Циванюк Михаил Михайлович — аспирант школы медицины, врач отделения рентгенохирургических методов диагностики и лечения, кардиолог.
Владивосток.
SPIN-код 1491-3966
Mikhail M. Tsivanyuk.
Vladivostok.
Гельцер Борис Израйльевич — доктор медицинских наук, профессор, член-корреспондент РАН, заместитель директора по научной работе.
Владивосток.
SPIN-код: 2216-4151
Boris I. Geltser.
Vladivostok.
Шахгельдян Карина Иосифовна — доктор технических наук, доцент, заведующий лабораторией анализа больших данных в биомедицине и здравоохранении.
Владивосток.
SPIN-код: 3573-7894
Karina I. Shakhgeldyan.
Vladivostok.
Емцева Елена Дмитриевна — кандидат физико-математических наук, доцент института математики и компьютерных технологий.
Владивосток.
SPIN-код: 4767-7293
Elena D. Yemtseva.
Vladivostok.
Завалин Георгий Сергеевич — магистрант кафедры математики и моделирования.
Владивосток.
Georgiy S. Zavalin.
Vladivostok.
Шекунова Ольга Ивановна — кандидат медицинских наук, доцент.
Владивосток.
Olga I. Shekunova.
Vladivostok.
Цель. Оценить предиктивный потенциал электрокардиографических (ЭКГ), эхокардиографических (ЭхоКГ) и липидных показателей для прогнозирования обструктивного поражения коронарных артерий (ОПКА) у больных с острым коронарным синдромом без подъема сегмента ST (ОКСбпST) до проведения инвазивной коронароангиографии (КАГ).
Материал и методы. В проспективное обсервационное когортное исследование было включено 525 пациентов с ОКСбпST с медианой возраста 62 года, которым выполнялась инвазивная КАГ. Было выделено 2 группы, первую из которых составил 351 (67%) больной с ОПКА (стеноз 50%), а вторую — 174 (33%) без ОПКА (<50%). Клинико-функциональный статус больных до проведения КАГ оценивали по 40 показателям. Для обработки и анализа данных использовали методы Манна-Уитни, Фишера, хи-квадрат, однофакторную логистическую регрессию (ЛР), а для разработки прогностических моделей — многофакторную ЛР (МЛР), стохастический градиентный бустинг (XGBoost) и искусственные нейронные сети (ИНС). Качество моделей оценивали по 4 метрикам: площадь под ROC-кривой (AUC), чувствительность (Se), специфичность (Sp) и точность (Ac).
Результаты. Комплексный анализ показателей ЭКГ, ЭхоКГ и липидного спектра позволил выделить факторы, линейно и нелинейно связанные с ОПКА. Методами ЛР были определены их весовые коэффициенты и пороговые значения с наибольшим предиктивным потенциалом. Метрики качества лучшего прогностического алгоритма на основе МЛР составили по AUC — 0,81, Sp и Ac — 0,74, Se — 0,75. Предикторами данной модели были 4 показателя в категориальной форме (фракция выброса левого желудочка (ЛЖ) 42-60%, глобальная продольная систолическая деформация ЛЖ <19%, холестерин липопротеидов низкой плотности >3,5 ммоль/л, возраст >55 лет у мужчин и >65 лет — у женщин).
Заключение. Прогностическая модель, разработанная на основе МЛР, позволяет с высокой точностью верифицировать ОПКА у больных с ОКСбпST до проведения инвазивной КАГ. Модели на основе XGBoost и ИНС обладали меньшей предсказательной ценностью.
Aim. To assess the predictive potential of electrocardiographic (ECG), echocardiographic, and lipid parameters for predicting obstructive coronary artery disease (oCAD) in patients with non-ST-elevation acute coronary syndrome (NSTE-ACS) prior to invasive coronary angiography (CA).
Material and methods. This prospective observational cohort study included 525 patients with NSTE-ACS with a median age of 62 years who underwent invasive coronary angiography. Two groups were distinguished, the first of which consisted of 351 (67%) patients with oCAD (stenosis 50%), and the second — 174 (33%) without oCAD (<50%). Clinical and functional status of patients before CAG was assessed by 40 indicators. Mann-Whitney, Fisher, chi-squared, univariate logistic regression (LR) methods were used for data processing and analysis, while miltivariate LR (MLR), gradient boosting (XGBoost) and artificial neural networks (ANN) were used to develop predictive models. The quality of the models was assessed using 4 following metrics: area under the ROC curve (AUC), sensitivity (Se), specificity (Sp), and accuracy (Ac).
Results. A comprehensive analysis of ECG, echocardiography and lipid profile parameters made it possible to identify factors that had linear and non-linear association with oCAD. LR were used to determine their weight coefficients and threshold values with the highest predictive potential. The quality metrics of the best predictive algorithm based on MLR were 0,81 for AUC, 0,74 for Sp and Ac, and 0,75 for Se. The predictors of this model were 4 categorical parameters (left ventricular (LV) ejection fraction of 42-60%, global LV longitudinal systolic strain <19%, low-density lipoprotein cholesterol >3,5 mmol/l, age >55 years in men and >65 years for women).
Conclusion. The prognostic model developed on the basis of MLR made it possible to verify oCAD with high accuracy in patients with NSTE-ACS before invasive CA. Models based on XGBoost and ANN had less predictive value.
The authors declare that there are no conflicts of interest present.