Ученые из Сыктывкарского госуниверситета имени Питирима Сорокина совместно с российскими коллегами разработали систему прогнозирования госпитальной летальности у пациентов с острым коронарным синдромом (ОКС), основанную на ансамблевых алгоритмах машинного обучения. Новая модель продемонстрировала более высокую точность прогнозирования по сравнению с широко применяемой в мировой клинической практике шкалой GRACE, сообщили ТАСС в Сыктывкарском госуниверситете.
© ТАСС
Острый коронарный синдром остается одной из ведущих причин смертности во всем мире. Для выбора тактики лечения врачам необходимо как можно раньше определить вероятность неблагоприятного исхода. Многие годы для этой цели используются клинические шкалы риска, наиболее известной из которых является индекс GRACE. Однако подобные инструменты опираются на ограниченное число параметров и не способны учитывать сложные нелинейные взаимосвязи между клиническими показателями.
"Авторы исследования применили современные методы машинного обучения для анализа данных более чем 14 тыс. пациентов, госпитализированных с ОКС в лечебные учреждения Коми, Санкт-Петербурга и Ленинградской области. После очистки и подготовки массива в финальный анализ вошли сведения о 13,3 тыс. пациентов, для каждого из которых оценивались 28 клинических параметров, включая возраст, показатели гемодинамики, лабораторные данные и результаты инструментальных исследований. Наиболее эффективной оказалась ансамблевая модель градиентного бустинга CatBoost. Ее прогностическая способность по площади под ROC-кривой (AUC-ROC) достигла 0,961. Для сравнения: показатель международно признанной шкалы GRACE составил лишь 0,919. Таким образом, новая система превзошла один из наиболее распространенных мировых инструментов стратификации риска у пациентов с острым коронарным синдромом", — сообщили ТАСС в Сыктывкарском университете.
По словам руководителя научно-исследовательской лаборатории "Трансляционная биоинформатика и системная биология" СГУ им. Питирима Сорокина, корреспондирующего автора проекта, кандидата биологических наук Ильи Соловьева, полученные результаты свидетельствуют о том, что ансамблевые алгоритмы способны выявлять сложные закономерности, недоступные традиционным регрессионным моделям.
"Это позволяет формировать более точный индивидуальный профиль риска пациента уже на этапе госпитализации, до того, как было проведено чрескожное вмешательство, в некоторых случаях опасное для пациентов старших возрастов", — отметил Соловьев.
Расчеты рисков
Особое внимание исследователи уделили интерпретируемости искусственного интеллекта, то есть преодолению статуса "черного ящика" математическим аппаратом. С помощью метода SHAP удалось определить, какие факторы вносят наибольший вклад в прогноз. Среди ключевых предикторов оказались фракция выброса левого желудочка, класс сердечной недостаточности по Killip, возраст, уровень систолического артериального давления и наличие дислипидемии в анамнезе. Анализ также выявил ряд скрытых нелинейных закономерностей, включая так называемый "парадокс дислипидемии", ранее описанный в кардиологической литературе.
По мнению авторов, интеграция подобных алгоритмов в медицинские информационные системы позволит автоматизировать расчет риска и обеспечить врачей дополнительным инструментом в принятии решений при лечении пациентов с острым коронарным синдромом.
Вместе с тем исследователи подчеркнули, что полученные результаты пока не означают готовности технологии к широкому клиническому внедрению. Работа выполнена на ретроспективных данных одного крупного стационара, поэтому следующим этапом должно стать проведение мультицентровых клинических исследований. Они позволят подтвердить воспроизводимость результатов в различных медучреждениях и окончательно оценить эффективность системы в условиях реальной клинической практики.
Авторы считают, что успешная перспективная оценка может открыть путь к созданию нового поколения интеллектуальных систем поддержки врачебных решений и способствовать снижению госпитальной смертности при сердечно-сосудистых заболеваниях.
