Применение модели машинного обучения в прогнозе неблагоприятных сердечно-сосудистых событий
Построение прогностических моделей – перспективное направление для профилактической медицины, а поиск новых факторов, влияющих на сердечно-сосудистое здоровье, является важным дополнением к зарекомендовавшим себя шкалам риска. Цель исследования – поиск значимых факторов сердечно-сосудистого риска и разработка прогностической модели с использованием машинного обучения у здоровых лиц. Основой анализа стал массив анамнестических, клинических, инструментальных, лабораторных, социально-экономических и др. параметров двух этапов эпидемиологического исследования (исследовательский центр Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний, г. Кемерово), включавшего 1 217 участников в возрасте 35–70 лет. Здоровых респондентов было 70,9 % (n = 863), с болезнями системы кровообращения – 29,1 % (n = 354). Совокупно методами искусственного интеллекта проанализировано 1 915 признаков. Определены наиболее значимые признаки с позиции неблагоприятного сердечно-сосудистого исхода (стенокардия, инфаркт миокарда, сердечная недостаточность, инсульт, нарушение ритма сердца, фибрилляция и/или трепетания предсердий и др.). Так, выделено 28 значимых признаков, на основе которых построена прогностическая модель. Необходимо отметить, что к наиболее значимым параметрам были отнесены объём форсированного выдоха за 1 секунду, доля внутреннего жира, отсутствие потребление алкоголя, изменение потребления соли после врачебной рекомендации и отсутствие работы. Определены значимые ранее не признанные в качестве факторов сердечно-сосудистого риска признаки, что обеспечивает «информационный прирост» для расширения традиционных прогностических моделей.
Агиенко А.С., Трифонова М.В., Цыганкова Д.П., Баздырев Е.Д, Князев Е.Г., Артамонова Г.В. 2024. Применение модели машинного обучения в прогнозе неблагоприятных сердечно-сосудистых событий. Актуальные проблемы медицины, 47(4): 465–474. DOI: 10.52575/2687-0940-2024-47-4-465-474
Пока никто не оставил комментариев к этой публикации.
Вы можете быть первым.
Барбараш О.Л., Артамонова Г.В., Индукаева Е.В., Максимов С.А. 2018. Международное эпидемиологическое исследование неинфекционных заболеваний в России: протокол исследования. Комплексные проблемы сердечно-сосудистых заболеваний. 7(4): 128–135. https://doi.org/10.17802/2306-1278-2018-7-4-128-135
Невзорова В.А., Бродская Т.А., Шахгельдян К.И., Гельцер Б.И., Костерин В.В., Присеко Л.Г. 2022. Методы машинного обучения в прогнозировании рисков 5-летней смертности (по данным исследования ЭССЕ-РФ в приморском крае). Кардиоваскулярная терапия и профилактика. 21(1): 34–42. https://doi.org/10.15829/1728-8800-2022-2908
Стародубов В.И., Сон И.М., Сененко А.Ш., Савченко Е.Д., Дзюба Н.А., Захарченко О.О., Терентьева Д.С. 2019. Итоги диспансеризации определенных групп взрослого населения Российской Федерации, 2013–2018 гг. Информационно-аналитический обзор. Центральный научно-исследовательский институт организации и информатизации здравоохранения: 114 с. ISBN 5-94116-026-7. EDN VAXRCS.
Alaa A., Bolton T., Di Angelantonio E., Rudd J., van der Schaar M. 2019. Cardiovascular Disease Risk Prediction Using Automated Machine Learning: A Prospective Study of 423,604 UK Biobank Participants. PLoS One. 14(5): e0213653. https://doi.org/10.1371/journal.pone.0213653
Francula-Zaninovic S., Nola IA. 2018. Management of Measurable Variable Cardiovascular Disease' Risk Factors. Current cardiology reviews. 14(3): 153–163. https://doi.org/10.2174/1573403X14666180222102312
Roth G., Mensah G., Johnson C., Addolorato G., Ammirati E., Baddour L., Barengo N., Beaton A., Benjamin E., Benziger C., Bonny A., Brauer M., Brodmann M., Cahill T., Carapetis J., Catapano A., Chugh S., Cooper L., Coresh J., Criqui M., DeCleene N., Eagle K., Emmons-Bell S., Feigin V., Fernández-Solà J., Fowkes G., Gakidou E., Grundy S., He F., Howard G., Hu F., Inker L., Karthikeyan G., Kassebaum N., Koroshetz W., Lavie C., Lloyd-Jones D., Lu H., Mirijello A., Temesgen A., Mokdad A., Moran A., Muntner P., Narula J., Neal B., Ntsekhe M., Moraes de Oliveira G., Otto C., Owolabi M., Pratt M., Rajagopalan S., Reitsma M., Ribeiro A., Rigotti N., Rodgers A., Sable C., Shakil S., Sliwa-Hahnle K., Stark B., Sundström J., Timpel P., Tleyjeh I., Valgimigli M., Vos T., Whelton P., Yacoub M., Zuhlke L., Murray C., Fuster V., GBD-NHLBI-JACC. 2020. Global Burden of Cardiovascular Diseases and Risk Factors, 1990–2019: Update From the GBD 2019 Study. Journal of the American College of Cardiology. 76(25): 2982–3021. https://doi.org/10.1016/j.jacc.2020.11.010
Roth G., Mensah G., Fuster V. 2020. The Global Burden of Cardiovascular Diseases and Risks: A Compass for Global Action. Journal of the American College of Cardiology. 76(25): 2980–2981. https://doi.org/10.1016/j.jacc.2020.11.021
Conroy R., Pyörälä K., Fitzgerald A., Sans S., Menotti A., De Backer G., De Bacquer D., Ducimetière P., Jousilahti P., Keil U., Njølstad I., Oganov R.G., Thomsen T., Tunstall-Pedoe H., Tverdal A., Wedel H., Whincup P., Wilhelmsen L., Graham I., SCORE project group. 2003. Estimation of Ten-Year Risk of Fatal Cardiovascular Disease in Europe: the SCORE Project. European Heart Journal. 24(11): 987–1003. https://doi.org/10.1016/S0195-668X(03)00114-3
Suri J., Bhagawati M., Paul S., Protogerou A., Sfikakis P., Kitas G., Khanna N., Ruzsa Z., Sharma A., Saxena S., Faa G., Laird J., Johri A., Kalra M., Paraskevas K., Saba L. 2022. A Powerful Paradigm for Cardiovascular Risk Stratification Using Multiclass, Multi-Label, and Ensemble-Based Machine Learning Paradigms: A Narrative Review. Diagnostics (Basel). 12(3): 722. https://doi.org/10.3390/diagnostics12030722
Yasmin F., Shah S., Naeem A., Shujauddin S., Jabeen A., Kazmi S., Siddiqui S., Kumar P., Salman S., Hassan S., Dasari C., Choudhry A., Mustafa A., Chawla S., Lak H. 2021. Artificial Intelligence in the Diagnosis and Detection of Heart Failure: the Past, Present, and Future. Reviews In Cardiovascular Medicine. 22(4): 1095–1113. https://doi.org/10.31083/j.rcm2204121
Результаты получены при поддержке Российской Федерации в лице Министерства науки и высшего образования РФ в рамках Соглашения о предоставлении из федерального бюджета грантов в форме субсидий от 30 сентября 2022 г. № 075-15-2022-1202, комплексной научно-технической программы полного инновационного цикла «Разработка и внедрение комплекса технологий в областях разведки и добычи твердых полезных ископаемых, обеспечения промышленной безопасности, биоремедиации, создания новых продуктов глубокой переработки из угольного сырья при последовательном снижении экологической нагрузки на окружающую среду и рисков для жизни населения» (утвержденной распоряжением Правительства Российской Федерации от 11 мая 2022 г. № 1144-р).