Два подхода к построению моделей прогноза риска прогрессирующего атеросклероза
Автор: Ложкина Н. Г., Воскобойников Ю. Е., Копылов В. Н., Пархоменко О. М., Воевода М. И.
Журнал: Сибирский журнал клинической и экспериментальной медицины @cardiotomsk
Рубрика: Клинические исследования
Статья в выпуске: 2 т.38, 2023 года.
Бесплатный доступ
Прогрессирующий или ускоренный атеросклероз сопровождается неблагоприятными клиническими исходами. Изучение и понимание этого процесса, создание персонифицированного метода оценки риска и прогноза данного заболевания необходимы для оптимизации подходов к лечению и профилактике.Цель исследования: сравнить два подхода к созданию прогнозной модели риска прогрессирующего атеросклероза: метод нелинейной регрессионной модели логистического типа и метод свободной кроссплатформенной системы визуального программирования Orange.Материал и методы. В ретроспективное когортное исследование были включены 202 пациента с подтвержденной ишемической болезнью сердца (ИБС): 147 мужчин и 55 женщин. Средний возраст пациентов составил 53,3 ± 7,16 лет. В первую группу вошли пациенты, перенесшие инфаркт миокарда или нестабильную стенокардию, экстренное артериальное стентирование, инсульт, тромбоз периферических артерий, критическую ишемию и ампутацию нижней конечности в течение 2 лет до включения в исследование. Пациенты в группе сравнения не имели этих событий. Прогнозные модели влияния различных исследуемых параметров на вероятность быстрого прогрессирования атеросклероза строились с помощью факторного и корреляционного анализа и свободной кроссплатформенной системы визуального программирования Orange.Результаты. Предложенные авторские подходы оценки риска прогрессирующего атеросклероза обладают хорошей прогностической точностью: (Кчув.= 94,1; Кспец.= 97,0; Кточ. = 95,5) для регрессионной модели и 0,950 (95,0%) для модели машинного обучения. Однако построение регрессионной модели - более сложная процедура по сравнению со вторым подходом, где выбор информативных показателей для модели прогноза делается системой Orange. Тем не менее, изложенные два подхода могут успешно дополнять друг друга, позволяя строить более точные прогнозные модели риска.Заключение. Предложенные авторские подходы оценки риска прогрессирующего атеросклероза обладают хорошей прогностической точностью.
Нелинейная регрессионная модель, модель машинного обучения, orange, прогрессирующий атеросклероз
Короткий адрес: https://sciup.org/149142853
IDR: 149142853 | DOI: 10.29001/2073-8552-2023-38-2-89-97
Список литературы Два подхода к построению моделей прогноза риска прогрессирующего атеросклероза
- Shah P., Bajaj S., Virk H., Bikkina M., Shamoon F. Rapid progression of coronary atherosclerosis: a review. Thrombosis. 2015;2015:634983. https://doi.org/10.1155/2015/634983.
- Li M., Ren C., Wu C., Li X., Li X., Mao W. Bioinformatics analysis reveals diagnostic markers and vital pathways involved in acute coronary syndrome. Cardiol. Res. Pract. 2020;2020:3162581. https://doi.org/10.1155/2020/3162581.
- Кухарчук В.В., Ежов М.В., Сергиенко И.В., Арабидзе Г.Г., Бубнова М.Г., Балахонова Т.В. и др. Диагностика и коррекция нарушений липидного обмена с целью профилактики и лечения атеросклероза. Российские рекомендации, VII пересмотр. Атеросклероз и дислипидемии. 2020;38(1):7-42. https://doi.org/10.34687/2219-8202. JAD.2020.01.0002.
- Knuuti J., Wijns W., Saraste A., Capodanno D., Barbato E., Funck-Brentano C. et al. 2019 ESC Guidelines for the diagnosis and management of chronic coronary syndromes: The Task Force for the diagnosis and management of chronic coronary syndromes of the European Society of Cardiology (ESC). Eur. Heart J. 2020;41(3):407-477. https://doi.org/10.1093/eurheartj/ehz425.
- Gulati M., Levy P.D., Mukherjee D., Amsterdam E., Bhatt D.L., Birtcher K.K. et al. 2021 AHA/ACC/ASE/CHEST/SAEM/SCCT/SCMR Guideline for the evaluation and diagnosis of chest pain: Executive summary: A Report of the American College of Cardiology. American Heart Association Joint Committee on Clinical Practice Guidelines. Circulation. 2021;144(22):e368-e454. https://doi.org/10.1161/CIR.0000000000001029.
- Thygesen K., Alpert J.S., Jaffe A.S., Chaitman B.R., Bax J.J., Morrow D.A. et al. ESC Scientific Document Group. Fourth universal definition of myocardial infarction (2018). Eur. Heart J. 2019;40(3):237-269. https://doi.org/10.1093/eurheartj/ehy462.
- Landmesser U., Chapman M.J., Stock J.K., Amarenco P., Belch J.J.F., Borén J. et al. 2017 Update of ESC/EAS Task Force on practical clinical guidance for proprotein convertase subtilisin/kexin type 9 inhibition in patients with atherosclerotic cardiovascular disease or in familial hypercholesterolaemia. Eur. Heart J. 2017;39(14):1131-1143. https://doi.org/10.1093/eurheartj/ehx549.
- Биленко М.В., Владимиров Ю.А., Хильченко А.В., Павлова С.А. Патент 2408019 Российская Федерация, МПК G01N 33/50. Способ экспресс-диагностики тяжести ишемических повреждений сердца у больного с ишемической болезнью сердца и предрасположенности больного к прогрессированию атеросклероза: № 2009121616/15: заявл. 08.06.2009; опубл. 27.12.2010.
- Арефьева Т.И., Балахонова Т.В., Красникова Т.Л., Ноева Е.А., Потехина А.В., Проваторов С.И. и др. Патент RU 2566288 C1 Российская Федерация, МПК G01N 33/53. Способ диагностики предрасположенности к прогрессированию атеросклероза у больных с хронической ишемической болезнью сердца по отношению концентраций Интерлейкина-10 и Интерлейкина-17 в периферической крови: № 2014141099/15, заявл. 13.10.2014, опубл. 20.10.2015. URL: https://patentimages.storage.googleapis.com/99/db/72/ea591c80020882/RU2566256C1.pdf (10.05.2023).
- Арефьева Т.И., Балахонова Т.В., Красникова Т.Л., Ноева Е.А., Потехина А.В., Проваторов С.И. и др. Патент 2575791 C1 Российская Федерация, МПК G01N 33/50. Способ диагностики предрасположенности к прогрессированию атеросклероза у больных с хронической ишемической болезнью сердца по содержанию Интерлейкин-10-продуцирующих Т-лимфоцитов в периферической крови; № 2014141098/15: заявл. 13.10.2014: опубл. 20.02.2016. URL: https://patentimages.storage.googleapis.com/d9/b2/ae/bd04c55b44d480/RU2575257C1.pdf (10.05.2023).
- Рагино Ю.И. Нестабильная атеросклеротическая бляшка и её лабораторные биохимические маркеры. Новосибирск: Наука; 2019:120.
- Obermeyer Z., Emanuel E.J. Predicting the future - big data, machine learning, and clinical medicine. New Engl. J. Med. 2016;375(13):1216-1219. https://doi.org/10.1056/NEJMp1606181.
