ПОПУЛЯЦИОННЫЕ МОДЕЛИ ПРОГНОЗИРОВАНИЯ СЕРДЕЧНО-СОСУДИСТОГО РИСКА: ЦЕЛЕСООБРАЗНОСТЬ МОДЕЛИРОВАНИЯ И АНАЛИТИЧЕСКИЙ ОБЗОР СУЩЕСТВУЮЩИХ МОДЕЛЕЙ
Аннотация
В статье обобщены данные о подходах к моделированию популяционного риска сердечно-сосудистых заболеваний (ССЗ), включая методологические аспекты и практическую значимость результатов моделирования. Представлена общая схема популяционного моделирования, состоящая из трех этапов: сбор исходных данных для входных параметров, непосредственно процесс моделирования и его результаты, а также практическое применение результатов моделирования. Описаны основные популяционные модели попу- ляционного риска ССЗ с примерами и результатами их использования. Дано заключение о целесообразности разработки отечественной модели прогнозирования популяционного сердечно-сосудис- того риска, максимально адаптированной как к специфике России, так и к требуемым исходам моделирования в российской популяции. Наличие такого инструмента позволит лицам, принимающим решение, прогнозировать эффективность профилактических мер и адекватно распределять ограниченные ресурсы.
Об авторах
А. В. Концевая
ФГБУ “Государственный научно-исследовательский центр профилактической медицины Минздрава России”, Москва
Россия
д.м.н., руководитель лаборатории экономического анализа эпидемиологических исследований и профилактических технологий отдела эпидемиологии ХНИЗ
Россия
д.м.н., руководитель лаборатории экономического анализа эпидемиологических исследований и профилактических технологий отдела эпидемиологии ХНИЗ
С. А. Шальнова
ФГБУ “Государственный научно-исследовательский центр профилактической медицины Минздрава России”, Москва
Россия
д.м.н., профессор, руководитель отдела
Россия
д.м.н., профессор, руководитель отдела
Список литературы
1. Yusuf S, Hawken S, Ounpuu S, et al. INTERHEART Study Investigators. Effect of potentially modifiable risk factors associated with myocardial infarction in 52 countries (the INTERHEART study): case-control study. Lancet 2004; 364(9438): 937-52.
2. 2013 ESH/ESC Guidelines for the management of arterial hypertension. Eur Heart J 2013; 34: 2159-219.
3. Matheny M, McPheeters ML, Glasser A, et al. Systematic Review of Cardiovascular Disease Risk Assessment Tools. Evidence Synthesis No. 85. AHRQ Publication No. 11-05155-EF-1. Rockville, MD: Agency for Healthcare Research and Quality; May 2011.
4. Shalnova SA, Kalinina AM, Deev AD, et al. Russian expert system for risk assessment of major noncommunicable diseases (ORISKON). Cardiovascular Therapy and Prevention 2013; 12 (4):51-5. Russian (Шальнова С. А., Калинина А. М., Деев А.Д. и др. Российская экспертная система Оценки РИСКа Основных Неинфекционных заболеваний (ОРИСКОН). Кардиоваскулярная терапия и профилактика 2013; 12 (4): 51-5).
5. Unal B, Capewell S, Critchley UA. Coronary heart disease policy models: a systematic review. BMC Public Health 2006: 6: 213.
6. Balanova YA, Kontsevaya AV, Shalnova SA. Prevalence of behavior cardiovascular risk factors in Russian population: results of ESSE epidemiological study. Cardiovascular Therapy and Prevention 2014; 5: 42-52. Russian (Баланова Ю.А., Концевая А.В., Шальнова С.А. Распространенность поведенческих факторов риска сердечно-сосудистых заболеваний в российской популяции по результатам исследования ЭССЕ. Профилактическая медицина 2014; 5: 42-52).
7. Chamnan P, Simmons RK, Khaw K-T, et al. Estimating the population impact of screening strategies for identifying and treating people at high risk of cardiovascular disease: modelling study. BMJ 2010; 340: c1693.
8. Pandya A, Gaziano TA, Weinstein MC, et al. More Americans Living Longer With Cardiovascular Disease Will Increase Costs While Lowering Quality Of Life. Health Aff 2013; 32(10): 1706-14.
9. Eddy D. Bringing Health Economic Modeling to the 21st Century. Value in health 2006; 9(3): 168-78.
10. Weinstein MC, Coxson PG, Williams LW, et al. Forecasting coronary heart disease incidence, mortality, and cost: the Coronary Heart Disease Policy Model. Am J Public Health 1987; 77: 1417-26.
11. Moran AE, Odden MC, Thanataveerat A, et al. Cost-Effectiveness of Hypertension Therapy According to 2014 Guidelines. N Engl J Med 2015; 372: 447-55.
12. Kontsevaia AV, Suvorova EI, Khudiakov MB. Economic efficiency of renal denervation in patients with resistant hypertension: results of Markov modeling. Kardiologiia 2014; 54(1): 41-7. Russian (Концевая А.В., Суворова Е. И., Худяков М.Б. Экономическая эффективность ренальной денервации у пациентов с резистентной артериальной гипертонией: результаты марковского моделирования. Кардиология 2014; 54(1): 41-7).
13. van Kempen BJ, Ferket BS, Hofman A, et al. Validation of a model to investigate the effects of modifying cardiovascular disease (CVD) risk factors on the burden of CVD: the Rotterdam ischemic heart disease and stroke computer simulation (RISC) model. BMC Med 2012; 10: 158.
14. Capewell S, Morrison CE, McMurray JJ. Contribution of modern cardiovascular treatment and risk factor changes to the decline in coronary heart disease mortality in Scotland between 1975 and 1994. Heart 1999; 81: 380-6.
15. Unal B, Critchley JA, Capewell S. Modelling the decline in coronary heart disease deaths in England and Wales, 1981-2000: comparing contributions from primary prevention and secondary prevention. BMJ 2005; 331: 614.
16. Capewell S, Unal B, Critchley JA, et al. Over 20000 avoidable coronary deaths in England and Wales in 2000: the failure to give effective treatments to many eligible patients. Heart 2006; 92(4): 521-3.
17. Murray CJ, Lopez AD. Global mortality, disability, and the contribution of risk factors: Global Burden of Disease Study. Lancet 1997; 349: 1436-42.
18. Schlessinger L, Eddy DM. Archimedes: a new model for simulating health care systems—the mathematical formulation. J Biomed Informat 2002; 35: 37-50.
19. Kahn R, Robertson RM, Smith R, et al. The impact of prevention on reducing the burden of cardiovascular disease. Circulation 2008; 118: 576-85.
20. Shum K, Alperin P, Shalnova S, et al. 2014 Simulating the Impact of Improved Cardiovascular Risk Interventions on Clinical and Economic Outcomes in Russia. PLoS ONE 2014; 9(8): e103280.
21. Lewsey JD, Lawson KD, Ford I, et al. A cardiovascular disease policy model that predicts life expectancy taking into account socioeconomic deprivation. Heart 2015; 101(3): 201-8.
22. Taljaard M, Tuna M, Bennett C, et al. Cardiovascular Disease Population Risk Tool (CVDPoRT): predictive algorithm for assessing CVD risk in the community setting. A study protocol. BMJ Open 2014; 4: e006701.
Для цитирования:
Концевая А.В., Шальнова С.А. ПОПУЛЯЦИОННЫЕ МОДЕЛИ ПРОГНОЗИРОВАНИЯ СЕРДЕЧНО-СОСУДИСТОГО РИСКА: ЦЕЛЕСООБРАЗНОСТЬ МОДЕЛИРОВАНИЯ И АНАЛИТИЧЕСКИЙ ОБЗОР СУЩЕСТВУЮЩИХ МОДЕЛЕЙ. Кардиоваскулярная терапия и профилактика. 2015;14(6):54-58. https://doi.org/10.15829/1728-8800-2015-6-54-58
For citation:
Kontsevaya A.V., Shalnova S.A. POPULATION MODELS OF CARDIOVASCULAR RISK PREDICTION: EXPEDIENCE OF MODELING AND ANALYTIC REVIEW OF CURRENT MODELS. Cardiovascular Therapy and Prevention. 2015;14(6):54-58. (In Russ.) https://doi.org/10.15829/1728-8800-2015-6-54-58
Просмотров: 204
Послать статью по эл. почте 
