Цель Разработка моделей прогнозирования рисков поражения органов-мишеней (ПОМ) при различных фенотипах «маскированной» артериальной гипертензии (МАГ) на основе методов машинного обучения (МО).Материал и методы Проведен когортный ретроспективный анализ 284 историй болезни пациентов (261 мужчина, 23 женщины), медиана возраста 38 лет. В 1 ю группу вошли 125 больных артериальной гипертензией (АГ) 1–2 й степени с низким и умеренным риском, во 2 ю – 159 лиц с нормальным уровнем «офисного» артериального давления (АД), подвергавшихся хроническому воздействию профессиональных стрессоров. Проводили суточное мониторирование АД (СМАД), ультразвуковое исследование сердца и сонных артерий, определяли скорость клубочковой фильтрации (СКФ) с помощью формулы СКD-EPI. Фенотипирование МАГ осуществляли путем кластеризации данных СМАД, а прогнозирование рисков ПОМ – с помощью анализа отношения шансов (ОШ) и методов МО: случайный лес (СЛ) и искусственные нейронные сети (ИНС). Обработку данных выполняли на языке R в среде RStudio.Результаты По данным СМАД и кластерного анализа у 121 (76,1 %) обследованного лица 2 й группы была диагностирована МАГ и верифицированы ее фенотипы: систолодиастолический – СДМАГ (43,8 %), изолированный систолический – ИСМАГ (35,5 %) и изолированный диастолический – ИДМАГ (20,7 %). По сравнению с устойчивой АГ у лиц с различными фенотипами МАГ выявлены как превышение, так и снижение отдельных показателей СМАД. Так, у лиц с ИДМАГ средние уровни систолического и диастолического АД в течение суток были достоверно ниже, чем при АГ, а при СДМАГ – значительно выше. Анализ ОШ демонстрировал, что вероятность ПОМ различной локализации ассоциировалась с определенными фенотипами МАГ. При этом ИСМАГ характеризовалась максимальным риском гломерулярной гиперфильтрации, ИДМАГ – снижением СКФ и сосудистым ремоделированием, СДМАГ – гипертрофией миокарда левого желудочка. Разработанные модели прогнозирования рисков ПОМ на основе методов СЛ и ИНС показали высокую точность, которая обеспечивалась многоступенчатыми процедурами отбора предикторов и перекрестной проверки.Заключение Современные технологии МО позволяют совершенствовать риск-стратификацию больных с различными клиническими вариантами АГ.
1. Гельцер Б.И., Котельников В.Н., Ветрова О.О., Карпов Р.С. Маскированная артериальная гипертензия: распространенность, патофизиологические детерминанты и клиническое значение. Российский кардиологический журнал. 2019;24(9):92-8]. DOI: 10.15829/1560-4071-2019-9-92-98
2. Pickering TG, Eguchi K, Kario K. Masked Hypertension: A Review. Hypertension Research. 2007;30(6):479–88. DOI: 10.1291/hypres.30.479
3. Booth JN, Muntner P, Diaz KM, Viera AJ, Bello NA, Schwartz JE et al. Evaluation of Criteria to Detect Masked Hypertension. The Journal of Clinical Hypertension. 2016;18(11):1086–94. DOI: 10.1111/jch.12830
4. Peacock J, Diaz KM, Viera AJ, Schwartz JE, Shimbo D. Unmasking masked hypertension: prevalence, clinical implications, diagnosis, correlates and future directions. Journal of Human Hypertension. 2014;28(9):521–8. DOI: 10.1038/jhh.2014.9
5. Tientcheu D, Ayers C, Das SR, McGuire DK, de Lemos JA, Khera A et al. Target Organ Complications and Cardiovascular Events Associated With Masked Hypertension and White-Coat Hypertension. Journal of the American College of Cardiology. 2015;66(20):2159–69. DOI: 10.1016/j.jacc.2015.09.007
6. Hänninen M-RA, Niiranen TJ, Puukka PJ, Kesäniemi YA, Kähönen M, Jula AM. Target organ damage and masked hypertension in the general population: the Finn-Home study. Journal of Hypertension. 2013;31(6):1136–43. DOI: 10.1097/HJH.0b013e32835fa5dc
7. Manios E, Michas F, Stamatelopoulos K, Koroboki E, Stellos K, Tsouma I et al. Association of Isolated Systolic, Isolated Diastolic, and Systolic- Diastolic Masked Hypertension With Carotid Artery Intima-Media Thickness. The Journal of Clinical Hypertension. 2015;17(1):22– 6. DOI: 10.1111/jch.12430
8. Sharman JE, Hare JL, Thomas S, Davies JE, Leano R, Jenkins C et al. Association of Masked Hypertension and Left Ventricular Remodeling With the Hypertensive Response to Exercise. American Journal of Hypertension. 2011;24(8):898–903. DOI: 10.1038/ajh.2011.75
9. Williams B, Mancia G, Spiering W, Agabiti Rosei E, Azizi M, Burnier M et al. 2018 ESC/ESH Guidelines for the management of arterial hypertension. European Heart Journal. 2018;39(33):3021–104. DOI: 10.1093/eurheartj/ehy339
10. Ситкова Е.С., Мордовин В.Ф., Пекарский С.Е., Рипп Т.М., Фальковская А.Ю., Рябова Т.Р. и др. Вариабельность артериального давления как фактор лучшей кардиопротективной эффективности ренальной денервации. Сибирский медицинский журнал (г. Томск). 2018;33(2):9-15]. DOI: 10.29001/2073-8552-2018-33-2-9-15
11. McInnes L, Healy J, Saul N, Großberger L. UMAP: Uniform Manifold Approximation and Projection. Journal of Open Source Software. 2018;3(29):861. DOI: 10.21105/joss.00861
12. Campello RJGB, Moulavi D, Sander J. Density-Based Clustering Based on Hierarchical Density Estimates. In: Advances in Knowledge Discovery and Data Mining. Series Title: Lecture Notes in Computer Science. Pei J, Tseng VS, Cao L, Motoda H, Xu G, editors -Berlin, Heidelberg: Springer Berlin Heidelberg; 2013. - P. 160-172. DOI: 10.1007/978-3-642-37456-2_14
13. Günther F, Fritsch S. neuralnet: Training of Neural Networks. The R Journal. 2010;2(1):30–8. DOI: 10.32614/RJ-2010-006
14. Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial Intelligence in Precision Cardiovascular Medicine. Journal of the American College of Cardiology. 2017;69(21):2657–64. DOI: 10.1016/j.jacc.2017.03.571
15. Motwani M, Dey D, Berman DS, Germano G, Achenbach S, Al- Mallah MH et al. Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease: a 5-year multicentre prospective registry analysis. European Heart Journal. 2016;38(7):500–7. DOI: 10.1093/eurheartj/ehw188
16. Guidi G, Pettenati MC, Melillo P, Iadanza E. A Machine Learning System to Improve Heart Failure Patient Assistance. IEEE Journal of Biomedical and Health Informatics. 2014;18(6):1750–6. DOI: 10.1109/JBHI.2014.2337752
