Цель. Разработать прогностические модели внутригоспитальной летальности (ВГЛ) у больных ишемической болезнью сердца после коронарного шунтирования (КШ) с учетом результатов фенотипирования дооперационных факторов риска.Материал и методы. Проведено ретроспективное исследование по данным 999 электронных историй болезни пациентов (805 мужчин, 194 женщины) в возрасте от 35 до 81 года с медианой (Ме) 63 года, которым выполнялось плановое изолированное КШ в условиях искусственного кровообращения. Выделено две группы пациентов, первая из которых была представлена 63 (6,3%) больными, умершими в стационаре в течение первых 30 сут. после КШ, вторая — 936 (93,7%) с благоприятным исходом операции. Дооперационный клинико-функциональный статус оценивали с помощью 102 факторов. Для обработки и анализа данных использовали методы хи-квадрат, Фишера, Манна-Уитни. Пороговые значения предикторов определялись комплексом методов, включающих максимизацию отношений истинно положительных случаев ВГЛ к ложноположительным. Для разработки прогностических моделей применяли многофакторную логистическую регрессию (МЛР). Точность моделей оценивали по 3 метрикам: площадь под ROC-кривой (AUC), чувствительность (Sen) и специфичность (Spec).Результаты. Анализ показателей дооперационного статуса пациентов позволил выделить 28 факторов риска ВГЛ, объединённых в 7 фенотипов. Последние формировали признаковое пространство прогностической модели ВГЛ, в котором каждый признак демонстрирует соответствие пациента определенному фенотипу факторов риска. Авторская модель МЛР отличалась высокими метриками качества (AUC — 0,91; Sen — 0,9 и Spec — 0,85).Заключение. Разработанный алгоритм обработки и анализа данных обеспечил высокое качество выделения дооперационных факторов риска и прогнозирования ВГЛ после КШ. Перспективы дальнейших исследований по данной проблеме связаны с совершенствованием технологий объяснимого искусственного интеллекта, позволяющих разрабатывать информационные системы по управлению рисками, востребованные в повседневной клинической практике.
1. Squiers JJ, Schaffer JM, Banwait JK, et al. Long-Term Survival After On-Pump and Off-Pump Coronary Artery Bypass Grafting. Ann Thorac Surg. 2022;113(6):1943-52. doi:10.1016/j.athoracsur.2021.07.037.
2. Nashef SA, Roques F, Sharples LD, et al. EuroSCORE II. European journal of cardiothoracic surgery: official journal of the European Association for Cardio-thoracic Surgery. 2012;41(4):734-45. doi:10.1093/ejcts/ezs043.
3. Vassileva CM, Aranki S, Brennan JM, et al. Evaluation of The Society of Thoracic Surgeons Online Risk Calculator for Assessment of Risk inук Patients Presenting for Aortic Valve Replacement After Prior Coronary Artery Bypass Graft: An Analysis Using the STS Adult Cardiac Surgery Database. The Annals of thoracic surgery. 2015;100(6):2109-16. doi:10.1016/j.athoracsur.2015.04.149.
4. Рекомендации ESC/EACTS по реваскуляризации миокарда 2018. Российский кардиологический журнал. 2019;(8):151-226. doi:10.15829/1560-4071-2019-8-151-226.
5. Valente F, Henriques J, Paredes S, et al. A new approach for interpretability and reliability in clinical risk prediction: Acute coronary syndrome scenario. Artificial intelligence in medicine. 2021;117:102-13. doi:10.1016/j.artmed.2021.102113.
6. Гельцер Б. И., Шахгельдян К. И., Рублев В. Ю. и др. Методы машинного обучения в прогнозиро вании летальных исходов в стационаре у больных ишемической болезнью сердца после коронарного шунтирования. Кардиология. 2020;60(10):38-46. doi:10.18087/cardio.2020.10.n1170.
7. Johnson KW, Torres SJ, Glicksberg BS, et al. Artificial Intelligence in Cardiology. Journal of the American College of Cardiology. 2018;71(23):2668-79. doi:10.1016/j.jacc.2018.03.521.
8. Galderisi M, Cosyns B, Edvardsen T, et al. Standardization of adult transthoracic echocardiography reporting in agreement with recent chamber quantification, diastolic function, and heart valve disease recommendations: an expert consensus document of the European Association of Cardiovascular Imaging. Eur Heart J Cardiovasc Imaging. 2017;18(12):1301-10. doi:10.1093/ehjci/jex244.
9. Molnar C. Interpretable Machine Learning. A Guide for Making Black Box Models Explainable. 2022. 328 р. ISBN-13: 979-8411463330. Available at: https://christophm.github.io/interpretable-ml-book/.
10. Шахгельдян К. И., Рублев В. Ю., Гельцер Б. И. и др. Оценка предиктивного потенциала дооперационных факторов риска фибрилляции предсердий у больных ишемической болезнью сердца после коронарного шунтирования. Сибирский журнал клинической и экспериментальной медицины. 2020;35(4):128-36. doi:10.29001/2073-8552-2020-35-4-128-136.
11. Гельцер Б. И., Рублев В. Ю., Циванюк М. М., Шахгельдян К. И. Машинное обучение в прогнозировании ближайших и отдаленных результатов реваскуляризации миокарда: систематический обзор. Российский кардиологический журнал. 2021;26(8):4505. doi:10.15829/15604071-2021-4505.
12. Гельцер Б. И., Шахгельдян К. И., Рублев В. Ю. и др. Алгоритм отбора предикторов и прогнозирование фибрилляции предсердий у больных ишемической болезнью сердца после коронарного шунтирования. Российский кардиологический журнал. 2021;26(7):4522. doi:10.15829/1560-4071-2021-4522.
13. Shakhgeldyan K, Geltser B, Rublev V, et al. Feature Selection Strategy for Intrahospital Mortality Prediction after Coronary Artery Bypass Graft Surgery on an Unbalanced Sample. Proceedings of the 4th International Conference on Computer Science and Application Engineering. 2020;1-7. doi:10.1145/3424978.3425090.
14. Jo YY, Cho Y, Lee SY, et al. Explainable artificial intelligence to detect atrial fibrillation using electrocardiogram. International journal of cardiology. 2021;328:104-10. doi:10.1016/j.ijcard.2020.11.053.
15. Taniguchi H, Takata T, Takechi M, et al. Explainable Artificial Intelligence Model for Diagnosis of Atrial Fibrillation Using Holter Electrocardiogram Waveforms. International heart journal. 2021;62(3):534-9. doi:10.1536/ihj.21-094.
