Швец Денис Анатольевич — кандидат медицинских наук, врач кардиолог отделения кардиологии 1 с ПРИТ
Орёл
Карасёв Антон Юрьвич — врач кардиолог отделения кардиологии 1 с ПРИТ
Орёл
Смоляков Максим Валерьевич — главный программист
Орёл
Поветкин Сергей Владимирович — доктор медицинских наук, профессор, заведующий кафедрой клинической фармакологии
Курск
Вишневский Валерий Иванович — доктор медицинских наук, профессор, заведующий кафедрой внутренних болезней медицинского института
Орёл
Цель. Изучить возможности применения нейросетевого анализа клиникоинструментальных данных для прогнозирования риска летальных исходов у больных после перенесенного острого коронарного синдрома (ОКС).
Материал и методы. Четыреста пациентов после перенесенного ОКС наблюдались в течение 62 мес. Критерий осложнённого течения ишемической болезни сердца (ИБС) — летальный исход кардиогенной причины. Группу 1 наблюдения составили 310 больных с неосложненным течением и 2 группу 90 больных с осложненным течением ИБС. Для прогнозирования летального риска использовали метод машинного обучения и нейросетевого анализа. Машинное обучение проводилось с включением клинических, лабораторных и инструментальных (электрокардиография, эхокардиография) признаков (всего 49). Для решения задач классификации использованы два вида архитектур нейросетей: многослойный персептрон (Multilayer Perceptron (MLP)) и свёрточная нейронная сеть (Convolutional Neural Networks (CNN)). Соотношение в примерах на обучение и валидацию составило 340/60. Использовался метод обучения с учителем на имеющихся данных, в которых были известны исходы, а параметры нейронной сети подстраивались так, чтобы минимизировать ошибку.
Результаты. Наибольший вклад в риск летального исхода после ОКС вносят возраст больных, перенесенный ранее ИМ и острое нарушение мозгового кровообращения, наличие фибрилляции предсердий, 2 стадия и 3 функциональный класс хронической недостаточности кровообращения, отсутствие чрескожного коронарного вмешательства, 3 стадия хронической болезни почек, сниженная фракция выброса левого желудочка. Большая часть летальных случаев приходилась на 2 и 4 годы наблюдения больных, что, возможно, связано с низкой эффективностью вторичной профилактики ИБС. Исследуемая архитектура свёрточной нейронной сети оказалась более точной моделью диагностики. Чувствительность 68% и специфичность 84%, при хорошем качестве модели (area under curve (AUC) =0,74). К преимуществам CNN относится возможность анализировать закономерности во времени, используя рекуррентные нейронные сети.
Заключение. Нейросетевой анализ подготовленных клинических, лабораторных и инструментальных данных позволяет настроить параметры сети для последующего прогнозирования летального риска. Использование свёрточной нейронной сети с чувствительностью 68% и специфичностью 84% прогнозирует риск летального исхода на протяжении 5 лет после ОКС.
Aim. To study the possibilities of neural network analysis of clinical and instrumental data to predict the mortality risk in patients after acute coronary syndrome (ACS).
Material and methods. The study involved 400 patients after ACS which who observed for 62 months. The criterion for the complicated course of coronary artery disease (CAD) is the cardiovascular death. Group 1 consisted of 310 patients with uncomplicated course of CAD; group 2 — 90 patients with complicated course of CAD. To predict mortality risk, the machine learning method and neural network analysis was used. Machine learning was carried out with the inclusion of clinical, laboratory and instrumental (electrocardiography, echocardiography) parameters (49 in total). To solve the classification problems, two types of neural network architectures were used: Multilayer Perceptron (MLP) and Convolutional Neural Networks (CNN). The ratio in the examples for learning and validation was 340/60. The method of learning with a teacher was used on the available data in which the outcomes were known, and the neural network parameters were adjusted so as to minimize the error.
Results. The following factors made the highest contribution to the mortality risk after ACS: age; history of MI and acute cerebrovascular accident; atrial fibrillation, class 2-3 heart failure; no history of percutaneous coronary intervention; stage 3 chronic kidney disease; reduced left ventricle ejection fraction. Most of the deaths occurred in the 2nd and 4th years of follow-up, which may be due to the low effectiveness of secondary prevention of CAD. CNN architecture had higher accuracy (sensitivity — 68%; specificity — 84%; area under curve=0,74). An advantage of CNN is its ability to analyze patterns over time using recurrent neural networks.
Conclusion. Neural network analysis of clinical, laboratory and instrumental data allows configuring network parameters for mortality risk prediction. CNN predicts 5-year mortality risk after ACS with a sensitivity of 68% and a specificity of 84%.
The authors declare that there are no conflicts of interest present.