2012;13:281-305.Bergstra J, Bengio Y. Random search for hyper-­parameter opti­mization. J Mach Learn Res. 2012;13:281-305.Lundberg SM, Erion G, Chen H, et al. From local explanations to global understanding with explainable AI for trees. Nat Mach Intell. 2020;2:56-67. doi:10.1038/s42256-019-0138-9.Lundberg SM, Erion G, Chen H, et al. From local explanations to global understanding with explainable AI for trees. Nat Mach Intell. 2020;2:56-67. doi:10.1038/s42256-019-0138-9.Fischer BG, Evans AT. SpPin and SnNout are not enough. It’s time to fully embrace likelihood ratios and probabilistic reasoning to achieve diagnostic excellence. J Gen Inter Med. 2023;38:2202-4. doi:10.1007/s11606-023-08177-5.Fischer BG, Evans AT. SpPin and SnNout are not enough. It’s time to fully embrace likelihood ratios and probabilistic reasoning to achieve diagnostic excellence. J Gen Inter Med. 2023;38:2202-4. doi:10.1007/s11606-023-08177-5.

The authors declare that there are no conflicts of interest present.