RT - 
SR - Electronic
T1 - Методы машинного обучения в прогнозировании летальных исходов в стационаре у больных ишемической болезнью сердца после коронарного шунтирования
JF - Кардиология
SP - 2023-01-16
DO - 10.18087/cardio.2020.10.n1170
A1 - Гельцер, Б. И.
A1 - Шахгельдян, К. И.
A1 - Рублев, В. Ю.
A1 - Котельников, В. Н.
A1 - Кригер, А. Б.
A1 - Широбоков, В. Г.
YR - 2020
UL - https://www.cardiojournal.online/publication/2159
AB - 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.