PT - JOURNAL ARTICLE
AU - Зайцев В. В., 
AU - Сафронов К. С., 
AU - Конасов К. С., 
AU - Бавшин Т. Р., 
AU - Манохин К. А., 
AU - Образцова Л. А., 
AU - Моисеева О. М., 
TI - Разработка предиктивных моделей для дифференциальной диагностики гипертрофической кардиомиопатии
DP - 2024-10-28
TA - Российский кардиологический журнал
4100 - 10.15829/1560-4071-2024-6130
SO - https://www.cardiojournal.online/publication/13068
AB - Цель. Разработка предиктивных моделей для дифференциальной диагностики гипертрофического фенотипа у пациентов с сопутствующими заболеваниями, а также их валидация посредством независимой оценки.Материал и методы. В исследование был включен анализ 1169 медицинских карт из медицинской информационной системы пациентов с выраженной гипертрофией миокарда и предварительным диагнозом гипертрофической кардиомиопатии (ГКМП) (I42.1, I42.2). Пациенты были разделены на 3 группы: пациенты с вероятным диагнозом ГКМП, пациенты с умеренной гипертрофией миокарда (>15 мм) вследствие известного заболевания, а также пациенты с выраженной гипертрофией миокарда, которую сложно объяснить исключительно перегрузкой давлением левого желудочка ("серая зона"). В исходном наборе данных представлено 74 параметра. Построены и оптимизированы модели машинного обучения следующих классов: логистическая регрессия (LR), метод опорных векторов (SVM), дерево принятия решений (DT) и градиентный бустинг на деревьях решений.Результаты. Все модели обладают достаточной точностью выявления ГКМП, однако точность исключения диагноза довольно низкая. Применение модели машинного обучения с использованием логистической регрессии позволило снизить риск ошибочной диагностики ГКМП в группе сомнительного диагноза до 31%.Заключение. Разработаны 4 предиктивные модели для дифференциального диагноза при выраженной гипертрофии миокарда левого желудочка с целью улучшения диагностики ГКМП. По результатам валидации слепым методом оптимальной моделью для клинической практики определена логистическая регрессия.