Цель. Выявление основных предикторов летального исхода на основании региональной базы данных больных с инфарктом миокарда (ИМ) или нестабильной стенокардией (НС).Материал и методы. В ретроспективном исследовании приняли участие 1515 больных с НС и ИМ, что составило 55,3% больных, пролеченных в период 2012-2016гг. Медиана наблюдения — 62 [36; 71] мес. Критерий осложнённого течения ишемической болезни сердца — летальный исход. 1 группу составили 238 больных с летальным исходом от ишемической болезни сердца, 2 группу составили 1277 больных с благоприятным исходом. Все полученные данные были структурированы в виде файла Excel. Из медицинских карт извлекались переменные, доступные большинству лечебных учреждений (исключение — данные коронарографии). Для автоматического выделения признаков использовался ансамблевый алгоритм машинного обучения, разработанный компанией Яндекс — CatBoost (Categorical Boosting).Результаты. Летальность за 62 мес. наблюдения составила 15,4%. В исследовании использовали 47 количественных и качественных (категориальных) признаков. Фильтрационный метод отбора выделил значимые количественные признаки: возраст, фракция выброса (ФВ) левого желудочка (ЛЖ), скорость клубочковой фильтрации, креатинин, индекс массы тела, рост, вес, площадь поверхности тела (ППТ), эритроциты, гемоглобин, глюкоза, общий холестерин (ХС), ХС липопротеинов низкой плотности, ХС липопротеинов высокой плотности, частота сердечных сокращений, индекс конечного диастолического объёма ЛЖ, индекс конечного систолического объёма ЛЖ, систолическое давление в лёгочной артерии; категориальные признаки: хроническая сердечная недостаточность (ХСН), класс сердечной недостаточности по классификации Killip T, Kimballe J, 1967 (Killip), постинфарктный кардиосклероз, коморбидность, хроническая болезнь почек, стенокардия, сахарный диабет, фибрилляция предсердий, положительные тропонины, девиация S-T, коронарография, чрескожное коронарное вмешательство, нозология (НС, передний или нижний ИМ). Автоматический метод выбора признаков с помощью алгоритма машинного обучения выявил наиболее значимые признаки, определяющие вероятность летального исхода: возраст, ФВ ЛЖ, ППТ, уровень креатинина, систолическое артериальное давление, ХСН, коморбидность, нозология.Заключение. Из медицинской карты больных ИМ и НС отобрано 47 доступных клинических признаков. Наиболее существенными для прогноза летального исхода по результатам машинного отбора оказались 8: возраст, ФВ ЛЖ, ППТ, уровень креатинина, систолическое артериальное давление, ХСН, коморбидность, нозология.
1. Гельцер Б.И., Циванюк М.М., Шахгельдян К.И., Рублев В.Ю. Методы машинного обучения как инструмент диагностических и прогностических исследований при ишемической болезни сердца. Российский кардиологический журнал. 2020;25(12):3999. https://doi.org/10.15829/1560-4071-2020-3999
2. Гусев А.В., Гаврилов Д.В., Корсаков И.Н., Серова Л.М., Новицкий Р.Э., Кузнецова Т.Ю. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболевания. Искусственный интеллект в здравоохранении. 2019, 3: 41-47. УДК 002.53.
3. Moshawrab M., Adda M., Bouzouane A., Ibrahim H., Raad A. Reviewing Federated Machine Learning and Its Use in Diseases Prediction. Sensors 2023; 23, 2112. doi.org/10.3390/s23042112
4. Fox K.A.A, Dabbous O.H., Goldberg R.J. Prediction of risk of death and myocardial infarction in the six months after presentation with acute coronary syndrome:prospective multinational observational study (GRACE). Br. Med. J. 2006;333: 1091-1094. doi: 10.1136/bmj.38985.646481.55
5. Бернс С.А., Шмидт Е.А., Клименкова А.В., Туманова С.А., Барбараш О.Л. Возможности шкалы GRACE в долгосрочной оценке риска у больных с острым коронарным синдромом без подъема сегмента ST. Доктор.Ру. 2019; 2(157): 12–18. doi: 10.31550/1727-2378-2019-157-2-12-18
6. Седых Д. Ю., Велиева Р. М., Кашталап В. В., Барбараш О. Л. Сравнительная оценка прогностической значимости шкал рискометрии у пациентов с инфарктом миокарда. Комплексные проблемы сердечно-сосудистых заболеваний. 2019;8(4):46-55. doi.org/10.17802/2306-1278-2019-8-4-46-55
7. Ben Ali W., Pesaranghader A., Avram R., Overtchouk P., Perrin N., Laffite S., et al. Implementing Machine Learning in Interventional Cardiology: The Benefits Are Worth the Trouble. Front. Cardiovasc. Med. 2021; 8:711401. doi: 10.3389/fcvm.2021.711401.
8. Бойцов С.А., Алекян Б.Г., Шахнович Р.М., Ганюков В.И. Что меняется в лечении острого коронарного синдрома в Российской Федерации? Рациональная Фармакотерапия в Кардиологии. 2022;18(6):703-709. doi.org/10.20996/1819-6446-2022-12-14.
9. Huang C., Murugiah K., Mahajan S., Li S-X., Dhruva S.S., Haimovich J.S., et al. Enhancing the prediction of acute kidney injury risk after percutaneous coronary intervention using machine learning techniques: A retrospective cohort study. PLoS Med. 2018; 15(11): e1002703. doi.org/10.1371/journal.pmed.1002703
10. Mirza B., Wang W., Wang J., Choi H., Chung N.C., Ping P. Machine Learning and Integrative Analysis of Biomedical Big Data. Genes. 2019; 10(2):87. doi:10.3390/genes10020087
11. Johnson K.W., Soto J.T., Glicksberg B.S., Shameer K., Miotto R., Mohsin Ali M., et al. Artificial Intelligence in Cardiology. Journal of the American College of Сardiology. 2018; 71(23):2668-2679. doi.org/10.1016/j.jacc.2018.03.521
12. Haq A.U., Li J.P., Memon M.H., Nazir S., Sun R.. A Hybrid Intelligent System Framework for the Prediction of Heart Disease Using Machine Learning Algorithms. Mobile Information Systems. 2018; ID 3860146:21 doi.org/10.1155/2018/3860146
13. Al-Zaiti S.S., Alghwiri A.A., Hu X., Clermont G., Peace A., Macfarlane P. A clinician’s guide to understanding and critically appraising machine learning studies: a checklist for Ruling Out Bias Using Standard Tools in Machine Learning (ROBUST-ML). European Heart Journal - Digital Health. 2022;3:125–140. doi.org/10.1093/ehjdh/ztac016
14. Марцевич С.Ю., Гинзбург М.Л., Кутишенко Н.П., Деев А.Д., Фокина А.В., Даниэльс Е.В. Люберецкое исследование по изучению смертности больных, перенесших острый инфаркт миокарда. Первые результаты исследования «ЛИС». Клиницист. 2011;5(1):24-27. doi.org/10.17650/1818-8338-2011-1-24-27.
15. Эрлих А.Д. от имени участников регистра РЕКОРД-3. Связь степени поражения коронарного русла и особенностей стентирования с краткосрочными и отдаленными исходами у пациентов с острым коронарным синдромом (данные регистра РЕКОРД-3). Кардиология. 2018;58(5):5–12. doi: 10.18087/cardio.2018.5.10109
16. Бойцов С.А., Шахнович Р.М., Эрлих А.Д., Терещенко С.Н., Кукава Н.Г., Рытова Ю.К., Регистр острого инфаркта миокарда. РЕГИОН–ИМ – Российский рЕГИстр Острого иНфаркта миокарда. Кардиология. 2021;61(6):41-51. doi.org/10.18087/cardio.2021.6.n1595.
17. Collet J-Ph., Thiele H., Barbato E., Barthélémy O., Bauersachs J., Bhatt D.L. Рекомендации ESC по ведению пациентов с острым коронарным синдромом без стойкого подъема сегмента ST 2020. Российский кардиологический журнал. 2021;26(3):4418 doi:10.15829/1560-4071-2021-4418
18. Староверов И.И., Шахнович Р.М., Гиляров М.Ю., Комаров А.Л., Константинова Е.В., Панченко Е.П., Явелов И.С. Евразийские клинические рекомендации по диагностике и лечению острого коронарного синдрома с подъёмом сегмента ST (ОКСПST). Евразийский кардиологический журнал. 2020 (1):4-77. Doi: 10.24411/2076-4766-2020-10001.
19. Эрлих А.Д. 12-месячные исходы у пациентов с острым коронарным синдромом, включённых в российский регистр «РЕКОРД-3». Российский кардиологический журнал. 2018;(3):23-30. doi.org/10.15829/1560-4071-2018-3-23-30
20. Fordyce С.В., Giugliano R.P., Cannon C.P., Roe M.T., Sharma A., Page C., et al. Cardiovascular Events and Long-Term Risk of Sudden Death Among Stabilized Patients After Acute Coronary Syndrome: Insights From IMPROVE-IT. J Am Heart Assoc. 2022;11:e022733. doi: 10.1161/JAHA.121.022733.
21. Худайнетова Л.А., Ефимова Л.П., Мирзалиева М.Н. Взаимосвязь индекса коморбидности Charlson и количества повторных госпитализаций у коморбидных пациентов кардиологического профиля. Вестник СурГУ. Медицина. 2022;2 (52):14-21. doi.org/10.34822/2304-9448-2022-2-14-21.
22. Седых Д. Ю., Велиева Р. М., Кашталап В. В., Барбараш О. Л. Сравнительная оценка прогностической значимости шкал рискометрии у пациентов с инфарктом миокарда. Комплексные проблемы сердечно-сосудистых заболеваний. 2019;8(4):46-55. doi.org/10.17802/2306-1278-2019-8-4-46-55
23. Merloa J., Mulinaria S., Wemrella M., Subramaniand S.V., Hedblad B. The tyranny of the averages and the indiscriminate use of risk factors in public health: The case of coronary heart disease. SSM - Population Health. 2017; 3:684–698 doi.org/10.1016/j.ssmph.2017.08.005
24. Терещенко С.Н., Галявич А.С., Ускач Т.М., Агеев Ф.Т., Арутюнов Г.П., Беграмбекова Ю.Л. Хроническая сердечная недостаточность. Клинические рекомендации 2020. Российский кардиологический журнал. 2020; 25(11): 311-374. doi:10.15829/1560-4071-2020-4083
25. Резник Е.В., Никитин И.Г. Кардиоренальный синдром у больных с сердечной недостаточностью как этап кардиоренального континуума (часть 1): определение, классификация, патогенез, диагностика, эпидемиология. Архивъ внутренней медицины. 2019; 9(1):5-22. doi: 10.20514/2226-6704-2019-9-1-5-22.
26. Hermansson J., Bøggild H., Hallqvist J., Karlsson B., Knutsson A., Nilsson T. et al. Interaction between Shift Work and Established Coronary Risk Factors. Int J Occup Environ Med. 2019; 10(2): 57-65. doi: 10.15171/ijoem.2019.1466
27. Mok Y., Sang Y., Ballew S.H., Rebholz C.M., Rosamond W.D., Heiss G. et al. American Heart Association’s Life’s Simple 7 at Middle Age and Prognosis After Myocardial Infarction in Later Life. J Am Heart Assoc. 2018;7:e007658. doi: 10.1161/JAHA.117.007658.
28. Kanenawa К., Yamaji K., Kohsaka S., Ishii H., Amano T., Ando K. et al. Age-Stratified Prevalence and Relative Prognostic Significance of Traditional Atherosclerotic Risk Factors: A Report from the Nationwide Registry of Percutaneous Coronary Interventions in Japan. J Am Heart Assoc. 2023;12:e030881. doi: 10.1161/JAHA.123.030881
29. Patel R.S., Schmidt A.F., TraganteV., McCubrey R.O., Holmes M.V., Howe L.J. et al. Association of Chromosome 9p21 With Subsequent Coronary Heart Disease Events A GENIUS-CHD Study of Individual Participant. Circulation: Genomic and Precision Medicine. 2019; 12(4):е002471. doi.org/10.1161/CIRCGEN.119.002471.
30. Simonetto С., Heier M., Peters A., Kaiser J.C., Rospleszcz S. From Atherosclerosis to Myocardial Infarction: A Process-Oriented Model Investigating the Role of Risk Factors Am J Epidemiol. 2022;191(10):1766–1775 doi.org/10.1093/aje/kwac038
