Анализ выживаемости пациентов после протезирования аортального клапана биологическими протезами с использованием методов машинного обучения

Протезирование аортального клапана с использованием биологических протезов является наиболее распространённым вмешательством при пороках аортального клапана, особенно среди пожилых пациентов. Однако прогноз в отдалённой периоде представляется вариабельным, т.к. требует более точных подходов к стратификации риска. Классические методы статистического анализа, несмотря на свою надёжность, часто не учитывают сложные нелинейные взаимодействия между клиническими параметрами.

Выбор данной темы обусловлен необходимостью поиска более гибких и точных инструментов прогнозирования, способных учитывать как клинические, так и функциональные параметры пациента. Методы машинного обучения, в частности алгоритм случайного леса для анализа выживаемости (RSF, Random Survival Forest), позволяют не только повысить точность моделей выживаемости, но и визуализировать вклад каждого признака в прогноз, что крайне важно для клиницистов при принятии решений.

RSF — это алгоритм ансамблевого обучения, адаптированный для анализа данных с цензурированием, что особенно актуально в исследованиях выживаемости. RSF представляет собой модификацию классического случайного леса, позволяющую строить прогнозы по временным исходам (например, смерть или повторная госпитализация) [1].

В отличие от модели Кокса, RSF не требует выполнения предпосылки пропорциональности рисков и может эффективно обрабатывать сложные, многомерные и неоднородные медицинские данные. Кроме того, RSF устойчив к пропущенным значениям, что делает его особенно удобным при работе с реальными клиническими данными [1].

По сравнению с другими методами машинного обучения — такими как градиентный бустинг или нейронные сети — RSF сочетает высокую точность прогноза с относительной интерпретируемостью. С помощью методов объяснимого искусственного интеллекта, в частности SHAP (SHapley Additive exPlanations)-анализа, врач может оценить вклад каждого признака в индивидуальный прогноз. Это важно в тех случаях, когда прозрачность модели необходима для принятия обоснованных клинических решений.

Основной целью нашего исследования была современная актуализация данных о выживаемости пациентов в отдаленном периоде после операций протезирования аортального клапана биологическими протезами, стратификация групп риска и выявление факторов, которые потенциально влияют на выживаемость пациентов с использованием современных методов анализа.

Материал и методы

В статье представлены результаты ретроспективного исследования, направленного на анализ отдалённой выживаемости пациентов после хирургического протезирования аортального клапана биологическими протезами. В выборку были включены 176 пациентов, перенесшие открытую операцию по замене аортального клапана в плановом порядке (с 2015 по декабрь 2024гг). Наблюдение осуществлялось в течение срока до 10 лет с момента оперативного вмешательства, средний срок наблюдения составил 74,1 (44; 84) мес., медиана — 56 мес. Критерием включения являлось наличие полного объема предоперационных, интраоперационных и послеоперационных данных. Исключались пациенты с одномоментным протезированием других клапанов сердца и отсутствием достоверной информации о жизненном статусе на момент анализа.

Первичной конечной точкой служила общая летальность в отдалённом периоде, определяемая по данным амбулаторных карт, выписок и телефонных опросов. Вторичными точками служили повторные госпитализации, развитие осложнений и повторные операции. Все пациенты дали информированное согласие на использование обезличенных данных в научных целях. Исследование одобрено этическим комитетом учреждения. Летальность учитывалась по состоянию на 01.03.2025.

В таблице 1 представлены ключевые характеристики пациентов до операции. В таблице 2 представлены эхокардиографические данные до операции. В таблице 3 — особенности оперативного вмешательства. В таблице 4 представлены результаты осмотра в отдаленном периоде и структура смертности.

Статистический анализ. Для описания количественных признаков при нормальном распределении использовали формат представления Mean±SD (среднее значение ± стандартное отклонение), при отличном от нормального распределении — Median [ 25%; 75%] (медиана [ 25-й; 75-й перцентили]). Проверку на соответствие закону нормального распределения проводили с помощью теста Шапиро-Уилка. Категориальные переменные выражены в абсолютных значениях и относительных частотах (n, %).

Для сравнения количественных переменных между двумя группами использовали критерий Стьюдента (t-тест) при нормальном распределении или тест Манна-Уитни при ненормальном распределении. Для сравнения качественных признаков применяли критерий χ² или точный критерий Фишера.

Анализ выживаемости проводился методом Каплана-Майера с оценкой различий с помощью лог-рангового теста. Модель пропорциональных рисков Кокса и RSF применялись для оценки факторов, ассоциированных с исходами. Для оценки прогностической точности моделей использовался C-индекс (Harrell’s concordance index).

Кривые выживаемости Каплана-Майера строились для трёх терцилей предсказанного риска, полученного по каждой из моделей, и сравнивались с помощью лог-рангового теста (p<0,001). Это позволило выявить статистически значимое расслоение групп риска и подтвердить клиническую ценность предложенной стратификации.

Все расчёты выполнялись на языке программирования Python 3.11 с использованием библиотек Pandas, NumPy, Lifelines, Scikit-survival, Scikit-learn и SHAP.

Результаты

Анализ причин смертности

Из 34 летальных исходов в отдалённом периоде, по имеющимся данным, в 22 случаях (64,7%) причиной смерти были сердечно-сосудистые осложнения (прогрессирование хронической сердечной недостаточности (ХСН), внезапная сердечная смерть, ишемические события), в 5 случаях (14,7%) — онкологические заболевания, в 3 случаях (8,8%) — инфекционные осложнения (включая повторный эндокардит), и в 4 случаях (11,8%) причина не установлена (табл. 4).

Такая структура летальности подчёркивает важность стратификации сердечно-сосудистого риска и длительного наблюдения за пациентами даже после радикального хирургического вмешательства.

Обобщение результатов при использовании классических методов анализа (модель Кокса)

Модель пропорциональных рисков Кокса показала умеренную прогностическую точность с C-индексом 0,72. Она позволила выделить несколько значимых факторов риска, включая фибрилляцию предсердий (ФП), низкий уровень гемоглобина, повышенный уровень креатинина, пожилой возраст и сниженную фракцию выброса (ФВ). Однако распределение пациентов по риску оказалось непропорциональным, особенно между средней и высокой группами риска (рис. 1).

Применение метода RSF

Алгоритм RSF был обучен на тех же клинических, лабораторных, эхокардиографических и операционных переменных, что и модель Кокса. RSF не требует выполнения предпосылки о пропорциональности рисков, способен учитывать сложные нелинейные зависимости и взаимодействия между признаками, а также устойчив к пропущенным значениям и выбросам.

Для каждой записи в выборке модель RSF генерировала прогноз выживаемости на протяжении всего периода наблюдения. Индивидуальные прогнозы использовались для построения интегрального риска смерти, на основании которого пациенты были разделены на три группы риска (терциля):

• низкий риск,
• средний риск,
• высокий риск.

Кривая выживаемости Каплана-Майера по группам RSF показала выраженное расслоение. Пятилетняя выживаемость составила:

• 95,3% в группе низкого риска,
• 77,6% в группе среднего риска,
• 59,7% в группе высокого риска.

Модель RSF продемонстрировала значительно более высокую точность прогноза с C-индексом 0,86. На основе предсказанных значений риска пациенты были распределены на три терциля. Кривые Каплана-Майера показали выраженное различие в выживаемости (рис. 2).

SHAP-анализ выявил основные признаки, оказывающие влияние на прогноз выживаемости: ФП, гемоглобин, индекс массы тела (ИМТ), креатинин, возраст, пол, ФВ и функциональный класс ХСН. Визуализация SHAP-вкладов позволила оценить индивидуальные профили риска и выявить скрытые взаимосвязи между признаками (табл. 5).

Выделение групп риска по модели Кокса

Для стратификации пациентов на группы риска с использованием модели Кокса был рассчитан индивидуальный прогнозируемый риск смерти на основе коэффициентов модели. Каждому пациенту присваивался риск-скор (linear predictor), вычисляемый как сумма произведений значений переменных на соответствующие коэффициенты регрессии. Далее пациенты были ранжированы по этому индексу и разделены на три терциля:

• нижний терциль — группа низкого риска,
• средний терциль — группа среднего риска,
• верхний терциль — группа высокого риска.

Для каждой из этих групп была построена кривая выживаемости Каплана-Майера. Несмотря на то, что расслоение между группами было статистически значимым, различия между средней и высокой группой риска были менее отчётливы по сравнению с моделью RSF. Это связано с тем, что линейная структура модели Кокса ограничивает чувствительность к взаимодействию и нелинейным эффектам переменных.

Таким образом, подход к стратификации по модели Кокса возможен, но его точность и практическая ценность в реальной клинической практике ограничены.

Анализ с применением модели пропорциональных рисков Кокса позволил установить статистически значимые ассоциации между отдельными клиническими переменными и риском смерти в отдалённый период. Наиболее значимыми предикторами по модели Кокса стали: ФП, пониженный уровень гемоглобина, повышенный уровень креатинина, пожилой возраст и сниженная ФВ (рис. 3).

Эта модель подтвердила, что факторы риска, хорошо известные в клинической практике, действительно связаны с прогнозом у пациентов после протезирования аортального клапана. Однако модель Кокса имеет ограничение: она предполагает линейное и пропорциональное воздействие каждого признака во времени. Кроме того, она не позволяет учитывать сложные взаимодействия между переменными и не выявляет вклад неочевидных факторов.

Таким образом, хотя модель Кокса позволяет сделать важные выводы лишь об общих тенденциях в когорте, её прогностическая точность и индивидуализированная стратификация риска остаются ограниченными. Это определяет необходимость применения более гибких моделей анализа выживаемости, в т.ч. методов машинного обучения, таких как RSF.

SHAP-анализ позволил интерпретировать вклад отдельных признаков в предсказания модели. Метод SHAP даёт возможность оценить, насколько каждый конкретный признак влияет на повышение или понижение индивидуального риска смерти для каждого пациента. В отличие от традиционного анализа значимости переменных, SHAP-методика основывается на теории игр и позволяет учитывать влияние признаков в различных сочетаниях, что особенно важно при наличии сложных взаимосвязей между параметрами.

Наибольшее влияние на прогноз в модели RSF оказали:

• наличие ФП (повышает риск смерти),
• низкий уровень гемоглобина (маркер анемии и хронических заболеваний),
• низкий ИМТ (возможный маркер саркопении или кахексии),
• высокий уровень креатинина (почечная дисфункция),
• пожилой возраст,
• мужской пол,
• сниженная ФВ (дисфункция миокарда),
• высокий функциональный класс ХСН по NYHA (New York Heart Association) (III-IV).

Важно отметить, что некоторые из этих факторов не вошли в число значимых в модели Кокса, но проявили высокое влияние в нелинейной RSF-модели, что подчёркивает её чувствительность к комплексным взаимодействиям. SHAP-графики также позволили визуализировать индивидуальные профили риска и определить, какие именно признаки способствуют неблагоприятному прогнозу у конкретного пациента (рис. 4).

Таким образом, SHAP-анализ в рамках модели RSF обеспечил не только высокую точность прогнозирования, но и глубокое понимание клинически значимых факторов, что открывает возможности для персонализированного подхода к лечению и наблюдению с учётом влияния отдельных признаков на предсказания модели. Эти результаты хорошо согласуются с клиническими наблюдениями и подчёркивают высокую интерпретируемость RSF-модели.

Таким образом, метод RSF показал более высокую точность и клиническую полезность по сравнению с моделью Кокса, а также возможность персонализированного прогнозирования риска с учётом многомерных данных.

Обсуждение

Применение алгоритма RSF в кардиологической практике активно развивается в последние годы. В фундаментальной работе Ishwaran H, et al. (2008) метод RSF был впервые применён к оценке выживаемости пациентов с сердечно-сосудистыми заболеваниями, и продемонстрировал более высокую точность по сравнению с моделью Кокса [1]. В исследованиях, посвящённых кардиохирургическим регистрам, RSF успешно применялся для оценки риска после операций по протезированию клапанов и коррекции сложных пороков сердца, показав устойчивость к большому количеству переменных и высокий уровень обобщения результатов [2-4].

В обзоре Nedadur R, et al. (2024) подчёркивается потенциал алгоритмов машинного обучения, включая RSF, в создании персонализированных прогностических моделей для пациентов с клапанными пороками сердца. Особое внимание уделяется сочетанию высокой прогностической ценности и интерпретируемости модели, что делает RSF предпочтительным инструментом в прогнозировании клинических результатов [2].

Отдельные исследования также демонстрируют эффективность RSF при прогнозировании причин сердечно-сосудистой летальности у пациентов с ХСН, после коронарного шунтирования и имплантации кардиостимуляторов [3].

Полученные результаты демонстрируют значимый прогресс в подходах к анализу выживаемости после хирургических вмешательств на аортальном клапане. Классическая модель Кокса подтвердила наличие клинически значимых взаимосвязей между факторами риска и отдалённой летальностью, однако её ограниченные возможности по учёту нелинейных эффектов и взаимодействий между переменными снижают точность индивидуального прогноза.

Применение метода RSF позволило не только улучшить прогностическую точность модели, но и получить новое понимание вклада различных клинических параметров в риск смерти. SHAP-анализ показал, что важнейшими предикторами оказались как ожидаемые параметры (возраст, ФВ, гемоглобин), так и менее очевидные — ИМТ, ритм, функциональный класс ХСН по NYHA. Это подчёркивает, что даже умеренно выраженные нарушения, не воспринимаемые как критичные в стандартной практике, могут вносить значимый вклад в отдаленный прогноз.

Полученные результаты открывают перспективы внедрения RSF-моделей в клиническую практику для расчёта индивидуального прогноза и более точной стратификации риска. Это особенно важно в условиях ограниченных ресурсов и времени, когда необходимо выделять пациентов, нуждающихся в более частом наблюдении или коррекции терапии.

Заключение

Проведённый анализ показал, что использование классической модели пропорциональных рисков Кокса остаётся полезным инструментом для выявления значимых факторов риска у пациентов после протезирования аортального клапана. Тем не менее ограниченные возможности этой модели в учёте нелинейных зависимостей и взаимодействий между переменными снижают её эффективность при формировании индивидуальных прогнозов. Включение в анализ современных алгоритмов машинного обучения, в частности модели RSF, позволило достичь более высокой точности прогноза (C-индекс 0,86) и обеспечить надёжную стратификацию пациентов по уровню риска на основе многомерных клинических данных. Применение интерпретируемых методов, таких как SHAP-анализ, дало возможность определить ключевые переменные, оказывающие наибольшее влияние на исходы: ФП, анемия, повышение уровня креатинина, низкий ИМТ, пожилой возраст и снижение ФВ. Эти результаты согласуются с данными отечественных и зарубежных исследований, что подтверждает актуальность интеграции методов машинного обучения в кардиохирургическую практику. Такой подход позволяет не только повысить точность оценки риска, но и улучшить индивидуализацию тактики ведения пациентов, способствуя более обоснованному принятию клинических решений.

Отношения и деятельность: все авторы заявляют об отсутствии потенциального конфликта интересов, требующего раскрытия в данной статье.