Оценка предиктивного потенциала факторов сердечно-сосудистого риска и их ассоциаций с жесткостью артерий у лиц европейской и корейской этнических групп

Цель. Сравнительная оценка влияния факторов сердечно-сосудистого риска на жесткость аорты у лиц европейской и восточноазиатской этнических групп.

Материал и методы. Обследовано 266 пациентов 18-60 лет европейской (n=133) и корейской (n=133) этнических групп. Выполнена клиническая оценка, оценка биохимических показателей, включая общий холестерин (ОХС), холестерин липопротеидов низкой (ХС ЛНП) и высокой (ХС ЛВП) плотности, аполипопротеины А и В (апо-В), триглицериды (ТГ), мочевую кислоту (МК), креатинин, глюкозу, адипонектин, резистин. Скорость распространения пульсовой волны в аорте (СПВА) и центральное артериальное давление (ЦАД) определяли на артериографе Tensiomed (Венгрия). Дизайн исследования включал 3 этапа. Первый: статистический анализ данных тестами Манна-Уитни, χ², Фишера. Второй: определение весовых коэффициентов влияния отдельных факторов риска на СПВА. Третий: верификация взаимосвязи этнической принадлежности и СПВА с помощью многофакторных моделей логистической регрессии (ЛР) и стохастического градиентного бустинга (СГБ).

Результаты. У европейцев медианные значения показателей роста, индекса массы тела (ИМТ), окружности талии (ОТ) и ОТ/рост были достоверно выше, а уровень апо-В, ОХС, ХС ЛВП, ХС ЛНП, ТГ — достоверно ниже, чем у азиатов. У корейцев были более высокие концентрации в крови МК, креатинина, глюкозы, а содержание резистина в 1,8 раз ниже. Среди европейцев отношение шансов развития артериальной гипертензии (АГ) было существенного выше, уровень СПВА у лиц различных этносов значимо не различался. Оценка весовых коэффициентов однофакторных моделей ЛР в общей популяции показала доминирующее влияние на СПВА параметров возраста, ЦАД и ОТ/ рост. Менее заметную достоверную взаимосвязь с СПВА имели АГ, женский пол, ИМТ, уровни систолического, диастолического и пульсового АД. Анализ вклада потенциальных предикторов в повышение артериальной жесткости с помощью многофакторных моделей ЛР и СГБ показал, что максимальная точность прогноза наблюдается при комбинации в одной модели 5 предикторов: возраста, роста, АГ, ХС ЛНП и признака этнической принадлежности. Сопоставимую точность демонстрировала модель, где вместо ХС ЛНП использован показатель гликемии. Результаты свидетельствуют о нелинейной взаимосвязи этнического фактора с СПВА и реализации его предиктивного потенциала только при сочетании с признаками функционально-метаболического статуса пациентов, причем у корейцев пороговые значения этих факторов могут быть значительно выше, чем у европейцев.

Заключение. Разработанные на основе современных технологий машинного обучения модели оценки СПВА с учетом этнического фактора могут быть полезным инструментом для обработки и анализа данных в прогностических исследованиях.

1. World Health Organization. Global surveillance for COVID-19 caused by human infection with COVID-19 virus: interim guidance, 2020. https://extranet.who.int/iris/restricted/handle/10665/331506.

2. The European Society for Cardiology. ESC Guidance for the Diagnosis and Management of CV Disease during the COVID-19 Pandemic. https://www.escardio.org/Education/COVID-19-and-Cardiology/ESC-COVID-19-Guidance. (Last update: 10 June 2020).

3. Бродская Т.А., Невзорова В.А., Репина Н. И., Богданов Д. Ю. Вопросы оценки сердечно-сосудистого риска в зависимости от этнической принадлежности и поражения органов-мишеней. Кардиоваскулярная терапия и профилактика. 2017;16(4):93-9. doi:10.15829/1728-8800-2017-4-93-99.

4. Collins GS, Altman DG. Predicting the cardiovascular disease 10-year risk in the United Kingdom: independent and external validation of an updated version of QRISK-2. BMJ. 2012;21(344):4181. doi:10.1136/bmj.e4181.

5. Керимкулова А.С., Маркабаева А.М., Ергазина Г.А. и др. Изучение показателей толщины стенки левого желудочка при артериальной гипертензии в различных этнических группах. Наука и здравоохранение. 2013;4:30-3.

6. Fu S, Luo L, Ye P, Xiao W. Multimarker Analysis for New Biomarkers in Relation to Central Arterial Stiffness and Hemodynamics in a Chinese Community-Dwelling Population. Angiology. 2015;66(10):950-6. doi:10.1177/0003319715573910.

7. Arnett DK, Blumenthal RS, Albert MA, et al 2019 ACC/AHA Guideline on the Primary Prevention of Cardiovascular Disease: Executive Summary: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines. J Am Coll Cardiol. 2019;74(10):1376-1414. doi:10.1016/j.jacc.2019.03.009.

8. JBS3 Board. Joint British Societies’ consensus recommendations for the prevention of cardiovascular disease (JBS3). Heart. 2014;100 Suppl 2:ii1-ii67. doi:10.1136/heartjnl-2014-305693.

9. Бродская Т.А., Репина Н.И., Кондрашова Н.М. и др. Анализ механических свойств аорты в зависимости от статуса курения у лиц европейской и корейской этнической принадлежности. Тихоокеанский медицинский журнал. 2017;70(4):54-9. doi:10.17238/PmJ1609-1175.2017.4.54-59.

10. Васюк Ю.А., Иванова С.В., Школьник Е.Л. и др. Со - гласованное мнение российских экспертов по оценке артериальной жесткости в клинической практике. Кардиоваскулярная терапия и профилактика. 2016;15(2):4- 19. doi:10.15829/1728-8800-2016-2-4-19.

11. Townsend RR, Wilkinson IB, Schiffrin EL, et al. American Heart Association Council on Hypertension. Recommendations for Improving and Standardizing Vascular Research on Arterial Stiffness. J Hypertension. 2015;66(3):698-722. doi:10.1161/HYP.0000000000000033.

12. Европейские рекомендации по профилактике сердечнососудистых заболеваний в клинической практике (пересмотр 2016). Российский кардиологический журнал. 2017;(6):7-85.

13. Tillin T, Hughes AD, Whincup P, et al. Ethnicity and prediction of cardiovascular disease: performance of QRISK2 and Framingham scores in a U.K. tri-ethnic prospective cohort study (SABRE). Heart. 2014;100(1):60-7. doi:10.1136/heartjnl-2013-304474.

14. Al’Aref SJ, Anchouche K, Singh G, et al. Clinical applications of machine learning in cardiovascular disease and its relevance to cardiac imaging. European Heart Journal. 2018;40(24):1975-86. doi:10.1093/eurheartj/ehy404.

15. Steele AJ, Denaxas SC, Shah AD, et al. Machine learning models in electronic health records can outperform conventional survival models for predicting patient mortality in coronary artery disease. PLoS ONE. 2018;13(8):e0202344. doi:10.1371/journal.pone.0202344.