Правила публикации статей
Архив 1997 - 2016

​Методы машинного обучения в прогнозировании исходов и рисков сердечно-сосудистых заболеваний у пациентов с артериальной гипертензией (по материалам эссе-РФ в приморском крае)

Комментарии

Невзорова В. А.1, Плехова Н. Г.1, Присеко Л. Г.1, Черненко И. Н.1, Богданов Д. Ю.2, Мокшина М. В.1, Кулакова Н. В.1

Резюме
Цель. Оценить возможность применения технологий искусственного интеллекта в прогнозировании исходов и рисков сердечно-сосудистых заболеваний (ССЗ) у пациентов с артериальной гипертонией (АГ).
Материал и методы. Создана компьютерная программа для извлечения в полуавтоматическом режиме информации из анкет респондентов, проанализированы библиотеки с предобработкой данных. Проведен анализ основных и дополнительных показателей факторов риска развития ССЗ (35 параметров) у 2131 человек при выполнении регионального этапа “ЭССЕ-РФ, 2014-2019гг”. Для создания модели прогнозирования применен высокоуровневый язык Python 2.7 с использованием объектно-ориентированного программирования и включением обработки исключений с поддержкой многопоточных вычислений. С помощью функции рандомизирования сформированы обучающая (488 человек) и тестовая (245 человек) выборки, в которые вошли данные пациентов с установленным диагнозом АГ.
Результаты. Распространенность АГ среди обследуемых составила 34,39%. К значимым признакам для прогнозирования развития ССЗ отнесены антропометрические параметры, наличие курения, данные биохимического анализа крови (общий холестерин, АроА, АроВ, глюкоза, Д-димер, С-реактивный белок). В результате 5-летнего наблюдения ССЗ установлены у 235 человек (32,06%) с АГ и у 187 человек (13,38%) без АГ; показатели смертности составили 1,27% у лиц с АГ и 1,12% без АГ. Абсолютный риск фатального исхода среди лиц с АГ (0,037) был значимо выше (p<0,05), чем у пациентов без АГ (0,017). Для построения нейросети (НС) применяли базовую модель Sequential из библиотеки Keras. При машинном обучении в качестве входных данных использовались 26 значимых для развития ССЗ переменных и выходными были определены 9 нейронов, которые соответствовали количеству установленных сердечно-сосудистых событий. Созданная НС обладала предсказующей способностью до 97,9%, что превышало таковую на 34,9% шкалы SCORE.
Заключение. Полученные данные указывают на важность фенотипирования факторов риска с использованием антропометрических маркеров и параметров биохимии крови, при определении их значимости в списках 20 топ-предикторов для прогнозирования ССЗ. Основанный на языке Python метод машинного обучения обеспечивает прогнозирование ССЗ согласно стандартным оценкам риска.

Ключевые слова: факторы риска сердечно-сосудистых заболеваний, артериальная гипертензия, искусственный интеллект.

Отношения и деятельность: работа была поддержана грантом РФФИ 19-29-01077.

Авторы
1ФГБОУ ВО Тихоокеанский государственный медицинский университет Минздрава России, Владивосток; 2КГБУЗ Владивостокская клиническая больница № 1, Владивосток, Россия.

Невзорова В. А.* — д. м.н., профессор, директор Института терапии и инструментальной диагностики, главный внештатный специалист по терапии Дальневосточного федерального округа, ORCID: 0000-0002-0117-0349, Плехова Н. Г. — д. б.н., профессор, зав. Центральной научно-исследовательской лабораторией, ORCID: 0000-0002-8701-7213, Присеко Л. Г. — ординатор Института терапии и инструментальной диагностики, ORCID: 0000-0002-3946-2064, Черненко И. Н. — м. н.с., Центральная научно-исследовательской лаборатория, ORCID: 0000-0001-5261-810X, Богданов Д. Ю. — врач-кардиолог, ORCID: 0000-0002-8388-5566, Мокшина М. В. — доцент Института терапии и инструментальной диагностики, ORCID: 0000-0003-3663-1560, Кулакова Н. В. — доцент Института терапии и инструментальной диагностики, ORCID: 0000-0001-6473-5653.

*Автор, ответственный за переписку (Corresponding author):
nevzorova@inbox.ru

Рукопись получена 13.02.2020
Рецензия получена 21.02.2020
Принята к публикации 12.03.2020

Для цитирования: Невзорова В. А., Плехова Н. Г., Присеко Л. Г., Черненко И. Н., Богданов Д. Ю., Мокшина М. В., Кулакова Н. В. Методы машинного обучения в прогнозировании исходов и рисков сердечно-сосудистых заболеваний у пациентов с артериальной гипертензией (по материалам ЭССЕ-РФ в Приморском крае). Российский кардиологический журнал. 2020;25(3):3751. doi:10.15829/1560-4071-2020-3-3751

10 апреля 2020 г.

Комментарии

(видны только специалистам, верифицированным редакцией МЕДИ РУ)
Если Вы медицинский специалист, или зарегистрируйтесь

МЕДИ РУ в: МЕДИ РУ на YouTube МЕДИ РУ в Twitter МЕДИ РУ на FaceBook МЕДИ РУ вКонтакте Яндекс.Метрика