Методы машинного обучения в прогнозировании исходов и рисков сердечно-сосудистых заболеваний у пациентов с артериальной гипертензией (по материалам ЭССЕ-РФ в Приморском крае)

Цель. Оценить возможность применения технологий искусственного интеллекта в прогнозировании исходов и рисков сердечно-сосудистых заболеваний (ССЗ) у пациентов с артериальной гипертонией (АГ).

Материал и методы. Создана компьютерная программа для извлечения в полуавтоматическом режиме информации из анкет респондентов, проанализированы библиотеки с предобработкой данных. Проведен анализ основных и дополнительных показателей факторов риска развития ССЗ (35 параметров) у 2131 человек при выполнении регионального этапа “ЭССЕ-РФ, 20142019гг”. Для создания модели прогнозирования применен высокоуровневый язык Python 2.7 с использованием объектно-ориентированного программирования и включением обработки исключений с поддержкой многопоточных вычислений. С помощью функции рандомизирования сформированы обучающая (488 человек) и тестовая (245 человек) выборки, в которые вошли данные пациентов с установленным диагнозом АГ.

Результаты. Распространенность АГ среди обследуемых составила 34,39%. К значимым признакам для прогнозирования развития ССЗ отнесены антропометрические параметры, наличие курения, данные биохимического анализа крови (общий холестерин, АроА, АроВ, глюкоза, Д-димер, С-реактивный белок). В результате 5-летнего наблюдения ССЗ установлены у 235 человек (32,06%) с АГ и у 187 человек (13,38%) без АГ; показатели смертности составили 1,27% у лиц с АГ и 1,12% без АГ. Абсолютный риск фатального исхода среди лиц с АГ (0,037) был значимо выше (p<0,05), чем у пациентов без АГ (0,017). Для построения нейросети (НС) применяли базовую модель Sequential из библиотеки Keras. При машинном обучении в качестве входных данных использовались 26 значимых для развития ССЗ переменных и выходными были определены 9 нейронов, которые соответствовали количеству установленных сердечно-сосудистых событий. Созданная НС обладала предсказующей способностью до 97,9%, что превышало таковую на 34,9% шкалы SCORE.

Заключение. Полученные данные указывают на важность фенотипирования факторов риска с использованием антропометрических маркеров и параметров биохимии крови, при определении их значимости в списках 20 топ-предикторов для прогнозирования ССЗ. Основанный на языке Python метод машинного обучения обеспечивает прогнозирование ССЗ согласно стандартным оценкам риска.

1. Siontis GC, Tzoulaki I, Siontis KC, et al. Comparisons of established risk prediction models for cardiovascular disease: systematic review. BMJ. 2012;344:e3318. doi:10.1136/bmj.e3318.

2. Weng SF, Reps J, Kai J, et al. Can machine-learning improve cardiovascular risk prediction using routine clinical data?. PLoS One. 2017;12(4):e0174944. Published 2017 Apr 4. doi:10.1371/journal.pone.0174944.

3. Ahmad T, Lund LH, Rao P, et al. Machine Learning Methods Improve Prognostication, Identify Clinically Distinct Phenotypes, and Detect Heterogeneity in Response to Therapy in a Large Cohort of Heart Failure Patients. Journal of the American Heart Association. 2018;7(8):e008081. doi:10.1161/JAHA.117.008081.

4. Plekhova NG, Nevzorova VA, Rodionova LV, et al. Scale of Binary Variables for Predicting Cardiovascular Risk Scale for predicting cardiovascular risk. Proceedings of the 2018 3rd Russian-Pacific Conf. on computer technology and applications (RPC). 2018. doi:10.1109/RPC.2018.8482216.

5. Научно-организационный комитет проекта ЭССЕ-РФ. Эпидемиология сердечно-сосудистых заболеваний в различных регионах России (ЭССЕ-РФ). Обоснование и дизайн исследования. Профилактическая медицина. 2013;6:25-34.

6. Рекомендации по лечению артериальной гипертонии. ESH/ESC 2013. Российский кардиологический журнал. 2014;(1):7-94. doi:10.15829/1560-4071-2014-1-7-94.

7. Плехова Н.Г., Невзорова В. А., Родионова Л. В. и др. Показатели липопротеинового метаболизма у пациентов молодого возраста с артериальной гипертонией. Вестник современной клинической медицины. 2019;4:44-51. doi:10.20969/VSKM.2019.12(4).44-51.

8. 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.