Новые методы и модели оценки риска развития ишемической болезни сердца

логического профиля [1, 8, 11]. Актуальность изучения факторов и биологических маркеров ключевых патофизиологических механизмов развития сердечно-сосудистых заболеваний в Западно-Сибирском регионе определена особыми климато-географическими условиями, особенностями питания и крайне высокой распространенностью факторов риска ИБС, поэтому востребовано получение новых данных в области изучения риска осложнений заболевания и повышения эффективности его ранней диагностики [9].

Сердечно-сосудистый риск – вероятность развития того или иного неблагоприятного события со стороны сердечно-сосудистой системы (включая смерть от сердечно-сосудистого заболевания или осложнения) в течение определенного периода времени (например, в течение ближайших 10 лет) [15]. Стратификация риска в диагностике ИБС производится на основании клинических данных, результатов стресс-тестов, оценки функционирования желудочков сердца, результатов коронарной ангиографии и других параметров [7, 10, 16, 18].

Среди рискометров, используемых в кардиологии, широко известна шкала SCORE, которая предназначена для оценки абсолютного риска смертельного сердечно-сосудистого заболевания (ССЗ) в течение ближайших 10 лет. При оценке риска по шкале SCORE учитываются следующие показатели: пол, возраст (40–65 лет), уровень артериального давления (АД), уровень общего холестерина, статус курения [14]. Сердечно-сосудистый риск оценивается также в зависимости от оптимальных значений липидных параметров, индекса Кетле, результатов диагностики метаболического синдрома [4, 13].

Как правило, оценка риска ССЗ осуществляется суммированием баллов, полученных по каждому показателю шкалы рискометра. Полученный результат либо переводится в проценты, либо остается в числовых значениях. После чего для определения степени риска используются таблицы соответствия полученного по шкале рискометра значения и выраженной в процентах вероятности возникновения или развития ССЗ. Такие методы и процедуры анализа значений параметров, входящих в шкалы риска, используются наиболее известными шкалами: HAS-BLEND, CHA2DS2-VASc, GRACE, CRUSADE, TIMI. Также анализ риска может производиться путем оценки вхождения параметра в интервал, которому соответствует определенная степень риска. По такому принципу оценивают риск ССЗ в зависимости от следующих факторов: индекса Кетле, значений липидных параметров, критериев диагностики метаболического синдрома, значения АД и др. [4, 8]. Такие процедуры получения численных оценок риска ввиду сложности процедур расчета зачастую не позволяют их широко использовать в клинической практике. Автоматизированные калькуляторы, которые значительно упрощают этот процесс, как правило, позволяют обрабатывать данные скрининговых исследований и не дают системную оценку, учитывающую на фоне клинических еще и биохимические показатели [5].

В рамках данного исследования ставились следующие задачи:

• ♦    разработки эффективных скрининговых лабораторно-диагностических методов для раннего выявления факторов риска развития ИБС, основанных на анализе биохимических показателей;

• ♦    применения логико-математических моделей для получения численных оценок риска развития заболевания;

• ♦    разработки удобного в использовании программного модуля, позволяющего выполнять оценку риска развития ИБС на основании анализа биохимических показателей.

Материалы и методы. В исследование было включено 172 пациента с ишемической болезнью сердца на фоне коронарного атеросклероза, верифицированного данными коро-нароангиографии, и 167 пациентов без ИБС, согласно данным обследования. В программу обследования входили: демографические и социальные данные, опрос о привычке курения и употреблении алкоголя, диетологический опрос, история хронических заболеваний и употребления медикаментов, кардиологический опрос по Роуз, антропометрия, 3-кратное измерение артериального давления, спирометрия, запись электрокардиограммы с расшифровкой по Миннесотскому коду. У всех пациентов определяли биохимические показатели. Оценка риска развития коронарного атеросклероза проводилась с использованием логико-математического метода. В основу логико-математической модели (ЛММ) положен ранее разработанный в Научно-исследовательском институте терапии и профилактической медицины лабораторно-диагностический комплекс, включающий наиболее информативные окислительные, липидно-липопротеиновые, воспалительные и метаболические биохимические показа- тели, характеризующие основные патогенетические звенья коронарного атеросклероза: исходный уровень продуктов перекисного окисления липидов в ЛНП (ПОЛ0), резистентность ЛНП к окислению (ПОЛ30), концентрации в крови инсулина (Инсулин), С-реактивного белка (СРБ), апопротеина А1 (апоА1) и В (апоВ), триглицеридов (ТГ) и ХС-ЛВП [2, 3, 17]. В модели учитывается вес каждого параметра, характеризующего различную степень вклада в общую картину заболевания, границы «норма – патология», выявленные для каждого параметра, и способ его нормирования.

Алгоритм расчета значений оценки риска развития ИБС для полученной лабораторнодиагностической панели состоит из трех основных шагов. На первом шаге для каждого параметра x i устанавливаются интервальные значения «норма – патология» _nx_i. На втором шаге для каждого x i в зависимости от шкалы измерения и логики анализа значений задается способ нормирования. На третьем шаге методом Дельфи получаются средневзвешенные оценки α i степени вклада каждого параметра в общую интегральную оценку степени риска развития ИБС. После чего формируется обобщенная модель, позволяющая рассчитывать единообразную общую оценку с учетом степени вклада нормированных значений каждого x_i к их интервальным значениям «норма – патология»:

8 n x i : y= ∑ α _if ( x_i ), i= 1

где α i – весовой коэффициент, учитывающий степень вклада параметра, полученный методом Делфи;

f ( x i ) – логико-математическая функция пересчета исходного значения каждого из восьми параметров x , учитывающая логику анализа исходного параметра и способ его пересчета относительно заданного экспертом интервального значения «норма – патология» n x i для каждого x i , для i= 1,8.

Выполнялось тестирование полученной обобщенной модели на реальных данных и оценка, предполагающая расчет характеристик диагностической точности, специфичности и чувствительности [12].

Чувствительность ( Se , sensitivity ) – это способность диагностического метода давать правильный результат, который определяется как доля истинно положительных результатов среди всех проведенных тестов.

Специфичность ( Sp , specificity ) – это способность диагностического метода не давать при отсутствии заболевания ложноположительных результатов, который определяется как доля истинно отрицательных результатов среди здоровых лиц в группе исследуемых.

Диагностическая точность ( Ac , accuracy ) – это доля правильных результатов теста (т.е. сумма истинно положительных и истинно отрицательных результатов) среди всех обследованных пациентов.

Результаты и их обсуждение. Результат проведенных экспериментов (рис. 1) для разработанного модельного обеспечения на всем объеме данных о пациентах с установленным диагнозом – ИБС – да (1) и ИБС – нет (0) – позволяет определить диапазоны пороговых значений моделей, которые в зависимости от решаемой задачи (скрининг, прогноз и т.п.) могут быть изменены. Для задачи скрининга и оценки риска развития ИБС оптимальным для соотношения тройки параметров Ac – Sp – Se пороговым значением является 0,6. Данный пороговый коэффициент позволяет получать расчетные значения оценок риска в диапазоне от 0 до 200 баллов (условных приведенных единиц степени выраженности риска), при этом диапазон значений оценки вероятности развития ИБС от 0 до 80 баллов свидетельствует об отсутствии риска развития ИБС, от 81 до 150 баллов – о наличии риска развития ИБС и более 151 балла – о высокой степени риска развития ИБС.

Рассмотрим на примере данных трех пациентов, представленных в таблице, особенности применения разработанной модели. Для расчета оценки риска используются значения параметров, полученные на основании логики анализа результатов лабораторных исследований и способах их пересчета относительно заданного экспертом интервального значения «норма – патология».

Рис. 1. Результаты проведенных экспериментов

Пример трех пациентов

Пациент	Параметр
	ПОЛ0	ПОЛ30	Инсулин	СРБ	апоА1	апоВ	ХС-ЛВП	ТГ	ИБС
И сходные зн ачения
А	0,5	31,7	6,8	2,21	186,99	83,69	70	105	0
В	1,8	23,2	1,74	9,07	133,3	169,1	38	195	1
С	1,3	24,1	3,46	4,98	132,7	93,87	70	59	0
Пересчитанные значения
А	0,00	1,40	0,08	0,11	0,12	0,18	0,00	0,00	22
В	0,20	0,43	0,00	1,10	1,30	1,50	1,20	1,40	171
С	0,00	0,51	0,00	1,10	1,30	0,69	0,00	0,00	88

Алгоритм расчета значений позволяет получать оценку степени отличия от условно допустимой нормы. При интерпретации результа- тов по восьми рассматриваемым параметрам исходные шкалы и различные диапазоны границ «норма – патология» для единообразия и удобства интерпретации сведены к единообразному представлению, которое позволяет оценить степень близости к норме (близости к 0). При формировании оценки риска развития ИБС пересчитанные значения всех параметров учитываются с весовыми коэффициентами, полученными методом Дельфи. При визуализации результатов (рис. 2) можно увидеть особенности патогенетической картины, проявляющиеся отклонением нормированного параметра от условной границы «норма – патология», выделенной на графике красным цветом.

Рис. 2. Визуализация результатов данных трех пациентов

Для простоты расчета оценки риска развития ИБС был разработан программный модуль (свидетельство о государственной регистрации программы для ЭВМ № 2017612582 от 01.03.2017 г.), позволяющий получить значения оценки с использованием разработанной логико-математической модели. На рис. 3 представлено окно программного модуля ввода данных и расчета оценки риска. Пользователь может ввести данные исследований и по нажатию кнопки «рассчитать» получить результат. На основании полученного результата врач в случае средних или высоких оценок риска развития ИБС и общей патогенетической картины назначает дополнительные обследования пациенту.

Рис. 3. Пример интерфейса программного модуля

Выполнялось тестирование полученной обобщенной модели на реальных данных и расчет характеристик диагностической точности, специфичности и чувствительности для всего массива пациентов. Один из полученных результатов тестирования, иллюстрирующий верификацию моделей, представлен на рис. 4.

Рис. 4. Результат оценки точности разработанной модели

Выводы. Таким образом, анализ широко используемых в кардиологии рискометров и шкал позволил выявить, что при расчете оценок риска практически не учитывается комплекс окислительных, липидно-липопротеиновых, воспалительных и метаболических биохимических показателей.

Методы получения численных оценок, как правило, требуют ручной обработки значений различных параметров и позволяют формировать набор оценок в различных шкалах или одну сводную оценку риска.

По результатам проведенного анализа была уточнена задача разработки методов и моделей для оценки риска развития ИБС на основании воспалительных, окислительных и липидных биомаркеров.

В ходе исследования была выполнена разработка системы логико-математических моделей, которая представляет собой универсальную схему обработки лабораторных показателей, учитывающая специфику разнородных данных. При тестировании разработанного мо- дельного обеспечения получены результаты, свидетельствующие о достаточно высокой точности и возможности посредством параметров моделей повышать специфичность или чувствительность, которые значимы в случаях скрининговых или индивидуальных обследований групп пациентов.

Разработанная система логико-математических моделей является универсальной, специфичен диагностический подход к используемым биохимическим показателям.

Разработанный программный модуль (калькулятор) позволяет врачу на основании данных лабораторных исследований получить результат, характеризующий численный риск развития коронарного атеросклероза и ИБС у пациента, а также увидеть визуальное отображение системы показателей и их отклонение от условной границы «норма – патология».

Разработанный лабораторно-диагностический комплекс внедрен в практическую деятельность Научно-исследовательского института терапии и профилактической медицины.