Методы машинного обучения в прогнозировании рисков 5-летней смертности (по данным исследования ЭССЕ-РФ в Приморском крае)

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.

1. The European Society for Cardiology. ESC Guidance for the Diagnosis and Management of CV Disease during the COVID-19 Pandemic. https://www.escardio.org/Education/COVID-19-andCardiology. (Last update: 10 June 2020).

2. Бойцов С. А., Погосова Н. В., Бубнова М. Г. и др. Кардиоваскулярная профилактика 2017. Российские национальные рекомендации. Российский кардиологический журнал. 2018;23(6):7-122. doi:10.15829/1560-4071-2018-6-7-122.

3. Arnett DK, Blumenthal RS, Albert MA, et al. 2019 ACC/AHA Guideline on the Primary Prevention of Cardiovascular Disease: Executive Summary. A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines. J Am Coll Cardiol. 2019;74(10):1376-414. doi:10.1016/j.jacc.2019.03.009.

4. Бродская Т. А., Невзорова В. А., Репина Н. И., Богданов Д. Ю. Вопросы оценки сердечно-сосудистого риска в зависимости от этнической принадлежности и поражения органов-мишеней. Кардиоваскулярная терапия и профилактика. 2017;16(4):93-9. doi:10.15829/1728-88002017-4-93-99.

5. Berger JS, Jordan CO, Lloyd-Jones D, Blumenthal R. Blumenthal screening for cardiovascular risk in asymptomatic patients. Rational Pharmacotherapy in Cardiology. 2010;6(3):381-90. doi:10.20996/1819-6446-2010-6-3-381-390.

6. Бойцов С. А., Драпкина О. М. Современное содержание и совершенствование стратегии высокого сердечно-сосудистого риска в снижении смертности от сердечно-сосудистых заболеваний. Терапевтический архив. 2021;93(1):4-6. doi:10.26442/00403660.2021.01.200543.

7. Гусев А. В., Гаврилов Д. В., Корсаков И. Н. и др. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний. Врач и информационные технологии. 2019;3:41-7.

8. Shakhgeldyan C, Geltser B, Kriger A, et al. Feature Selection Strategy for Intrahospital Mortality Prediction after Coronary Artery Bypass Graft Surgery on an Unbalanced Sample. Proceeding of 4th International Conference on Computer Science and Application Engineering. CSAE. 2020;108:1-7. doi:10.1145/3424978.3425090.

9. Гельцер Б. И., Циванюк М. М., Шахгельдян К. И., Рублев В. Ю. Методы машинного обучения как инструмент диагностических и прогностических исследований при ишемической болезни сердца. Российский кардиологический журнал. 2020;25(12):3999. doi:10.15829/15604071-2020-3999.

10. Научно-организационный комитет проекта ЭССЕРФ. Эпидемиология сердечно-сосудистых заболеваний и в различных регионах России (ЭССЕ-РФ). Обоснование и дизайн исследований. Профилактическая медицина. 2013;6:25-34.

11. Plekhova NG, Nevzorova VA, Rodionova LV, et al. Scale of Binary Variables for Predicting Cardiovascular Risk Scale for Predicting Cardiovascular Risk, 2018. 3rd Russian-Pacific Conference on Computer Technology and Applications (RPC). 2018:1-4. doi:10.1109/RPC.2018.8482216.

12. Williams B, Mancia G, Spiering W, et al. ESC Scientific Document Group. 2018 ESC/ESH Guidelines for the management of arterial hypertension. Eur Heart J. 2018;1;39(33):3021-104. doi:10.1093/eurheartj/ehy339.

13. Гельцер Б. И., Шахгельдян К. И., Рублев В. Ю. и др. Методы машинного обучения в прогнозировании летальных исходов в стационаре у больных ишемической болезнью сердца после коронарного шунтирования. Кардиология. 2020;60(10):38-46. doi:10.18087/cardio.2020.10.n1170.

14. Белялов Ф. И. Использование шкал прогноза в клинической медицине. Российский кардиологический журнал. 2016;(12):23-7. doi:10.15829/1560-4071-2016-12-23-27.

15. Жукова В. А., Шальнова С. А., Метельская В. А. С-реактивный белок: современное состояние проблемы. Кардиоваскулярная терапия и профилактика. 2011;10(1):90-5.

16. Шальнова С. А., Имаева А. Э., Деев А. Д. и др. Повышенный уровень натрийуретического пептида в популяции взрослого населения регионов — участников ЭССЕ-РФ и его ассоциации с сердечно-сосудистыми заболеваниями и факторами риска. Кардиология. 2017;57(12):43-52. doi:10.18087/cardio.2017.12.10065.

17. Chen X, Barywani SB, Hansson P, et al. Impact of changes in heart rate with age on all-cause death and cardiovascular events in 50-year-old men from the general population. Open Heart. 2019;6:e000856. doi:10.1136/openhrt-2018-000856.