Статья
Сравнение эффективности и методологического качества моделей машинного обучения для прогнозирования исходов при сердечной недостаточности с сохраненной и сниженной фракцией выброса: систематический обзор
Цель. Провести сравнительную оценку эффективности и методологического качества моделей машинного обучения (machine learning, ML) для прогнозирования исходов у пациентов с хронической сердечной недостаточностью с сохраненной (ХСНсФВ) и сниженной (ХСНнФВ) фракцией выброса.Материал и методы. Проведен систематический поиск оригинальных работ в базах данных PubMed и eLibrary (2015-2025гг). В обзор было включено 20 исследований. Методологическое качество оценивалось по PROBAST.Результаты. Эффективность ML-моделей была сопоставимой для ХСНсФВ и ХСНнФВ (медиана AUC 0,812 в обеих группах, p=0,48). 70% исследований имели высокий риск смещения, преимущественно из-за отсутствия внешней валидации. Модели кластеризации демонстрировали клинически значимую стратификацию, выявляя фенотипы со статистически значимым повышенным риском (например, отношение рисков 2,99 (95% доверительный интервал 2,41-3,7, p<0,001)).Заключение. ML-модели показывают умеренно-высокую эффективность, однако отсутствие внешней валидации ограничивает их готовность к клиническому применению. Необходимы стандартизация методологии для будущих исследований и проспективная валидация.
1. Ларина В. Н., Кокорин В. А., Ларин В. Г. и др. Декомпенсация хронической сердечной недостаточности: новый взгляд на проблему в свете обновленного консенсуса экспертов Европейского общества кардиологов. Российский кардиологический журнал. 2023;28(12):5581. doi:10.15829/1560-4071-2023-5581.
2. Драпкина О. М., Бойцов С. А., Омельяновский В. В. и др. Социально-экономический ущерб, обусловленный хронической сердечной недостаточностью, в Российской Федерации. Российский кардиологический журнал. 2021;26(6):4490. doi:10.15829/1560-4071-2021-4490.
3. Izraiq M, AlBalbissi K, Alawaisheh R, et al. Comparative Analysis of Heart Failure with Preserved Vs Reduced Ejection Fraction: Patient Characteristics, Outcomes, Mortality Prediction, and Machine Learning Model Development in the JoHF R. Int J Gen Med. 2024;17:3083-91. doi:10.2147/IJGM.S465388.
4. Галявич А. С., Терещенко С. Н., Ускач Т. М. и др. Хроническая сердечная недостаточность. Клинические рекомендации 2024. Российский кардиологический журнал. 2024;29(11):6162. doi:10.15829/1560-4071-2024-6162.
5. Bozkurt B, Coats AJS, Tsutsui H, et al. Universal definition and classification of heart failure: a report of the Heart Failure Society of America, Heart Failure Association of the European Society of Cardiology, Japanese Heart Failure Society and Writing Committee of the Universal Definition of Heart Failure: Endorsed by the Canadian Heart Failure Society, Heart Failure Association of India, Cardiac Society of Australia and New Zealand, and Chinese Heart Failure Association. Eur J Heart Fail. 2021;23(3):352-80. doi:10.1002/ejhf.2115.
6. Stolfo D, Fabris E, Lund LH, et al. From mid-range to mildly reduced ejection fraction heart failure: A call to treat. Eur J Intern Med. 2022;103:29-35. doi:10.1016/j.ejim.2022.05.030.
7. Марданов Б.У., Кокожева М.А., Мамедов М.Н. Особенности биохимического профиля и прогноз больных хронической сердечной недостаточностью и сахарным диабетом. Российский кардиологический журнал. 2020;25(10):3841. doi:10.15829/1560-4071-2020-3841.
8. Chang CY, Chen CC, Tsai ML, et al. Predicting Mortality and Hospitalization in Heart Failure With Preserved Ejection Fraction by Using Machine Learning. JACC Asia. 2024;4(12):95668. doi:10.1016/j.jacasi.2024.09.003.
9. Skoularigkis S, Kourek C, Xanthopoulos A, et al. Prognostic Models in Heart Failure: Hope or Hype? J Pers Med. 2025;15(8):345. doi:10.3390/jpm15080345.
10. Tong R, Zhu Z, Ling J. Comparison of linear and non-linear machine learning models for time-dependent readmission or mortality prediction among hospitalized heart failure patients. Heliyon. 2023;9(5):e16068. doi:10.1016/j.heliyon.2023.e16068.
11. Shin S, Austin PC, Ross HJ, et al. Machine learning vs. conventional statistical models for predicting heart failure readmission and mortality. ESC Heart Fail. 2021;8(1):106-15. doi:10.1002/ehf2.13073.
12. Tohyama T, Ide T, Ikeda M, et al. Machine learning-based model for predicting 1 year mortality of hospitalized patients with heart failure. ESC Heart Fail. 2021;8(5):4077-85. doi:10.1002/ehf2.13556.
13. Park J, Zhong X, Babaie Sarijaloo F, et al. Tailored risk assessment of 90-day acute heart failure readmission or all-cause death to heart failure with preserved versus reduced ejection fraction. Clin Cardiol. 2022;45(4):370-8. doi:10.1002/clc.23780.
14. Monzo L, Bresso E, Dickstein K, et al. Machine learning approach to identify phenotypes in patients with ischaemic heart failure with reduced ejection fraction. Eur J Heart Fail. 2025;27(12):3378-91. doi:10.1002/ejhf.3547.
15. Ma F, Hu Y, Han P, et al. Machine Learning-Driven Prediction of One-Year Readmission in HFrEF Patients: The Key Role of Inflammation. Clin Interv Aging. 2025;20:1071-84. doi:10.2147/CIA.S528442.
16. Wang Z, Chen X, Tan X, et al. Using Deep Learning to Identify High-Risk Patients with Heart Failure with Reduced Ejection Fraction. J Health Econ Outcomes Res. 2021;8(2):6-13. doi:10.36469/jheor.2021.25753.
17. Hu Y, Ma F, Hu M, et al. Development and validation of a machine learning model to predict the risk of readmission within one year in HFpEF patients: Short title: Prediction of HFpEF readmission. Int J Med Inform. 2025;194:105703. doi:10.1016/j.ijmedinf.2024.105703.
18. Ru B, Tan X, Liu Y, et al. Comparison of Machine Learning Algorithms for Predicting Hospital Readmissions and Worsening Heart Failure Events in Patients With Heart Failure With Reduced Ejection Fraction: Modeling Study. JMIR Form Res. 2023;7:e41775. doi:10.2196/41775.
19. Gtif I, Abdelhedi R, Ouarda W, et al. Oxidative stress markers-driven prognostic model to predict post-discharge mortality in heart failure with reduced ejection fraction. Front Cardiovasc Med. 2022;9:1017673. doi:10.3389/fcvm.2022.1017673.
20. Zheng B, Liang T, Mei J, et al. Prediction of 90 day readmission in heart failure with preserved ejection fraction by interpretable machine learning. ESC Heart Fail. 2024;11(6):426776. doi:10.1002/ehf2.15033.
21. McDowell K, Kondo T, Talebi A, et al. Prognostic Models for Mortality and Morbidity in Heart Failure With Preserved Ejection Fraction. JAMA Cardiol. 2024;9(5):457-65. doi:10.1001/jamacardio.2024.0284.
22. Tian P, Liang L, Zhao X, et al. Machine Learning for Mortality Prediction in Patients With Heart Failure With Mildly Reduced Ejection Fraction. J Am Heart Assoc. 2023;12(12):e029124. doi:10.1161/JAHA.122.029124.
23. Angraal S, Mortazavi BJ, Gupta A, et al. Machine Learning Prediction of Mortality and Hospitalization in Heart Failure With Preserved Ejection Fraction. JACC Heart Fail. 2020;8(1):12-21. doi:10.1016/j.jchf.2019.06.013.
24. Драгомирецкая Н. А., Толмачева А. В., Ветлужская М. В. и др. Многофакторная модель прогнозирования неблагоприятных исходов у пациентов с хронической сердечной недостаточностью с сохраненной и умеренно сниженной фракцией выброса левого желудочка. Практическая медицина. 2024;22(3):48-56. doi:10.32000/2072-17572024-3-48-56.
25. Kyodo A, Kanaoka K, Keshi A, et al. Heart failure with preserved ejection fraction phenogroup classification using machine learning. ESC Heart Fail. 2023;10(3):2019-30. doi:10.1002/ehf2.14368.
26. Segar MW, Patel KV, Ayers C, et al. Phenomapping of patients with heart failure with preserved ejection fraction using machine learning-based unsupervised cluster analysis. Eur J Heart Fail. 2020;22(1):148-58. doi:10.1002/ejhf.1621.
27. Soltani F, Jenkins DA, Kaura A, et al. Phenogrouping heart failure with preserved or mildly reduced ejection fraction using electronic health record data. BMC Cardiovasc Disord. 2024;24(1):343. doi:10.1186/s12872-024-03987-9.
28. Jawadi Z, He R, Srivastava PK, et al. Predicting in-hospital mortality among patients admitted with a diagnosis of heart failure: a machine learning approach. ESC Heart Fail. 2024;11(5):2490-8. doi:10.1002/ehf2.14796.
29. Hajishah H, Kazemi D, Safaee E, et al. Evaluation of machine learning methods for prediction of heart failure mortality and readmission: meta-analysis. BMC Cardiovasc Disord. 2025;25(1):264. doi:10.1186/s12872-025-04700-0.
30. Yang HS, Rhoads DD, Sepulveda J, et al. Building the Model. Arch Pathol Lab Med. 2023;147(7):826-36. doi:10.5858/arpa.2021-0635-RA.
31. Smith LA, Oakden-Rayner L, Bird A, et al. Machine learning and deep learning predictive models for long-term prognosis in patients with chronic obstructive pulmonary disease: a systematic review and meta-analysis. Lancet Digit Health. 2023;5(12):e872-e881. doi:10.1016/S2589-7500(23)00177-2.
32. Zhou Y, Ge YT, Shi XL, et al. Machine learning predictive models for acute pancreatitis: A systematic review. Int J Med Inform. 2022;157:104641. doi:10.1016/j.ijmedinf.2021.104641.
33. Cabitza F, Campagner A, Soares F, et al. The importance of being external. methodological insights for the external validation of machine learning models in medicine. Comput Methods Programs Biomed. 2021;208:106288. doi:10.1016/j.cmpb.2021.106288.
34. Moons KG, Altman DG, Reitsma JB, et al. Transparent Reporting of a multivariable prediction model for Individual Prognosis or Diagnosis (TRIPOD): explanation and elaboration. Ann Intern Med. 2015;162(1):W1-73. doi:10.7326/M14-0698.