Preview

Российский кардиологический журнал

Расширенный поиск

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

https://doi.org/10.15829/1560-4071-2020-3-3751

Полный текст:

Аннотация

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.

Об авторах

В. А. Невзорова
ФГБОУ ВО Тихоокеанский государственный медицинский университет Минздрава России
Россия

Невзорова Вера А. — доктор медицинских наук, профессор, директор Института терапии и инструментальной диагностики, главный внештатный специалист по терапии Дальневосточного федерального округа

Владивосток



Н. Г. Плехова
ФГБОУ ВО Тихоокеанский государственный медицинский университет Минздрава России
Россия

Плехова Наталья Г. — доктор биологических наук, профессор, заведующая Центральной научно-исследовательской лабораторией

Владивосток



Л. Г. Присеко
ФГБОУ ВО Тихоокеанский государственный медицинский университет Минздрава России
Россия

Присеко Людмила Г. — ординатор Института терапии и инструментальной диагностики

Владивосток



И. Н. Черненко
ФГБОУ ВО Тихоокеанский государственный медицинский университет Минздрава России
Россия

Черненко Иван Н. — младший научный сотрудник, Центральная научно-исследовательской лаборатория

Владивосток



Д. Ю. Богданов
КГБУЗ «Владивостокская клиническая больница № 1»
Россия

Богданов Дмитрий Ю. — врач-кардиолог

Владивосток



М. В. Мокшина
ФГБОУ ВО Тихоокеанский государственный медицинский университет Минздрава России
Россия

Мокшина Маргарита В. — доцент Института терапии и инструментальной диагностики

Владивосток



Н. В. Кулакова
ФГБОУ ВО Тихоокеанский государственный медицинский университет Минздрава России
Россия

Кулакова Наталья В. — доцент Института терапии и инструментальной диагностики

Владивосток



Список литературы

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.


Для цитирования:


Невзорова В.А., Плехова Н.Г., Присеко Л.Г., Черненко И.Н., Богданов Д.Ю., Мокшина М.В., Кулакова Н.В. Методы машинного обучения в прогнозировании исходов и рисков сердечно-сосудистых заболеваний у пациентов с артериальной гипертензией (по материалам ЭССЕ-РФ в Приморском крае). Российский кардиологический журнал. 2020;25(3):3751. https://doi.org/10.15829/1560-4071-2020-3-3751

For citation:


Nevzorova V.A., Plekhova N.G., Priseko L.G., Chernenko I.N., Bogdanov D.Yu., Mokshina M.V., Kulakova N.V. Machine learning for predicting the outcomes and risks of cardiovascular diseases in patients with hypertension: results of ESSE-RF in the Primorsky Krai. Russian Journal of Cardiology. 2020;25(3):3751. (In Russ.) https://doi.org/10.15829/1560-4071-2020-3-3751

Просмотров: 224


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1560-4071 (Print)
ISSN 2618-7620 (Online)