Нейросетевой анализ предикторов летального риска у больных после перенесенного острого коронарного синдрома

Цель. Изучить возможности применения нейросетевого анализа клиникоинструментальных данных для прогнозирования риска летальных исходов у больных после перенесенного острого коронарного синдрома (ОКС).

Материал и методы. Четыреста пациентов после перенесенного ОКС наблюдались в течение 62 мес. Критерий осложнённого течения ишемической болезни сердца (ИБС) — летальный исход кардиогенной причины. Группу 1 наблюдения составили 310 больных с неосложненным течением и 2 группу 90 больных с осложненным течением ИБС. Для прогнозирования летального риска использовали метод машинного обучения и нейросетевого анализа. Машинное обучение проводилось с включением клинических, лабораторных и инструментальных (электрокардиография, эхокардиография) признаков (всего 49). Для решения задач классификации использованы два вида архитектур нейросетей: многослойный персептрон (Multilayer Perceptron (MLP)) и свёрточная нейронная сеть (Convolutional Neural Networks (CNN)). Соотношение в примерах на обучение и валидацию составило 340/60. Использовался метод обучения с учителем на имеющихся данных, в которых были известны исходы, а параметры нейронной сети подстраивались так, чтобы минимизировать ошибку.

Результаты. Наибольший вклад в риск летального исхода после ОКС вносят возраст больных, перенесенный ранее ИМ и острое нарушение мозгового кровообращения, наличие фибрилляции предсердий, 2 стадия и 3 функциональный класс хронической недостаточности кровообращения, отсутствие чрескожного коронарного вмешательства, 3 стадия хронической болезни почек, сниженная фракция выброса левого желудочка. Большая часть летальных случаев приходилась на 2 и 4 годы наблюдения больных, что, возможно, связано с низкой эффективностью вторичной профилактики ИБС. Исследуемая архитектура свёрточной нейронной сети оказалась более точной моделью диагностики. Чувствительность 68% и специфичность 84%, при хорошем качестве модели (area under curve (AUC) =0,74). К преимуществам CNN относится возможность анализировать закономерности во времени, используя рекуррентные нейронные сети.

Заключение. Нейросетевой анализ подготовленных клинических, лабораторных и инструментальных данных позволяет настроить параметры сети для последующего прогнозирования летального риска. Использование свёрточной нейронной сети с чувствительностью 68% и специфичностью 84% прогнозирует риск летального исхода на протяжении 5 лет после ОКС.

1. Бойцов С.А., Демкина А.Е., Ощепкова Е.В., и др. Достижения и проблемы практической кардиологии в России на современном этапе. Кардиология. 2019;59(3):53-9. doi:10.18087/cardio.2019.3.10242.

2. Vedanthan R, Seligman B, Fuster V. Global Perspective on Acute Coronary Syndrome a Burden on the Young and Poor Circulation Research. 2014;114:1959-75. doi:10.1161/CIRCRESAHA.114.302782.

3. Al’Aref SJ, Singh G, van Rosendael AR, et al. Determinants of In‐Hospital Mortality After Percutaneous Coronary Intervention: A Machine Learning. Journal of the American Heart Association. 2019;8:e011160. doi:10.1161/JAHA.118.011160.

4. Kakadiaris IA, Vrigkas M, Yen AA, et al. Machine Learning Outperforms ACC/AHA CVD Risk Calculator in MESA. Journal of the American Heart Association. 2018;7:e009476. doi:10.1161/JAHA.118.009476.

5. Alaa AM, Bolton T, Di Angelantonio E, et al. Cardiovascular disease risk prediction using automated machine learning: A prospective study of 423,604 UK Biobank participants. PLoS One. 2019;14(5):e0213653. doi:10.1371/journal.pone.0213653.

6. Ambale-Venkatesh B, Yang X, Wu CO, et al. Cardiovascular Event Prediction by Machine Learning: The Multi-Ethnic Study of Atherosclerosis. Circ Res. 2017;121(9):1092-101. doi:10.1161/CIRCRESAHA.117.311312.

7. Гудфеллоу Я, Бенджио И, Курвилль А. Глубокое обучение. М.: ДМК Пресс, 2018. с. 652. ISBN 978-5-97060-618-6.

8. Gerber Y, Weston SA, Enriquez-Sarano M, et al. Contemporary Risk Stratification After Myocardial Infarction in the Community: Performance of Scores and Incremental Value of Soluble Suppression of Tumorigenicity-2. J Am Heart Assoc. 2017;6(10). pii:e005958. doi:10.1161/JAHA.117.005958.

9. Kwon JM, Kim KH, Jeon KH, et al. Artificial intelligence algorithm for predicting mortality of patients with acute heart failure. PLoS One. 2019;14(7):e0219302. doi:10.1371/journal.pone.0219302.

10. Duan H, Sun Z, Dong W, et al. Utilizing dynamic treatment information for MACE prediction of acute coronary syndrome. BMC Med Inform Decis Mak. 2019;19(1):5. doi:10.1186/s12911-018-0730-7.

11. Benjamins JW, van Leeuwen K, Hofstra L, et al. Enhancing cardiovascular artificial intelligence (AI) research in the Netherlands: CVON-AI consortium. Neth Heart J. 2019;27(9):414-25. doi:10.1007/s12471-019-1281-y.