<?xml version="1.0" encoding="UTF-8"?>
<xml>
 <records>
  <record>
   <ref-type name="Journal Article">17</ref-type>
   <contributors>
    <authors>
     <author>Швец Д. А.</author>
     <author>Поветкин С. В.</author>
    </authors>
   </contributors>
   <titles>
    <title>Сравнение диагностических параметров шкалы на основе машинного обучения и шкалы GRACE 2.0 для оценки долгосрочного риска летального исхода после инфаркта миокарда и нестабильной стенокардии</title>
   </titles>
   <keywords>
    <keyword>машинное обучение</keyword>
    <keyword>инфаркт миокарда</keyword>
    <keyword>нестабильная стенокардия</keyword>
    <keyword>оценка риска</keyword>
   </keywords>
   <dates>
    <year>2026</year>
    <pub-dates>
     <date>2026-07-07</date>
    </pub-dates>
   </dates>
   <doi>10.15829/1560-4071-2026-6461</doi>
   <journal>Российский кардиологический журнал</journal>
   <abstract>Цель. Сравнение диагностических параметров шкалы оценки долгосрочного риска летального исхода после инфаркта миокарда (ИМ) и нестабильной стенокардии (НС), основанной на модели машинного обучения и шкалы Global Registry of Acute Coronary Events (GRACE) 2.0.Материал и методы. Ретроспективно исследовано 1515 медицинских карт больных с ИМ и НС. В течение 62 мес. наблюдения зафиксировано 238 случаев кардиологических летальных исходов и 1277 благоприятных исходов. 80% данных использовали для обучения с помощью Categorical Boosting классификатора. В окончательной модели использовали 8 наиболее значимых автоматически выделенных признаков. Качество модели оценивалось по основным метрикам: чувствительность, специфичность, предсказательная ценность положительного и отрицательного результатов теста, отношение правдоподобия положительного и отрицательного результатов теста, F1 (гармоническое среднее между чувствительностью и предсказательной ценностью положительного результата теста), receiver operating characteristic (ROC), индекс Юдена, сводный прогнозный индекс.Результаты. Диагностическая точность шкалы GRACE 2.0 (area under the curve (AUC) =0,74) и шкалы оценки долгосрочного риска летального исхода после ИМ и НС, основанной на модели машинного обучения (Machine Learning (ML)) (AUC =0,73) совпадают. Шкала риска ML демонстрирует устойчивую производительность на всех этапах кросс-валидации. В шкале риска ML признак, сопоставимый по значимости с возрастом — фракция выброса (ФВ) левого желудочка (ЛЖ). После 30 мес. от момента ИМ и НС существенно снижается выживаемость больных с исходным значением ФВ ЛЖ ≤40%. Верификация высокого риска летального исхода на основании шкалы риска ML позволит отнести больного к категории повышенного риска, даже при улучшении функции ЛЖ в динамике.Заключение. Оценка долгосрочного риска летального исхода после ИМ и НС, основанная на модели ML, осуществляется по 8 признакам: возраст, ФВ ЛЖ, площадь поверхности тела, уровень креатинина, систолическое артериальное давление, стадия хронической сердечной недостаточности, коморбидность. Точность прогнозирования летального исхода больных после ИМ и НС шкалой риска ML и шкалой GRACE 2.0 сопоставима. Диагностика высокого риска кардиологической летальности больных с ИМ и НС при ФВ ЛЖ ≤40% может позволить оптимизировать мероприятия вторичной профилактики в данной группе больных.</abstract>
   <urls>
    <web-urls>
     <url>https://www.cardiojournal.online/publication/14547</url>
    </web-urls>
    <pdf-urls>
     <url>https://www.cardiojournal.online/files/14948</url>
    </pdf-urls>
   </urls>
  </record>
 </records>
</xml>
