Цель Сравнительная оценка прогностической точности моделей летального исхода в стационаре у больных ишемической болезнью сердца (ИБС) после коронарного шунтирования (КШ), разработанных на основе современных технологий машинного обучения.Материал и методы Проведен ретроспективный анализ 866 электронных историй болезни пациентов (685 мужчин и 181 женщины), оперированных в 2008–2018 гг. по поводу ИБС методом КШ. Анализировали результаты клинических, лабораторных и инструментальных исследований, полученных до операции КШ. Больные были разделены на 2 группы: в 1‑ю вошли 35 (4 %) человек, умерших в течение первых 30 сут после КШ, во 2‑ю – 831 (96 %) пациент с благоприятным исходом операции. Предикторы летального исхода в стационаре выделяли путем многоступенчатой процедуры отбора с анализом статистических гипотез и расчетом весовых коэффициентов. Для построения моделей и верификации предикторов использовали методы машинного обучения: многофакторную логистическую регрессию (ЛР), случайный лес (СЛ) и искусственные нейронные сети (ИНС). Точность моделей оценивали по трем метрикам: площадь под ROC-кривой (AUC), чувствительность и специфичность. Кросс-валидацию моделей проводили на тестовых выборках, а контрольную – на когорте пациентов с ИБС после КШ, данные которых не использовались при разработке моделей.Результаты Выделены следующие 7 факторов риска летального исхода в стационаре из шкалы EuroSCORE II с наибольшим предиктивным потенциалом – фракция выброса (ФВ) <30 %, ФВ 30–50 %, возраст больных, недавно перенесенный инфаркт миокарда, поражения периферических артериальных бассейнов, экстренность КШ, хроническая сердечная недостаточность III–IV функциональных классов, и 5 дополнительных предикторов – частота сердечных сокращений, систолическое артериальное давление, наличие аортального стеноза, индекс относительной толщины (ИОТ) задней стенки левого желудочка (ЛЖ) и относительный индекс массы миокарда ЛЖ (ОИММЛЖ). Авторские модели на основе методов ЛР, СЛ и ИНС имели более высокие значения AUC и чувствительность по сравнению с классической шкалой EuroSCORE II. Модель ИНС с включением предикторов ИОТ и ОИММЛЖ демонстрировала максимальный уровень прогностической точности, что иллюстрировалось значениями метрик качества: AUC 93 %, чувствительность 90 %, специфичность 96 %. Прогностическая устойчивость моделей подтверждалась результатами контрольной валидации.Заключение Использование современных технологий машинного обучения позволило разработать новый алгоритм отбора предикторов и высокоточные модели прогнозирования летального исхода в стационаре после КШ.
1. Бокерия Л.А., Сокольская Н.О., Копылова Н.С., Алшибая М.М. Эхокардиографические предикторы тяжести течения раннего послеоперационного периода у больных после хирургической реваскуляризации миокарда. Анестезиология и реаниматология. 2015;60(5):8-11
2. Nashef SAM, Roques F, Sharples LD, Nilsson J, Smith C, Goldstone AR et al. EuroSCORE II. European Journal of Cardio-Thoracic Surgery. 2012;41(4):734–45. DOI: 10.1093/ejcts/ezs043
3. Ad N, Holmes SD, Patel J, Pritchard G, Shuman DJ, Halpin L. Comparison of EuroSCORE II, Original EuroSCORE, and The Society of Thoracic Surgeons Risk Score in Cardiac Surgery Patients. The Annals of Thoracic Surgery. 2016;102(2):573–9. DOI: 10.1016/j.athoracsur.2016.01.105
4. Yamaoka H, Kuwaki K, Inaba H, Yamamoto T, Kato TS, Dohi S et al. Comparison of modern risk scores in predicting operative mortality for patients undergoing aortic valve replacement for aortic stenosis. Journal of Cardiology. 2016;68(2):135–40. DOI: 10.1016/j.jjcc.2015.08.017
5. Allyn J, Allou N, Augustin P, Philip I, Martinet O, Belghiti M et al. A Comparison of a Machine Learning Model with EuroSCORE II in Predicting Mortality after Elective Cardiac Surgery: A Decision Curve Analysis. PLOS ONE. 2017;12(1):e0169772. DOI: 10.1371/journal.pone.0169772
6. Kilic A, Goyal A, Miller JK, Gjekmarkaj E, Tam WL, Gleason TG et al. Predictive Utility of a Machine Learning Algorithm in Estimating Mortality Risk in Cardiac Surgery. The Annals of Thoracic Surgery. 2020;109(6):1811–9. DOI: 10.1016/j.athoracsur.2019.09.049
7. Boughorbel S, Jarray F, El-Anbari M. Optimal classifier for imbalanced data using Matthews Correlation Coefficient metric. PLOS ONE. 2017;12(6):e0177678. DOI: 10.1371/journal.pone.0177678
8. Steele AJ, Denaxas SC, Shah AD, Hemingway H, Luscombe NM. Machine learning models in electronic health records can outperform conventional survival models for predicting patient mortality in coronary artery disease. PLOS ONE. 2018;13(8):e0202344. DOI: 10.1371/journal.pone.0202344
9. Cuocolo R, Perillo T, De Rosa E, Ugga L, Petretta M. Current applications of big data and machine learning in cardiology. Journal of Geriatric Cardiology. 2019;16(8):601–7. DOI: 10.11909/j. issn.1671-5411.2019.08.002
10. Ranganathan P, Pramesh CS, Aggarwal R. Common pitfalls in statistical analysis: Logistic regression. Perspectives in Clinical Research. 2017;8(3):148–51. DOI: 10.4103/picr.PICR_87_17
11. Strobl C, Boulesteix A-L, Kneib T, Augustin T, Zeileis A. Conditional variable importance for random forests. BMC Bioinformatics. 2008;9(1):307. DOI: 10.1186/1471-2105-9-307
12. Luan L, Hu H, Li S-C. A Review of Studies of Quality of Life for Chinese-Speaking Patients with Ischemic Heart Disease. Value in Health Regional Issues. 2018;15:82–90. DOI: 10.1016/j.vhri.2017.08.013
13. Alizadehsani R, Abdar M, Roshanzamir M, Khosravi A, Kebria PM, Khozeimeh F et al. Machine learning-based coronary artery disease diagnosis: A comprehensive review. Computers in Biology and Medicine. 2019;111:103346. DOI: 10.1016/j.compbiomed.2019.103346
