Зайцев Вадим Витальевич — ассистент кафедры кардиологии факультета послевузовского и дополнительного образования Института медицинского образования.
Санкт-Петербург
St. Petersburg
Сафронов Кирилл Сергеевич — старший преподаватель кафедры прикладной математики и математического моделирования.
Санкт-Петербург
St. Petersburg
Конасов Константин Станиславович — врач-кардиолог, аспирант кафедры кардиологии факультета послевузовского и дополнительного образования Института медицинского образования.
Санкт-Петербург
St. Petersburg
Бавшин Тимур Русланович — студент.
Санкт-Петербург
St. Petersburg
Манохин Кирилл Андреевич — студент.
Санкт-Петербург
St. Petersburg
Образцова Лолита Андреевна — ординатор кафедры кардиологии факультета послевузовского и дополнительного образования Института медицинского образования.
Санкт-Петербург
St. Petersburg
Моисеева Ольга Михайловна — д.м.н., профессор, г.н.с., руководитель научно-исследовательского отдела некоронарогенных заболеваний сердца Института сердца и сосудов.
Санкт-Петербург
St. Petersburg
Цель. Разработка предиктивных моделей для дифференциальной диагностики гипертрофического фенотипа у пациентов с сопутствующими заболеваниями, а также их валидация посредством независимой оценки.
Материал и методы. В исследование был включен анализ 1169 медицинских карт из медицинской информационной системы пациентов с выраженной гипертрофией миокарда и предварительным диагнозом гипертрофической кардиомиопатии (ГКМП) (I42.1, I42.2). Пациенты были разделены на 3 группы: пациенты с вероятным диагнозом ГКМП, пациенты с умеренной гипертрофией миокарда (>15 мм) вследствие известного заболевания, а также пациенты с выраженной гипертрофией миокарда, которую сложно объяснить исключительно перегрузкой давлением левого желудочка ("серая зона"). В исходном наборе данных представлено 74 параметра. Построены и оптимизированы модели машинного обучения следующих классов: логистическая регрессия (LR), метод опорных векторов (SVM), дерево принятия решений (DT) и градиентный бустинг на деревьях решений.
Результаты. Все модели обладают достаточной точностью выявления ГКМП, однако точность исключения диагноза довольно низкая. Применение модели машинного обучения с использованием логистической регрессии позволило снизить риск ошибочной диагностики ГКМП в группе сомнительного диагноза до 31%.
Заключение. Разработаны 4 предиктивные модели для дифференциального диагноза при выраженной гипертрофии миокарда левого желудочка с целью улучшения диагностики ГКМП. По результатам валидации слепым методом оптимальной моделью для клинической практики определена логистическая регрессия.
Aim. To develop predictive models for differential diagnostics of hypertrophic phenotype in patients with concomitant diseases, as well as to validate through independent assessment.
Material and methods. The study included an analysis of 1169 medical records from the medical information system of patients with severe myocardial hypertrophy and a preliminary diagnosis of hypertrophic cardiomyopathy (HCM) (I42.1, I42.2). The patients were divided into 3 following groups: patients with a probable HCM, patients with moderate myocardial hypertrophy (>15 mm) due to a known disease, and patients with severe myocardial hypertrophy that cannot be explained by left ventricular pressure overload ("gray zone"). The original dataset contains 74 parameters. Machine learning models of the following classes were created and optimized: logistic regression, support vector machine, decision tree, and gradient boosting decision trees.
Results. All models have sufficient accuracy in detecting HCM, but the accuracy of ruling out the diagnosis is quite low. The use of a machine learning model using logistic regression reduced the HCM misdiagnosis risk in the group of questionable diagnosis to 31%.
Conclusion. Four predictive models for differential diagnosis of severe left ventricular myocardial hypertrophy were developed to improve the HCM diagnosis. Blinding validation showed that logistic regression is the most optimal model for clinical practice.
The authors declare that there are no conflicts of interest present.