17 Гороховский Алексей Александрович Пекарский Станислав Евгеньевич Баев Андрей Евгеньевич Тарасов Михаил Георгиевич Суслов Иван Владимирович Гергерт Егор Сергеевич Богданов Юрий Игоревич Султанов Сыргак Мавланович Ишемическая болезнь сердца Чрескожное коронарное вмешательство Машинное обучение Осложнения после ЧКВ Предсказательные модели Шкалы риска 2025 2025-07-01 10.17802/2306-1278-2025-14-3-96-111 Комплексные проблемы сердечно-сосудистых заболеваний Основные положенияВпервые представлен сравнительный обзор современных моделей одновременного предсказания нескольких осложнений чрескожных коронарных вмешательств, в том числе на основе машинного обучения. Продемонстрировано преимущество моделей машинного обучения (особенно XGBoost), которые даже при использовании единого набора данных обладают высокой точностью и способны учитывать сложные нелинейные факторы, ранее не учтенные в традиционных шкалах риска. Определены три ключевые модели, способные одновременно предсказывать несколько исходов без дублирования переменных, что закладывает основу для более эффективных и универсальных клинических инструментов. Аннотация Современные модели прогнозирования осложнений чрескожных коронарных вмешательств (ЧКВ) стремительно эволюционируют под влиянием новых технологий машинного обучения (МО). В данной работе представлен сравнительный обзор существующих методов, ориентированных на одновременное предсказание нескольких осложнений ЧКВ (смерть, кровотечение, острая почечная недостаточность и др.). Сравниваются традиционные шкалы стратификации риска (NCDR Cath-PCI, CART VA и др.) и современные алгоритмы МО. В базе данных PubMed по ключевым словам были найдены 2 667 работ, опубликованных за последние 10 лет и посвященных прогнозированию осложнений ЧКВ. После исключения публикаций, не представляющих в достаточном объеме информации о дизайне, построении модели и анализе виртуальных данных, дублирующих, предсказывающих только один исход, а также обзоров и отчетов о клинических случаях отобрано 9 наиболее релевантных исследований, охватывающих многотысячные реестры США, Японии и международные базы данных. Несмотря на разнообразие подходов, лишь ограниченное число моделей формально способно одновременного прогнозировать несколько осложнений на основе единого набора переменных. При этом в большинстве исследований использование МО (особенно XGBoost) повышало точность по сравнению с традиционными методами. Полученные результаты подтверждают перспективность применения машинного обучения для множественной оценки рисков ЧКВ. Однако условиями их эффективного использования в клинической практике являются надежная внешняя валидация, адаптация к локальным особенностям и учет технологических инноваций (внутрикоронарная визуализация, инвазивная физиология). Развитие методов прогнозирования, использующих МО и отвечающих этим требованиям, позволит существенно повысить точность стратификации рисков ЧКВ, оптимизировать выполнение вмешательств и улучшить исходы лечения пациентов с ишемической болезнью сердца. Естественным расширением методологии является включение в модели данных внутрисосудистой визуализации и инвазивной физиологии. https://www.cardiojournal.online/publication/13524 https://www.cardiojournal.online/files/14042