Прогнозирование наличия субклинического каротидного атеросклероза у пациентов с избыточным весом и ожирением при помощи модели машинного обучения

Цель. Разработать модель прогнозирования наличия субклинического каротидного атеросклероза (СКА) с целью уточнения сердечно-сосудистого риска (ССР) при помощи методов машинного обучения у пациентов с избыточным весом и ожирением без артериальной гипертензии, сахарного диабета и/или сердечно-сосудистых заболеваний (ССЗ).

Материал и методы. Использована база обезличенных данных (БД) Webiomed (2,9 млн пациентов). Критерии включения: возраст ≥18 лет, индекс массы тела ≥25 кг/м², наличие результатов выполненного ультразвукового исследования брахиоцефальных артерий (БЦА). Исключались из анализа пациенты с артериальной гипертензией, сахарным диабетом и/или ССЗ. Отобраны данные о 5750 пациентах, из которых атеросклеротические бляшки БЦА выявлены у 385 человек. Окончательный набор данных (НД) содержал сведения о 447 пациентах, у 197 (44,1%) из них был выявлен СКА. Количественные и категориальные признаки для обучения модели взяты с заполненностью в БД ≥40%, число окончательных признаков для машинного обучения составило 28. При создании модели использовались 3 алгоритма Random Forest, AdaBoostClassifier, KNeighborsClassifier и библиотека Scikit-learn. Для улучшения работоспособности модели применялась функция заполнения пропущенных значений. Целевыми параметрами модели были заданы предсказательная прогнозная способность (accuracy) не ниже 75%, площадь под ROC-кривой не <0,75.

Результаты. Полученный НД был разделен на тренировочную и тестовую части в соотношении 80:20. В зависимости от примененных алгоритмов обученная модель характеризуется предсказательной способностью 75-97%, чувствительностью 77-92%, специфичностью 80-98%, площадью под ROC-кривой 0,88-0,97. С учетом метрик точности лучшие результаты были получены для модели, обученной алгоритмом Random Forest (95%, 92%, 98% и 0,95, соответственно).

Заключение. Разработанная модель может помочь врачу принимать решение о направлении пациента с избыточным весом и ожирением без ССЗ на ультразвуковое исследование БЦА, что способствует более точной стратификации ССР. Внедрение в практику таких алгоритмов риск-стратификации позволит увеличить точность и качество прогнозирования ССР и оптимизировать систему проводимых профилактических мероприятий.

1. NCD Risk Factor Collaboration. Trends in adult body mass index in 200 countries from 1975 to 2014: a pooled analysis of 1698 population-based measurement studies with 128.9 million participants. Lancet. 2016;387(10026):1377-96. doi:10.1016/S0140-6736(16)30054-X.

2. The GBD 2015 Obesity Collaborators. Health Effects of Overweight and Obesity in 195 Countries over 25 Years. N Engl J Med. 2017;377(1):13-27. doi:10.1056/NEJMoa1614362.

3. Rossello X, Dorresteijn J, Janssen A, et al. Risk prediction tools in cardiovascular disease prevention: A report from the ESC Prevention of CVD Programme led by the European Association of Preventive Cardiology (EAPC) in collaboration with the Acute Cardiovascular Care Association (ACCA) and the Association of Cardiovascular Nursing and Allied Professions (ACNAP). Eur J Prev Cardiol. 2019;26(14):1534-44. doi:10.1177/2047487319846715.

4. Mach F, Baigent C, Catapano A, et al. 2019 ESC/EAS Guidelines for the management of dys,lipidaemias: lipid modification to reduce cardiovascular risk. Eur Heart J. 2020;41(1):111-88. doi:10.1093/eurheartj/ehz455.

5. Дружилов М. А., Кузнецова Т. Ю. Гетерогенность фенотипов ожирения в отношении сердечно-сосудистого риска. Кардиоваскулярная терапия и профилактика. 2019;18(1):161-7. doi:10.15829/1728-8800-2019-1-162-168.

6. Baber U, Mehran R, Sartori S, et al. Prevalence, impact, and predictive value of detecting subclinical coronary and carotid atherosclerosis in asymptomatic adults: the BioImage study. J Am Coll Cardiol. 2015;65(11):1065-74. doi:10.1016/j.jacc.2015.01.017.

7. Nezu T, Hosomi N. Usefulness of carotid ultrasonography for risk stratification of cerebral and cardiovascular disease. J Atheroscler Thromb. 2020;27(10):1023-35. doi:10.5551/jat.RV17044.

8. Li H, Xu X, Luo B, Zhang Y. The Predictive Value of Carotid Ultrasonography With Cardiovascular Risk Factors — A “SPIDER” Promoting Atherosclerosis. Front Cardiovasc Med. 2021;8:706490. doi:10.3389/fcvm.2021.706490.

9. Шенкова Н. Н., Веселовская Н. Г., Чумакова Г. А. и др. Прогнозирование риска субклинического атеросклероза брахиоцефальных артерий у женщин с ожирением. Российский кардиологический журнал. 2017;(4):54-60. doi:10.15829/1560-4071-2017-4-54-60.

10. Дружилова О. Ю., Дружилов М. А., Отмахов В. В. и др. Роль оценки жесткости артериальной стенки при прогнозировании атеросклероза сонной артерии у пациентов с абдоминальным ожирением. Терапевтический архив. 2016;4(88):24-8. doi:10.17116/terarkh201688424-28.

11. Гусев А. В., Гаврилов Д. В., Новицкий Р. Э. и др. Совершенствование возможностей оценки сердечно-сосудистого риска при помощи методов машинного обучения. Российский кардиологический журнал. 2021;26(12):4618. doi:10.15829/1560-4071-2021-4618.

12. Narain R, Saxena S, Goyal A. Cardiovascular risk prediction: a comparative study of Framingham and quantum neural network based approach. Patient Prefer Adherence. 2016;10:1259-70. doi:10.2147/PPA.S108203.

13. Dimopoulos A, Nikolaidou M, Caballero F, et al. Machine learning methodologies versus cardiovascular risk scores, in predicting disease risk. BMC Med Res Methodol. 2018;18(1):179. doi:10.1186/s12874-018-0644-1.

14. Bengtsson A, Norberg M, Ng N, et al. The beneficial effect over 3 years by pictorial information to patients and their physician about subclinical atherosclerosis and cardiovascular risk: Results from the VIPVIZA randomized clinical trial. Am J Prev Cardiol. 2021;7:100199. doi:10.1016/j.ajpc.2021.100199.

15. Rossello X, Fuster V, Oliva B, et al. Association Between Body Size Phenotypes and Subclinical Atherosclerosis. J Clin Endocrinol Metab. 2020;105(12):3734-44. doi:10.1210/clinem/dgaa620.