Василий Николаевич Торопов — магистрант, практикант научно-исследовательской лаборатории "Трансляционная биоинформатика и системная биология" медицинского института
Октябрьский проспект, д. 55, Сыктывкар, 167001
Oktyabrsky ave., 55, Syktyvkar, 167001
Андрей Николаевич Богомолов — к.м.н., с.н.с. лаборатории возрастной патологии сердечно-сосудистой системы, АННО ВО НИЦ Санкт-Петербургский институт биорегуляции и геронтологии; врач эндоваскулярный хирург, СПб ГБУЗ Александровская больница
пр. Солидарности, д. 4, Санкт-Петербург, 193312; пр. Динамо, д. 3, Санкт-Петербург, 197110
Solidarity ave., 4, St. Petersburg, 193312; Dynamo ave., 3, St. Petersburg, 197110
Ольга Николаевна Курочкина — д.м.н., зав. кафедрой терапии медицинского института, ФГБОУ ВО Сыктывкарский государственный университет им. Питирима Сорокина; зав. научным отделом, ГУ РК Клинический кардиологический диспансер
Октябрьский проспект, д. 55, Сыктывкар, 167001; ул. Маркова, д. 1, Сыктывкар, 167981
Oktyabrsky ave., 55, Syktyvkar, 167001; Markova str., 1, Syktyvkar, 167981
Роман Евгеньевич Ветошкин — инженер научно-исследовательской лаборатории "Трансляционная биоинформатика и системная биология" медицинского института
Октябрьский проспект, д. 55, Сыктывкар, 167001
Oktyabrsky ave., 55, Syktyvkar, 167001
Илья Андреевич Соловьёв — к.б.н., с.н.с. (заведующий) научноисследовательской лаборатории "Трансляционная биоинформатика и системная биология" медицинского института
Октябрьский проспект, д. 55, Сыктывкар, 167001
Oktyabrsky ave., 55, Syktyvkar, 167001
Цель. Оценить эффективность современных ансамблевых моделей машинного обучения (МО) в прогнозировании госпитальной летальности у пациентов с острым коронарным синдромом (ОКС) в сравнении с традиционной клинической шкалой GRACE.
Материал и методы. В ретроспективное исследование включены анонимизированные данные 14420 пациентов с ОКС, госпитализированных в кардиологический стационар. Для каждого клинического случая анализировалось 28 предикторов. На основе этих данных обучены алгоритмы МО: логистическая регрессия, деревья решений, случайный лес (Random Forest), градиентный бустинг (XGBoost, CatBoost). Для оценки качества моделей использовались площадь под ROC-кривой (AUC-ROC), полнота (Recall) и F1-мера. Результаты лучшей модели сопоставлялись с оценкой риска по шкале GRACE. Для интерпретации логики алгоритма применялся SHAP-анализ.
Результаты. Госпитальная летальность составила 6,03% (804 пациента). Алгоритмы на основе градиентного бустинга продемонстрировали наилучшую предсказательную способность. Лидером стала модель CatBoost, показавшая значение AUC-ROC 0,961, статистически значимо превзойдя шкалу GRACE (AUCROC 0,919) на тестовой выборке. SHAP-анализ выявил, что наибольший вклад в прогноз модели вносят: наличие дислипидемии в анамнезе, фракция выброса левого желудочка, класс острой сердечной недостаточности по Killip, возраст и уровень систолического артериального давления. Модель успешно выявила скрытые нелинейные клинические паттерны, включая парадоксальный защитный эффект диагностированной ранее дислипидемии и критическую прогностическую значимость отсутствия анамнестических данных при поступлении.
Заключение. Методы МО, в частности алгоритм CatBoost, обеспечивают более высокую точность прогнозирования госпитальной летальности при ОКС по сравнению с классическими шкалами. Способность алгоритмов учитывать сложные нелинейные взаимосвязи между клиническими показателями делает их перспективной основой для создания точных систем поддержки принятия врачебных решений.
Aim. To evaluate the effectiveness of modern ensemble machine learning (ML) models in predicting in-hospital mortality in patients with acute coronary syndrome (ACS) compared to the traditional GRACE clinical score.
Material and methods. This retrospective study included anonymized data from 14420 patients with ACS admitted to a cardiology hospital. For each case, 28 predictors were analyzed. Following machine learning algorithms were trained using this data: logistic regression, decision trees, random forest, and gradient boosting (XGBoost, CatBoost). The area under the receiver operating characteristic (AUC-ROC), recall, and F1 score were used to assess the model quality. The results of the best model were compared with the GRACE risk score. SHAP analysis was used to interpret the algorithm logic.
Results. Inhospital mortality was 6,03% (n=804). Gradient boosting algorithms demonstrated the highest predictive capability. The CatBoost model emerged as the top performer, achieving an AUC-ROC of 0,961, significantly outperforming the GRACE score (AUC-ROC 0,919) on the test set. SHAP analysis revealed that the greatest contributors to the model’s prediction were history of dyslipidemia, left ventricular ejection fraction, Killip class of acute heart failure, age, and systolic blood pressure levels. The model successfully identified hidden nonlinear clinical patterns, including the paradoxical protective effect of previously diagnosed dyslipidemia and the critical prognostic significance of missing medical history data upon admission.
Conclusion. ML methods, particularly the CatBoost algorithm, provide higher accuracy in predicting in-hospital mortality in ACS compared to conventional scores. The ability of these algorithms to account for complex nonlinear relationships between clinical indicators makes them a promising foundation for developing accurate clinical decision support systems.
The authors declare that there are no conflicts of interest present.