Вячеслав Валерьевич Рябов — д.м.н., профессор, член-корр. РАН, зам. директора по научной и лечебной работе, зав. отделением неотложной кардиологии
ул. Киевская, д. 111 а, Томск, 634012
Kievskaya str., 111 a, Tomsk, 634012
Анастасия Константиновна Несова — к.м.н., м.н.с. отделения неотложной кардиологии
ул. Киевская, д. 111 а, Томск, 634012
Kievskaya str., 111 a, Tomsk, 634012
Карина Иосифовна Шахгельдян — д.т.н., директор Научно-образовательного центра "Искусственный интеллект", Владивостокский государственный университет; зав. лабораторией анализа больших данных в медицине Школы медицины и наук о жизни, Дальневосточный федеральный университет
ул. Гоголя, д. 41, Владивосток, 690014; о. Русский, п. Аякс, д. 10, Владивосток, 690922
Даниил Ярославович Жуков — магистрант Научно-образовательного центра "Искусственный интеллект"
ул. Гоголя, д. 41, Владивосток, 690014
Gogol str., 41, Vladivostok, 690014
Даниил Ярославович Жуков — аспирант, Дальневосточный федеральный университет; м.н.с. Научно-образовательного центра "Искусственный интеллект", Владивостокский государственный университет
ул. Гоголя, д. 41, Владивосток, 690014; о. Русский, п. Аякс, д. 10, Владивосток, 690922
Gogol str., 41, Vladivostok, 690014; Russian island, Ajax settlement, 10, Vladivostok, 690922
Сергей Витальевич Демьянов — к.м.н., зав. кардиологическим отделением № 1
ул. Киевская, д. 111 а, Томск, 634012
Kievskaya str., 111 a, Tomsk, 634012
Елена Евгеньевна Абраменко — к.м.н., м.н.с. отделения неотложной кардиологии
ул. Киевская, д. 111 а, Томск, 634012
Kievskaya str., 111 a, Tomsk, 634012
Борис Израйлевич Гельцер — д.м.н., профессор, член-корр. РАН, профессор Школы медицины и наук, Дальневосточный федеральный университет; г.н.с. Научно-образовательного центра "Искусственный интеллект", Владивостокский государственный университет
ул. Гоголя, д. 41, Владивосток, 690014; о. Русский, п. Аякс, д. 10, Владивосток, 690922
Gogol str., 41, Vladivostok, 690014; Russian island, Ajax settlement, 10, Vladivostok, 690922
Цель. Разработать прогностическую многофакторную модель для раннего выявления острой коронарной окклюзии (ОКО) у пациентов с острым коронарным синдромом без подъема сегмента ST (ОКСбпST) с использованием методов машинного обучения и набора предикторов, доступных в первые часы госпитализации.
Материал и методы. В ретроспективное наблюдательное исследование включены 1144 пациента с диагнозом инфаркта миокарда без подъема сегмента ST или нестабильной стенокардии, госпитализированные в региональный сосудистый центр в 2019-2021гг. Инвазивная коронарная ангиография была выполнена 900 пациентам, из них ОКО диагностирована у 64 пациентов (7,1%). Для выявления предикторов ОКО проведен анализ 149 клинических, анамнестических, лабораторных и инструментальных параметров, информация о которых была доступна в первые часы госпитализации. После отбора предикторов были разработаны прогностические модели с использованием методов машинного обучения: многофакторной логистической регрессии (МЛР), случайного леса, стохастического градиентного бустинга (XGBoost) и категориального бустинга (CatBoost). Оценка качества моделей проводилась по метрикам ROC-AUC, чувствительности (Sens), специфичности (Spec), Precision-Recall AUC (PR-AUC), меры качества вероятностных прогнозов (Brier-score), доли истинно положительных (PPV) и истинно отрицательных (NPV) результатов, F1-score и Accuracy.
Результаты. Независимыми предикторами ОКО явились: впервые выявленные/новые нарушения локальной сократимости левого желудочка, скорость оседания эритроцитов >15,5 мм/ч, холестерин липопротеинов высокой плотности <0,9 ммоль/л, креатинфосфокиназа МВ >82 ед/л, а также признаки продолжающейся ишемии миокарда при поступлении в виде рефрактерной/рецидивирующей боли в грудной клетке и/или одышки в сочетании как минимум с одним из прочих установленных критериев ОКСбпST очень высокого риска неблагоприятных ишемических событий согласно действующим клиническим рекомендациям. Наилучшие прогностические характеристики продемонстрировала модель на основе CatBoost (ROC-AUC=0,841). Хорошо интерпретируемая прогностическая модель ОКО на основе многофакторной логистической регрессии и полученных факторов риска имела схожие с моделью CatBoost метрики качества.
Заключение. Комбинация клинических, лабораторных и эхокардиографических параметров позволяет эффективно прогнозировать наличие ОКО в когорте ОКСбпST. Разработанные модели машинного обучения демонстрируют диагностическую точность и могут стать основой для модификации алгоритмов ранней стратификации риска и оптимизации стратегий инвазивного лечения.
Objective. To develop a multivariate predictive model for the early detection of acute coronary occlusion (ACO) in patients with non-ST-elevation acute coronary syndrome (NSTE-ACS) using machine learning methods and a set of predictors available within the first hours of hospitalization.
Material and methods. This retrospective observational study included 1,144 patients diagnosed with non-ST-elevation myocardial infarction or unstable angina, hospitalized at a regional vascular center between 2019 and 2021. Invasive coronary angiography was performed in 900 patients, with ACO diagnosed in 64 (7.1%). To identify predictors of ACO, we analyzed 149 clinical, anamnestic, laboratory, and instrumental parameters, available during the initial hours of hospitalization. After selecting predictors, predictive models were developed using machine learning techniques: multivariate logistic regression (MLR), random forest, stochastic gradient boosting (XGBoost), and categorical boosting (CatBoost). Model performance was evaluated based on ROC-AUC, sensitivity (Sens), specificity (Spec), Precision-Recall AUC (PR-AUC), Brier-score, positive predictive value (PPV), negative predictive value (NPV), F1-score, and Accuracy.
Results. Independent predictors of ACO included newly diagnosed or new left ventricular regional wall motion abnormalities, erythrocyte sedimentation rate >15.5 mm/h, high-density lipoprotein cholesterol <0.9 mmol/L, creatine phosphokinase MB >82 U/L, and signs of ongoing myocardial ischaemia at admission: refractory or recurrent chest pain and/or dyspnea, combined with at least one other established criterion of very high-risk NSTE-ACS according to current clinical guidelines. The CatBoost-based model demonstrated the best prognostic performance (ROC-AUC = 0.841). A highly interpretable prognostic model based on multivariable logistic regression, using the identified risk factors, had performance metrics comparable to the CatBoost model.
Conclusion. The combination of clinical, laboratory, and echocardiographic parameters enables effective prediction of ACO in the NSTE-ACS cohort. The developed machine learning models demonstrate diagnostic accuracy and can form the basis for modifying early risk stratification algorithms and optimizing invasive treatment strategies.
The authors declare that there are no conflicts of interest present.