Сравнение эффективности и методологического качества моделей машинного обучения для прогнозирования исходов при сердечной недостаточности с сохраненной и сниженной фракцией выброса: систематический обзор

Хроническая сердечная недостаточность (ХСН) остается глобальной медико-социальной проблемой, характеризующейся неблагоприятным прогнозом и высоким экономическим бременем, где пятилетняя смертность превышает 50%, а затраты на госпитализацию составляют до 75% расходов системы здравоохранения по данному заболеванию [1][2]. Особую сложность представляет гетерогенность заболевания, требующая дифференцированного подхода к стратификации риска у пациентов с сохраненной и сниженной фракцией выброса (ФВ) левого желудочка (ЛЖ) [3].

Согласно международной классификации ХСН и современным рекомендациям Российского кардиологического общества (2024), выделяют три фенотипа ХСН в зависимости от величины ФВ ЛЖ: со сниженной ФВ (ХСНнФВ) — ≤40%, с умеренно сниженной ФВ (ХСНунФВ) — 41-49% и сохраненной ФВ (ХСНсФВ) — ≥50% [4][5]. Однако стоит учитывать, что среди существующих исследований имеется неоднородность по критериям отнесения пациентов с ХСН к тому или иному фенотипу (например, ХСНсФВ определялась как ФВ ЛЖ ≥40% или ≥45%, ХСНнФВ — как ≤40% или ≤45%) [6].

Традиционные прогностические шкалы (MAGGIC, SHFM) демонстрируют умеренную точность и лишь немногие из них разрабатывались для группы с ХСНсФВ [7-9]. Неспособность учитывать комплексные взаимосвязи между многочисленными предикторами ограничивает их использование в персонализированной медицине.

Методы машинного обучения (ML) открывают новые перспективы за счет возможности анализа больших объемов многомерных данных. Способность алгоритмов ML выявлять сложные паттерны и создавать индивидуализированные прогностические модели позволяет преодолеть ограничения традиционных методов [8]. Многие методы обучения с учителем ("традиционное машинное обучение"), не основанные на нейронных сетях, например, дерево решений или градиентный бустинг, применяются в основном для решения таких задач, как прогнозирование исходов [10].

Однако, несмотря на растущее число публикаций, отсутствуют данные о сравнительной эффективности ML при разных фенотипах ХСН [11]. Существующие обзоры не учитывают методологическое качество исследований и фенотипические различия, что может приводить к некорректным выводам [12].

Цель систематического обзора — сравнительная оценка эффективности и методологического качества моделей ML для прогнозирования исходов у пациентов с сердечной недостаточностью с сохраненной и сниженной ФВ.

Материал и методы

Стратегия поиска была разработана с использованием комбинаций ключевых слов. Поиск проводился в базах данных PubMed и eLibrary за период с 1 января 2015г по 20 октября 2025г. Для PubMed использовался запрос с применением медицинских предметных рубрик (MeSH) и поиск по заголовкам/аннотациям. Аналогичная стратегия была адаптирована для eLibrary с использованием русскоязычных терминов. Использовались следующие поисковые запросы: heart failure, heart failure with reduced ejection fraction, HFrEF, heart failure with preserved ejection fraction, HFpEF, machine learning, prognosis, prediction, ХСН, хроническая сердечная недостаточность, ML, прогностическая модель, прогнозирование госпитализации, прогнозирование смертности.

Для уточнения цели систематического обзора и улучшения точности при отборе исследований использовались следующие критерии (PICO):

• P (участники): взрослые пациенты с ХСНсФВ или ХСНнФВ;
• I (вмешательство): модели ML для прогнозирования госпитализации/смертности или выявления прогностических кластеров;
• C (сравнение): сравнение с традиционными шкалами (например, MAGGIC, SHFM) или с другими методами ML;
• O (исходы): госпитализация, смертность; метрики AUC-ROC, C-statistic, hazard ratio (HR).

После скрининга и оценки полнотекстовых статей в итоговый обзор было включено 20 исследований, соответствующих критериям. Процесс отбора детализирован на блок-схеме PRISMA (рис. 1). Основные причины исключения: изучается прогнозирование развития ХСН (n=8), отсутствует разделение по фенотипам ХСН (n=3), модель основывается на интерпретации данных инструментального метода исследования (n=3), не используются ML-методы (n=2), прогнозируется внутрибольничная смертность (n=2).

Из каждого исследования извлекались данные по стандартизированной форме, включавшей характеристики исследования, популяции, моделей ML и показателей эффективности. Методологическое качество оценивалось с использованием инструмента PROBAST, фокусирующегося на четырех доменах: участники, предикторы, исход, анализ. Исследования с отсутствием внешней валидации автоматически получали высокий риск смещения.

Вследствие значительной методологической гетерогенности проведение метаанализа было признано нецелесообразным. Сравнительный анализ с качественным синтезом данных выполнен по трем направлениям:

1) эффективность моделей между фенотипами ХСН,

2) сравнение подходов supervised (прямое прогнозирование) и unsupervised learning (анализ кластеров),

3) анализ методологического качества.

Результаты

Характеристики исследования

Первоначальный поиск выявил 541 потенциально подходящую статью. На этапе прочтения аннотаций и названий были исключены 503 работы. После разбора полнотекстовых вариантов для включения в обзор отобраны 20 оригинальных исследований. Процесс отбора детально отображен на блок-схеме PRISMA (рис. 1).

Характеристика включенных в обзор исследований

Из 20 включенных исследований 6 работ было посвящено ХСНнФВ, 8 — ХСНсФВ и 3 сфокусированы на ХСНунФВ. Решение о включении в обзор исследований, посвященных ХСНунФВ, было принято из-за отсутствия единых критериев для ХСНнФВ среди рассматриваемых работ. Дополнительно было рассмотрено 4 исследования, изучающих роль ML в прогнозировании исхода ХСН посредством выделения кластеров в рамках существующего деления на фенотипы ХСН в зависимости от ФВ ЛЖ. Наиболее часто используемыми типами моделей ML были случайный лес (RF), градиентный бустинг (XGBoost) и логистическая регрессия (LR), использовавшиеся в 13, 11 и 9 исследованиях, соответственно. Размеры когорт варьировались от 116 до 47498 пациентов (табл. 1), сравнение эффективности предложенных в рассматриваемых работах моделей приведены в таблице 2.

Эффективность моделей для ХСНнФВ

В 7 исследованиях, посвященных ХСНнФВ, эффективность моделей варьировалась в широких пределах: AUC от 0,649 до 0,96 (медиана 0,812, p<0,05). В работах, где проводилось сравнение предложенных моделей с традиционными шкалами, методы ML показали превосходство [13][14]. Наибольшую эффективность (AUC>0,85) показала модель RF, медиана AUC которой составила 0,915 [14][15], и модель, основанная на глубоком обучении, с диапазоном AUC 0,938-0,977 [16]. При этом наилучшие результаты были показаны в работах, не учитывающих данные эхокардиографии (ЭхоКГ) пациентов [14][16], в отличие от других исследований, включавших эти показатели, но получивших значимо меньшие значения AUC (медиана 0,745) [17-19]. Только работа Monzo L, et al. [14] прошла внешнюю проверку, показав высокую эффективность (AUC 0,94) и готовность к внедрению в практическую деятельность, в связи с ориентиром данной модели на показатели, доступные широкому кругу врачей, при небольшом числе переменных (всего 24 переменных).

Эффективность моделей для ХСНсФВ и ХСНунФВ

Среди 13 исследований с фокусом на ФВ ЛЖ >40% диапазон показателей эффективности составил от 0,69 до 0,98 (медиана 0,812, p<0,05). При сравнении с традиционными шкалами и более старыми моделями предложенные методы показали большую эффективность [8][13][20-22] и лишь в одном исследовании этот показатель примерно равный [23]. Наиболее эффективными моделями (AUC>0,8) оказались RF с медианой AUC 0,89 [8][22], XGBoost с медианой AUC 0,906 [20][22], Logistic Regression с медианой AUC 0,85 [24][25] и модель LightGBM с показателем AUC 0,87 [17]. SHAP-анализ для выявления наиболее значимых предикторов для исследуемых моделей был проведен в 4 из 7 вышеуказанных работ с наилучшими результатами [8][17][20][22]. Примечательно, что в исследовании Kyodo A, et al. [25], где проводилось сравнение моделей RF и LR, в качестве предикторов не учитывались данные ЭхоКГ и сведения о принимаемых лекарственных препаратах, что может свидетельствовать о роли этих переменных в повышении прогностической точности модели RF. Внешняя валидация была проведена лишь в 2 исследованиях для моделей RF и LightGBM [8][17].

Эффективность моделей, основанных на кластеризации

4 представленные в обзоре статьи были посвящены методам кластеризации в рамках деления ХСН на фенотипы в зависимости от ФВ ЛЖ. Работа [14] выделяла кластеры в рамках ХСНнФВ, в то время как исследования [25-27] фокусировались на группе пациентов с ФВ ЛЖ >40%. В 3 работах из 4 была проведена внешняя проверка моделей, что говорит об их высоком методологическом качестве. В 3 исследованиях, предоставивших количественную оценку риска с помощью HR, анализ выявленных кластеров показал значительные различия в прогнозировании: в исследовании Soltani F, et al. [27] выявили кластер с HR 2,99 (95% доверительный интервал (CI): 2,41-3,7, p<0,001) по сравнению с референсной группой, в работе Segar MW, et al. [26] максимальный HR составил 2,46 (95% CI: 1,66-3,67, p<0,001), а Monzo L, et al. [14] продемонстрировали кластер с HR 2,36 (95% CI: 2,0-2,78, p<0,001). Таким образом, модели кластеризации успешно идентифицировали фенотипы со статистически значимым повышением риска неблагоприятных исходов. Примечательно, что свою эффективность в работе с кластерами показала модель RF, AUC которой составил 0,94 [14]. В исследовании [25] с использованием RF было выявлено 3 клинически значимых кластера пациентов с ХСНсФВ. Анализ кривых выживаемости Каплана-Мейера продемонстрировал статистически значимые различия в вероятности госпитализации между выделенными кластерами (лог-ранг тест 0,0021, p<0,05). Визуальный анализ кривых показал, что пациенты в феногруппе 1 имели наихудший прогноз неблагоприятных исходов, в то время как феногруппа 3 ассоциировалась с наиболее благоприятным прогнозом. Несмотря на отсутствие расчета HR, исследование [25] подтверждает прогностическую ценность выявленных фенотипов.

Методологическое качество работ и риск смещения

Подавляющее большинство исследований относятся к группе с высоким риском смещения (14 из 20, 70%). Наиболее частой причиной, приведшей к такому соотношению, являлось отсутствие внешней валидации (n=14, 100%), и только в исследовании [18] дополнительным фактором смещения оказалось оставление пропущенных значений во время анализа предикторов в местах их пропусков. Лишь 6 исследований были оценены как имеющие низкий риск смещения, и все они характеризовались наличием внешней валидации [8][14][17][21][25][26].

Сравнение эффективности моделей ML между группами с ХСНнФВ и ХСНсФВ, ХСНунФВ

Сравнительный анализ эффективности моделей ML между группой пациентов с ХСНнФВ (n=7) и объединенной группой других фенотипов (n=13) не выявил статистически значимых различий в значениях AUC (критерий Манна-Уитни, p=0,48). Медиана AUC в обеих группах составила 0,812.

Обсуждение

Настоящий систематический обзор, включивший 20 исследований, продемонстрировал, что, несмотря на вариабельную, но в целом умеренно-высокую заявленную эффективность (AUC) моделей ML для прогнозирования исходов при ХСН, статистически значимых различий между фенотипами ХСНнФВ и ХСНсФВ/ХСНунФВ выявлено не было (p=0,48). Критической проблемой оказалось методологическое качество: 70% исследований имеют высокий риск систематической ошибки по PROBAST, преимущественно из-за отсутствия внешней валидации.

Отсутствие значимых различий между фенотипами ХСН, несмотря на их патофизиологическую гетерогенность, позволяет предположить, что модели ML выявляют универсальные предикторы неблагоприятных исходов (такие как сопутствующие заболевания, биохимические маркеры, принимаемые лекарственные препараты), общие для всех типов ХСН, а не специфические патофизиологические механизмы [13][28]. Альтернативно, этот результат может отражать методологическую незрелость области и ограниченную мощность анализа вследствие малого количества исследований.

Анализ сравнительной эффективности моделей ML и традиционных шкал стратификации риска выявил противоречивую картину. В тех исследованиях, где проводилось прямое сравнение [13][14][21-23], модели ML демонстрировали статистически значимое превосходство над клиническими шкалами (MAGGIC, SHFM и др.), что согласуется с данными других авторов [11][29]. Однако лишь 30% включенных в обзор работ содержали такое сравнение, что существенно ограничивает возможность формулирования окончательных выводов о клинической ценности ML-подхода.

Как отмечается в литературе, интерпретируемость моделей ML долгое время оставалась серьезным препятствием для их клинического внедрения, что породило термин "черный ящик" [22]. Однако наша оценка по PROBAST показала, что более фундаментальной проблемой является отсутствие должной процедуры внешней валидации. Хотя методы объяснимого ИИ (например, SHAP-анализ) могли бы повысить доверие клиницистов, в рассмотренных исследованиях они применялись эпизодически. Это ограничивает не только интерпретацию результатов, но и возможность выявления новых биомедицинских закономерностей. Оценка моделей обязательно должна включать по крайней мере один независимый набор данных внешнего тестирования для понимания их воспроизводимости. Более того, поскольку модели ML обычно разрабатываются на основе ретроспективных данных, важно оценивать модель в перспективных условиях, поскольку результаты лабораторных тестов могут меняться с течением времени [30]. Таким образом, выявленная нами проблема воспроизводимости, выражающаяся в распространенном отсутствии внешней валидации, является основной причиной, ограничивающей переход от многообещающих разработок к клинической практике. Этот методологический недостаток создает так называемую "иллюзию точности", когда модели демонстрируют выдающиеся результаты на внутренних данных, но их реальная эффективность в новых условиях остается недоказанной. Проблема носит системный характер для медицинского ML: как показывают исследования в других областях медицины, внешняя валидация проводится лишь в 20-30% работ [11][31-33], но данное ограничение еще не осознано в полной мере в кардиологическом сообществе.

Для преодоления выявленных ограничений необходимо активно внедрять стандарты отчетности, такие как TRIPOD‑ML, и специально разработанные списки приводящих к конечной точке первичных событий, включающих частоту госпитализаций с ХСН и смертность, связанную с ХСН. Соблюдение данных стандартов значительно повысит прозрачность, качество и, в конечном итоге, доверие к прогностическим моделям [34]. Другой проблемой является отсутствие единообразия в определении фенотипов ХСН в различных исследованиях. Если ранее ХСНсФВ определялся как ФВ ЛЖ >40% или 45%, то современные рекомендации предполагают использование порога ≥50%. Эта терминологическая неоднородность создает дополнительные сложности при сравнительном анализе и интерпретации результатов.

Практические рекомендации

Несмотря на перспективные показатели эффективности, ни одна из рассмотренных моделей ML не обладает достаточной доказательной базой для немедленного внедрения в рутинную клиническую практику в Российской Федерации. Клиницистам стоит проявлять скептический подход к заявлениям о высокой эффективности моделей, не прошедших внешнюю валидацию.

Для научного сообщества результаты нашего обзора указывают на необходимость смены исследовательской парадигмы: приоритетом должна стать не максимальная точность на внутренних данных, а демонстрация надежности и воспроизводимости моделей. Ключевыми шагами являются соблюдение стандартов отчетности (TRIPOD‑ML), обязательное планирование внешней валидации и переход к проспективным исследованиям, оценивающим реальное влияние моделей на процесс принятия клинических решений и исходы у пациентов.

Сильные стороны и ограничения

Сильными сторонами нашего исследования являются: использование валидированного инструмента PROBAST для системной оценки методологического качества, применение четких критериев PICO, сравнительный анализ эффективности моделей между разными фенотипами ХСН, включение исследований, использующих как контролируемое, так и неконтролируемое обучение.

Основными ограничениями являются: ограниченное количество исследований, что могло повлиять на мощность статистического анализа, значительная гетерогенность исследований в отношении критериев отбора пациентов и используемых предикторов, ставшая причиной исключения проведения метаанализа.

Заключение

Проведенный систематический обзор демонстрирует, что модели ML показывают умеренно-высокую эффективность в прогнозировании исходов у пациентов с ХСН, в ряде случаев превосходя традиционные шкалы. Статистически значимых различий в эффективности между моделями для ХСНсФВ/ХСНунФВ и ХСНнФВ выявлено не было. Ключевой проблемой области является отсутствие внешней валидации в большинстве исследований (70%), что подчеркивает необходимость демонстрации эффективности моделей на независимых когортах пациентов как обязательного условия их внедрения в клиническую практику.

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

Декларация ИИ. Технологии генеративного ИИ использовались исключительно как вспомогательный инструмент на финальных стадиях работы над текстом рукописи.