Цель. Сравнительный анализ математических моделей, полученных с помощью многофакторного логистического регрессионного анализа (МЛРА) с пошаговым включением предикторов и методов машинного обучения (МО), в отношении прогнозирования вероятности наличия субклинического каротидного атеросклероза у нормотензивных пациентов с избыточным весом и ожирением без сердечно-сосудистых заболеваний и/или сахарного диабета.Материал и методы. Информация о пациентах извлекалась из базы данных платформы Webiomed, критериями включения являлись возраст ≥18 лет, индекс массы тела ≥25 кг/м2, наличие результатов ультразвукового исследования брахиоцефальных артерий, критериями невключения — сахарный диабет и/или сердечно-сосудистые заболевания. Проводился МЛРА с пошаговым включением предикторов, для создания альтернативной модели использовали алгоритмы МО.Результаты. Общий процент верных классификаций для математической модели, полученной методом МЛРА, составил 73,2%, процент верных отрицательных предсказаний — 80,1%, процент верных положительных предсказаний — 63,4%. Математические модели, созданные с помощью методов МО, характеризуются предсказательной способностью от 75 до 97% при чувствительности от 77 до 92% и специфичности от 80 до 98%.Заключение. Выявлено существенное превосходство моделей, созданных с помощью методов МО, при изучении комплекса широкодоступных клинических и лабораторно-инструментальных параметров. Интеграция математической модели, созданной с помощью методов МО, в диагностический алгоритм принятия решения о направлении пациента на ультразвуковое исследование брахиоцефальных артерий в рамках проведения риск-стратификации пациенту с “невысоким” риском по шкалам-рискометрам, позволит значительно увеличить ее точность, оптимизируя при этом расходы на оказание медицинской помощи.
1. Бойцов С. А., Драпкина О. М., Шляхто Е. В. и др. Исследование ЭССЕ-РФ (Эпидемиология сердечно-сосудистых заболеваний и их факторов риска в регионах Российской Федерации). Десять лет спустя. Кардиоваскулярная терапия и профилактика. 2021;20(5):3007. doi:10.15829/1728-8800-2021-3007.
2. Кардиоваскулярная профилактика 2017. Российские национальные рекомендации. Российский кардиологический журнал. 2018;(6):7-122. doi:10.15829/1560-4071-2018-6-7-122.
3. Кухарчук В. В., Ежов М. В., Сергиенко И. В. и др. Диагностика и коррекция нарушений липидного обмена с целью профилактики и лечения атеросклероза. Российские рекомендации, VII пересмотр. Атеросклероз и дислипидемии. 2020;1(38):7-40. doi:10.34687/2219-8202.JAD.2020.01.0002.
4. Rossello X, Dorresteijn J, Janssen A, et al. Risk prediction tools in cardiovascular disease prevention: A report from the ESC Prevention of CVD Programme led by the European Association of Preventive Cardiology (EAPC) in collaboration with the Acute Cardiovascular Care Association (ACCA) and the Association of Cardiovascular Nursing and Allied Professions (ACNAP). Eur J Prev Cardiol. 2019;26(14):1534-44. doi:10.1177/2047487319846715.
5. Смирнова М. Д., Свирида О. Н., Фофанова Т. В. и др. Алгоритм прогнозирования сердечно-сосудистых осложнений у больных низкого/умеренного риска с использованием “классических” и “новых” факторов (по данным десятилетнего наблюдения). Кардиоваскулярная терапия и профилактика. 2021;20(6):2799. doi:10.15829/1728-8800-2021-2799.
6. Wong Y, Tse H. Circulating Biomarkers for Cardiovascular Disease Risk Prediction in Patients with Cardiovascular Disease. Front Cardiovasc Med. 2021;8:713191. doi:10.3389/fcvm.2021.713191.
7. Baber U, Mehran R, Sartori S, et al. Prevalence, impact, and predictive value of detecting subclinical coronary and carotid atherosclerosis in asymptomatic adults: the BioImage study. J Am Coll Cardiol. 2015;65(11):1065-74. doi:10.1016/j.jacc.2015.01.017.
8. Nezu T, Hosomi N. Usefulness of carotid ultrasonography for risk stratification of cerebral and cardiovascular disease. J Atheroscler Thromb. 2020;27(10):1023-35. doi:10.5551/jat.RV17044.
9. Li H, Xu X, Luo B, Zhang Y. The Predictive Value of Carotid Ultrasonography With Cardiovascular Risk Factors–A “SPIDER” Promoting Atherosclerosis. Front Cardiovasc Med. 2021;8:706490. doi:10.3389/fcvm.2021.706490.
10. Драпкина О. М., Елиашевич С. О., Шепель Р. Н. Ожирение как фактор риска хронических неинфекционных заболеваний. Российский кардиологический журнал. 2016;(6):73-9. doi:10.15829/1560-4071-2016-6-73-79.
11. Дружилов М. А., Кузнецова Т. Ю. Гетерогенность фенотипов ожирения в отношении сердечно-сосудистого риска. Кардиоваскулярная терапия и профилактика. 2019;18(1):161-7. doi:10.15829/1728-8800-2019-1-162-168.
12. Чумакова Г. А., Кузнецова Т. Ю., Дружилов М. А. и др. Висцеральное ожирение как глобальный фактор сердечно-сосудистого риска. Российский кардиологический журнал. 2018;(5):7-14. doi:10.15829/1560-4071-2018-5-7-14.
13. Кузнецова Т. Ю., Чумакова Г. А., Дружилов М. А. и др. Роль количественной эхокардиографической оценки эпикардиальной жировой ткани у пациентов с ожирением в клинической практике. Российский кардиологический журнал. 2017;(4):81-7. doi:10.15829/1560-4071-2017-4-81-87.
14. Шенкова Н. Н., Веселовская Н. Г., Чумакова Г. А. и др. Прогнозирование риска субклинического атеросклероза брахиоцефальных артерий у женщин с ожирением. Российский кардиологический журнал. 2017;(4):54-60. doi:10.15829/1560-4071-2017-4-54-60.
15. Дружилова О. Ю., Дружилов М. А., Отмахов В. В. и др. Роль оценки жесткости артериальной стенки при прогнозировании атеросклероза сонной артерии у пациентов с абдоминальным ожирением. Терапевтический архив. 2016;4(88):24-8. doi:10.17116/terarkh201688424-28.
16. Гусев А. В., Гаврилов Д. В., Новицкий Р. Э. и др. Совершенствование возможностей оценки сердечно-сосудистого риска при помощи методов машинного обучения. Российский кардиологический журнал. 2021;26(12):4618. doi:10.15829/1560-4071-2021-4618.
17. Narain R, Saxena S, Goyal A. Cardiovascular risk prediction: a comparative study of Framingham and quantum neural network based approach. Patient Prefer Adherence. 2016;10:1259-70. doi:10.2147/PPA.S108203.
18. Dimopoulos A, Nikolaidou M, Caballero F, et al. Machine learning methodologies versus cardiovascular risk scores, in predicting disease risk. BMC Med Res Methodol. 2018;18(1):179. doi:10.1186/s12874-018-0644-1.
19. Quesada J, Lopez-Pineda A, Gil-Guillén V, et al. Machine learning to predict cardiovascular risk. Int J Clin Pract. 2019;73(10):e13389. doi:10.1111/ijcp.13389.
20. Гаврилов Д. В., Кузнецова Т. Ю., Дружилов М. А. и др. Прогнозирование наличия субклинического каротидного атеросклероза у пациентов с избыточным весом и ожирением при помощи модели машинного обучения. Российский кардиологический журнал. 2022;27(4):4871. doi:10.15829/1560-4071-2022-4871.
21. Гаврилов Д. В., Серова Л. М., Корсаков И. Н. и др. Предсказание сердечно-сосудистых событий при помощи комплексной оценки факторов риска с использованием методов машинного обучения. Врач. 2020;31(5):41-6. doi:10.29296/25877305-2020-05-08.
22. Iliyasu R, Etikan I. Comparison of quota sampling and stratified random sampling. Biom Biostat Int J. 2021;10(1):24-7. doi:10.15406/bbij.2021.10.00326.
23. Bengtsson A, Norberg M, Ng N, et al. The beneficial effect over 3 years by pictorial information to patients and their physician about subclinical atherosclerosis and cardiovascular risk: Results from the VIPVIZA randomized clinical trial. Am J Prev Cardiol. 2021;7:100199. doi:10.1016/j.ajpc.2021.100199.
