17 Кудаев Ю. А. Лоховинина Н. Л. Абесадзе И. Т. Алугишвили М. З. Калиниченко А. Н. Смирнова А. П. Панов А. В. ишемическая болезнь сердца ствол левой коронарной артерии прогнозирование программный комплекс машинное обучение градиентный бустинг диагностика поддержка принятия врачебных решений 2026 2026-04-11 10.20996/1819-6446-2026-3232 Рациональная Фармакотерапия в Кардиологии Цель. Разработать программный комплекс, прогнозирующий наличие значимого стеноза ствола левой коронарной артерии (ЛКА) у больных стабильной ишемической болезнью сердца (ИБС) на основе клинико-инструментальных признаков при помощи методов машинного обучения.Материал и методы. В исследование включены 208 пациентов со стабильной ИБС, госпитализированных для плановой коронарной ангиографии. По результатам инвазивной коронароангиографии были выделены две группы больных: основная группа — 104 пациента с гемодинамически значимым стенозом ствола ЛКА и группа контроля — 104 пациента без обструктивного поражения коронарных артерий. Значимым считали стеноз ствола ЛКА >50%. На основе изучения историй болезни была создана база данных Excel, содержащая информацию о 107 клинико-инструментальных признаках всех больных. На основании экспертной оценки до начала построения моделей осуществлен отбор 63 из них, которые регистрируются в медицинской карте пациента в реальной практике при стандартной стратегии диагностики ИБС согласно клиническим рекомендациям. Проведен поиск коллинеарных признаков, что позволило исключить 4 признака с низким порогом корреляции. С учетом характера рассматриваемых данных и предположения о наличии в них нелинейных взаимосвязей в качестве алгоритма машинного обучения был выбран градиентный бустинг. Разработанные в ходе исследования программы написаны на языке программирования Python в интегрированной среде программирования PyCharm. Результаты. На основе наиболее информативных признаков были построены модели прогнозирования поражения ствола ЛКА у больных ИБС. В качестве оптимального алгоритма машинного обучения был определен градиентный бустинг. Рассмотрены три его реализации: LightGBM (Light Gradient Boosting Machine), XGBoost (Extreme Gradient Boosting) и CatBoost (Categorical Boosting). Наиболее эффективной для классифицирования представленных объектов оказалась модель CatBoost. Программный комплекс с использованием модели CatBoost продемонстрировал точность прогноза классификатора 86,2% на тестовом наборе данных при чувствительности 77% и специфичности 76,9%, соответственно. По данным построенных кривых обучения установлено, что дальнейшее расширение объема обучающих данных улучшит качество модели.Заключение. Разработанный программный комплекс выявления гемодинамически значимого стеноза ствола ЛКА у больных ИБС имеет хорошую точность прогноза с перспективой дальнейшего обучения. Полученное решение может быть интегрировано в диагностический процесс в составе приложения для персонального компьютера либо веб-интерфейса с целью обеспечения поддержки принятия врачебных решений. https://www.cardiojournal.online/publication/14196 https://www.cardiojournal.online/files/14606