Ирина Александровна Золотовская — д.м.н., зав. кафедрой научных и инновационных технологий в здравоохранении
ул. Чапаевская, д. 89, Самара, 443099
Chapaevskaya str., 89, Samara, 443099
Дмитрий Викторович Дупляков — д.м.н., профессор, зав. кафедрой пропедевтической терапии с курсом кардиологии, СамГМУ; главный врач, ГБУЗ СОККД им. В.П. Полякова
ул. Чапаевская, д. 89, Самара, 443099;ул. Аэродромная, д. 43, Самара, 443070
Chapaevskaya str., 89, Samara, 443099; Aerodromnaya str., 43, Samara, 443070
Полина Романовна Шацкая — аспирант кафедры пропедевтической терапии с курсом кардиологии, СамГМУ; врач-кардиолог, ГБУЗ СОККД им. В.П. Полякова
ул. Чапаевская, д. 89, Самара, 443099;ул. Аэродромная, д. 43, Самара, 443070
Chapaevskaya str., 89, Samara, 443099; Aerodromnaya str., 43, Samara, 443070
Цель. Оценить возможности применения технологий искусственного интеллекта (ИИ) в качестве инструмента "второго пилота" для фенотипирования пациентов пожилого возраста с атеросклеротическим поражением различных сосудистых бассейнов, а также изучить клиническую эффективность комбинированной липидснижающей терапии (розувастатин + эзетимиб) в данной популяции.
Материал и методы. В проспективное когортное исследование включены 739 пациентов в возрасте старше 60 лет (медиана 67 [63; 72] лет; 52,8% женщин) с верифицированным атеросклеротическим поражением (коронарных, церебральных или периферических артерий). Методом стратифицированной рандомизации пациенты разделены на две группы: основная группа (n=371) получала комбинированную терапию (розувастатин 20 мг + эзетимиб 10 мг/сут.) в течение 6 мес.; группа контроля (n=368) получала стандартную липидснижающую терапию (розувастатин 20 мг/сут.) в соответствии с клиническими рекомендациями. Для фенотипирования пациентов применялся алгоритм машинного обучения (градиентный бустинг с интерпретацией SHAP), интегрированный в систему поддержки принятия врачебных решений. Оценивались биохимические параметры липидного спектра, эхокардиографические показатели, динамика коморбидной патологии на исходном визите, через 3 и 6 месяцев наблюдения.
Результаты. Применение ИИ-алгоритма позволило выделить четыре клинических фенотипа пациентов с атеросклерозом: "коронарный" (38,2%), "цереброваскулярный" (27,6%), "мультифокальный" (19,1%) и "метаболический" (15,1%). В основной группе к 6-му месяцу наблюдения зафиксировано статистически значимое улучшение липидного профиля: снижение холестерина (ХС) липопротеидов низкой плотности (ЛНП) на 54,2% (p<0,001 vs контроль), повышение ХС липопротеидов высокой плотности на 18,4% (p<0,01). Достижение целевого уровня ХС ЛНП <1,4 ммоль/л отмечено у 67,4% пациентов основной группы vs 41,2% в контроле (p<0,001). По данным эхокардиографии, в основной группе зарегистрировано увеличение фракции выброса левого желудочка на 5,2% (p<0,01) и положительная динамика показателей диастолической функции. Наибольшая эффективность терапии наблюдалась у пациентов фенотипов "коронарный" и "мультифокальный".
Заключение. Использование ИИ в качестве "второго пилота" позволяет персонализировать терапевтическую стратегию у пожилых пациентов с атеросклеротическим поражением. Комбинированная терапия розувастатином и эзетимибом демонстрирует высокую эффективность в достижении целевых уровней липидов и положительной динамики эхокардиографических показателей с максимальным эффектом у определенных клинических фенотипов.
Aim. To evaluate the potential of artificial intelligence (AI) technologies as a "second pilot" tool for phenotyping elderly patients with atherosclerosis in various vascular systems and to study the clinical efficacy of combination lipid-lowering therapy (rosuvastatin + ezetimibe) in this population.
Material and methods. This prospective cohort study included 739 patients over 60 years of age (median, 67 [63; 72] years; women, 52,8%) with verified atherosclerosis (coronary, cerebral, or peripheral arteries). Using stratified randomization, patients were divided into two following groups: the main group (n=371) received combination therapy (rosuvastatin 20 mg + ezetimibe 10 mg/day) for 6 months; the control group (n=368) received standard lipid-lowering therapy (rosuvastatin 20 mg/day) in accordance with clinical guidelines. A machine learning algorithm (gradient boosting with SHAP-based interpretation) integrated into the clinical decision support system was used for patient phenotyping. Lipid profile, echocardiographic parameters, and changes in comorbid pathology were assessed at the baseline visit and after 3and 6-month follow-up.
Results. The AI algorithm allowed us to identify four following clinical phenotypes of patients with atherosclerosis: "coronary" (38,2%), "cerebrovascular" (27,6%), "multifocal" (19,1%), and "metabolic" (15,1%). In the study group, significant lipid profile improvement was recorded by the 6th month of follow-up as follows: a 54,2% decrease in low-density lipoprotein cholesterol (LDL-C) (p<0,001 vs control) and an 18,4% increase in HDL-C (p<0,01). Achievement of the target LDL-C level <1,4 mmol/L was observed in 67,4% of patients in the study group compared to 41,2% in the control group (p<0,001). Echocardiography data showed a 5,2% increase in left ventricular ejection fraction (p<0,01) and diastolic function improvement in the study group. The greatest treatment efficacy was observed in patients with the "coronary" and "multifocal" phenotypes.
Conclusion. The use of AI as a "second pilot" allows for therapeutic strategy personalization in elderly patients with atherosclerosis. Combination therapy with rosuvastatin and ezetimibe demonstrates high efficacy in achieving target lipid levels and positive dynamics in echocardiographic parameters, with the greatest effect in certain clinical phenotypes.
The authors declare that there are no conflicts of interest present.