TY  - JOUR
T1  - ОБЗОР СОВРЕМЕННЫХ ПРЕДСКАЗАТЕЛЬНЫХ МОДЕЛЕЙ МНОЖЕСТВЕННЫХ ОСЛОЖНЕНИЙ ЧКВ: РОЛЬ МАШИННОГО ОБУЧЕНИЯ И ТРАДИЦИОННЫХ ПОДХОДОВ
JF  - Комплексные проблемы сердечно-сосудистых заболеваний
DO  - 10.17802/2306-1278-2025-14-3-96-111
AU  - Гороховский Алексей Александрович, 
AU  - Пекарский Станислав Евгеньевич, 
AU  - Баев Андрей Евгеньевич, 
AU  - Тарасов Михаил Георгиевич, 
AU  - Суслов Иван Владимирович, 
AU  - Гергерт Егор Сергеевич, 
AU  - Богданов Юрий Игоревич, 
AU  - Султанов Сыргак Мавланович, 
Y1  - 2025-07-01
UR  - https://www.cardiojournal.online/publication/13524
N2  - 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.