Цель. Оценить эффективность современных ансамблевых моделей машинного обучения (МО) в прогнозировании госпитальной летальности у пациентов с острым коронарным синдромом (ОКС) в сравнении с традиционной клинической шкалой GRACE.Материал и методы. В ретроспективное исследование включены анонимизированные данные 14420 пациентов с ОКС, госпитализированных в кардиологический стационар. Для каждого клинического случая анализировалось 28 предикторов. На основе этих данных обучены алгоритмы МО: логистическая регрессия, деревья решений, случайный лес (Random Forest), градиентный бустинг (XGBoost, CatBoost). Для оценки качества моделей использовались площадь под ROC-кривой (AUC-ROC), полнота (Recall) и F1-мера. Результаты лучшей модели сопоставлялись с оценкой риска по шкале GRACE. Для интерпретации логики алгоритма применялся SHAP-анализ.Результаты. Госпитальная летальность составила 6,03% (804 пациента). Алгоритмы на основе градиентного бустинга продемонстрировали наилучшую предсказательную способность. Лидером стала модель CatBoost, показавшая значение AUC-ROC 0,961, статистически значимо превзойдя шкалу GRACE (AUCROC 0,919) на тестовой выборке. SHAP-анализ выявил, что наибольший вклад в прогноз модели вносят: наличие дислипидемии в анамнезе, фракция выброса левого желудочка, класс острой сердечной недостаточности по Killip, возраст и уровень систолического артериального давления. Модель успешно выявила скрытые нелинейные клинические паттерны, включая парадоксальный защитный эффект диагностированной ранее дислипидемии и критическую прогностическую значимость отсутствия анамнестических данных при поступлении.Заключение. Методы МО, в частности алгоритм CatBoost, обеспечивают более высокую точность прогнозирования госпитальной летальности при ОКС по сравнению с классическими шкалами. Способность алгоритмов учитывать сложные нелинейные взаимосвязи между клиническими показателями делает их перспективной основой для создания точных систем поддержки принятия врачебных решений.
1. Bhatt DL, Lopes RD, Harrington RA. Diagnosis and treatment of acute coronary syndromes: a review. JAMA. 2022;327(7):662-75. doi:10.1001/jama.2022.0358.
2. Fox KAA, Dabbous OH, Goldberg RJ, et al. Predictors of hospital mortality in the global registry of acute coronary events. Arch Intern Med. 2003;163(23):2345-53. doi:10.1001/archinte.163.19.2345.
3. Deo RC. Machine learning in medicine. Circulation. 2015;132(20):1920-30. doi:10.1161/CIRCULATIONAHA.115.001593.
4. Arfat Y, Mittone G, Esposito R, et al. Machine learning for cardiology. Minerva Cardiol Angiol. 2022;70(1):75-91. doi:10.23736/S2724-5683.21.05709-4.
5. D’Ascenzo F, De Filippo O, Gallone G, et al. Machine learning-based prediction of adverse events following an acute coronary syndrome (PRAISE): a modelling study of pooled datasets. The Lancet. 2021;397(10270):199-207. doi:10.1016/S0140-6736(20)32519-8.
6. Zhang X, Wang X, Xu L, et al. The predictive value of machine learning for mortality risk in patients with acute coronary syndromes: a systematic review and meta-analysis. Eur J Med Res. 2023;28(1):451. doi:10.1186/s40001-023-01027-4.
7. Emakhu J, Monplaisir L, Aguwa C, et al. Acute coronary syndrome prediction in emergency care: A machine learning approach. Comput Methods Programs Biomed. 2022;225:107080. doi:10.1016/j.cmpb.2022.107080.
8. Chopannejad S, Sadoughi F, Bagherzadeh R, Shekarchi S. Predicting Major Adverse Cardiovascular Events in Acute Coronary Syndrome: A Scoping Review of Machine Learning Approaches. Appl Clin Inform. 2022;13(3):720-40. doi:10.1055/a-1863-1589.
9. Khera R, Haimovich J, Hurley NC, et al. Use of machine learning models to predict death after acute myocardial infarction. JAMA Cardiol. 2021;6(6):633-41. doi:10.1001/jamacardio.2021.0122.
10. Prokhorenkova L, Gusev G, Vorobev A, et al. CatBoost: unbiased boosting with categorical features. Adv Neural Inf Process Syst. 2018;31:6638-48.
11. Lundberg SM, Lee SI. A unified approach to interpreting model predictions. Adv Neural Inf Process Syst. 2017;30:4765-74. doi:10.48550/arXiv.1705.07874.
12. Cho SM, Austin PC, Ross HJ, et al. Machine learning compared with conventional statistical models for predicting myocardial infarction readmission and mortality: a systematic review. Can J Cardiol. 2021;37(8):1207-14. doi:10.1016/j.cjca.2021.02.020.
13. Jian R, Zhang J, Zeng Y, et al. In-hospital mortality risk prediction models for patients with acute coronary syndrome: a systematic review and meta-analysis. Frontiers in Cardiovascular Medicine. 2025;3(12):1659184. doi:10.3389/fcvm.2025.1659184.
14. Wu TT, Lin XQ, Mu Y, et al. Machine learning for early prediction of in-hospital cardiac arrest in patients with acute coronary syndromes. Clin Cardiol. 2021;44(3):349-56. doi:10.1002/clc.23541.
15. Соловьёв И. А., Курочкина О. Н. Приложения искусственного интеллекта в кардиологии: обзор. Российский кардиологический журнал. 2024;29(11S):5673. doi:10.15829/1560-40712024-5673.
