Прогнозирование развития фибрилляции предсердий у коморбидных пациентов с артериальной гипертензией и хронической обструктивной болезнью лёгких по данным лабораторных методов исследования: подход с использованием машинного обучения
- Авторы: Казанцева Е.В.1, Иванников А.А.1, Тарзиманова А.И.1, Подзолков В.И.1
-
Учреждения:
- Первый Московский государственный медицинский университет имени И.М. Сеченова
- Выпуск: Том 5, № 1S (2024)
- Страницы: 24-26
- Раздел: МОЛОДЫЕ УЧЕНЫЕ: тезисы конференции НПКЦ
- Статья получена: 15.02.2024
- Статья одобрена: 22.03.2024
- Статья опубликована: 03.07.2024
- URL: https://jdigitaldiagnostics.com/DD/article/view/626797
- DOI: https://doi.org/10.17816/DD626797
- ID: 626797
Цитировать
Полный текст
Аннотация
Обоснование. Артериальная гипертензия и хроническая обструктивная болезнь лёгких оказывают пагубное влияние на структуру сердца, приводя к развитию фибрилляции предсердий, которая остаётся основной причиной развития мозгового инсульта и преждевременной смерти [1]. Так, ранняя диагностика факторов риска фибрилляции предсердий у пациентов с артериальной гипертензией и хронической обструктивной болезнью лёгких имеет важнейшее значение для профилактики. Именно поэтому в предиктивной кардиологии используют методы машинного обучения, которые превосходят классические статистические методы прогнозирования [2–4].
Цель — разработать прогностическую модель развития фибрилляции предсердий у коморбидных пациентов с артериальной гипертензией и хронической обструктивной болезнью лёгких на основе многослойного перцептрона.
Материалы и методы. В исследование было включено 419 пациентов, проходивших лечение в Университетской клинической больнице № 4 Первого Московского государственного медицинского университета имени И.М. Сеченова. Первую группу составил 91 (21,7%) пациент с верифицированным диагнозом «фибрилляция предсердий», вторую группу — 328 (78,3%) пациентов без фибрилляции предсердий. Алгоритмом машинного обучения «случайный лес» осуществлён отбор предикторов, с которыми была разработана нейронная сеть типа «многослойный перцептрон», состоявшая из двух слоёв — входного слоя из 12 нейронов, использующих функцию активации ReLU, и выходного слоя, который получает входные данные от предыдущего слоя и передаёт их на один выход, используя функцию активации сигмоиды. Определение порогового значения, чувствительности, специфичности и диагностической эффективности полученной модели проводился с помощью ROC-анализа с расчётом площади под кривой (AUC).
Результаты. Первым этапом разработки прогностической модели алгоритмом машинного обучения «случайный лес» были отобраны наиболее значимые предикторы развития фибрилляции предсердий: концентрация C-реактивного белка (отношение шансов 1,04; 95% доверительный интервал 1,015–1,067; p=0,002), скорость оседания эритроцитов (отношение шансов 1,04; 95% доверительный интервал 1,019–1,08; p <0,001) и концентрация креатинина (отношение шансов 1,03; 95% доверительный интервал 1,011–1,042; p <0,001), которые использовались для разработки модели многослойного перцептрона, обучавшейся на тестовой выборке в течение 500 эпох. После окончания обучения разработанная модель имела чувствительность 85%, специфичность 80%, диагностическую эффективность — 79,6%. AUC составила 0,900.
Заключение. В ходе исследования была разработана прогностическая модель на основе применения методов машинного обучения, обладающая хорошими показателями метрик, что позволяет рассматривать её в качестве вспомогательного средства в клинической практике.
Ключевые слова
Полный текст
Обоснование. Артериальная гипертензия и хроническая обструктивная болезнь лёгких оказывают пагубное влияние на структуру сердца, приводя к развитию фибрилляции предсердий, которая остаётся основной причиной развития мозгового инсульта и преждевременной смерти [1]. Так, ранняя диагностика факторов риска фибрилляции предсердий у пациентов с артериальной гипертензией и хронической обструктивной болезнью лёгких имеет важнейшее значение для профилактики. Именно поэтому в предиктивной кардиологии используют методы машинного обучения, которые превосходят классические статистические методы прогнозирования [2–4].
Цель — разработать прогностическую модель развития фибрилляции предсердий у коморбидных пациентов с артериальной гипертензией и хронической обструктивной болезнью лёгких на основе многослойного перцептрона.
Материалы и методы. В исследование было включено 419 пациентов, проходивших лечение в Университетской клинической больнице № 4 Первого Московского государственного медицинского университета имени И.М. Сеченова. Первую группу составил 91 (21,7%) пациент с верифицированным диагнозом «фибрилляция предсердий», вторую группу — 328 (78,3%) пациентов без фибрилляции предсердий. Алгоритмом машинного обучения «случайный лес» осуществлён отбор предикторов, с которыми была разработана нейронная сеть типа «многослойный перцептрон», состоявшая из двух слоёв — входного слоя из 12 нейронов, использующих функцию активации ReLU, и выходного слоя, который получает входные данные от предыдущего слоя и передаёт их на один выход, используя функцию активации сигмоиды. Определение порогового значения, чувствительности, специфичности и диагностической эффективности полученной модели проводился с помощью ROC-анализа с расчётом площади под кривой (AUC).
Результаты. Первым этапом разработки прогностической модели алгоритмом машинного обучения «случайный лес» были отобраны наиболее значимые предикторы развития фибрилляции предсердий: концентрация C-реактивного белка (отношение шансов 1,04; 95% доверительный интервал 1,015–1,067; p=0,002), скорость оседания эритроцитов (отношение шансов 1,04; 95% доверительный интервал 1,019–1,08; p <0,001) и концентрация креатинина (отношение шансов 1,03; 95% доверительный интервал 1,011–1,042; p <0,001), которые использовались для разработки модели многослойного перцептрона, обучавшейся на тестовой выборке в течение 500 эпох. После окончания обучения разработанная модель имела чувствительность 85%, специфичность 80%, диагностическую эффективность — 79,6%. AUC составила 0,900.
Заключение. В ходе исследования была разработана прогностическая модель на основе применения методов машинного обучения, обладающая хорошими показателями метрик, что позволяет рассматривать её в качестве вспомогательного средства в клинической практике.
Об авторах
Евгения Вадимовна Казанцева
Первый Московский государственный медицинский университет имени И.М. Сеченова
Автор, ответственный за переписку.
Email: kazantseva_ev@inbox.ru
ORCID iD: 0000-0001-8552-5364
SPIN-код: 4018-8734
Россия, Москва
Александр Александрович Иванников
Первый Московский государственный медицинский университет имени И.М. Сеченова
Email: ivannikov_a95@mail.ru
ORCID iD: 0000-0002-9738-1801
Россия, Москва
Аида Ильгизовна Тарзиманова
Первый Московский государственный медицинский университет имени И.М. Сеченова
Email: tarzimanova_a_i@staff.sechenov.ru
Россия, Москва
Валерий Иванович Подзолков
Первый Московский государственный медицинский университет имени И.М. Сеченова
Email: podzolkov_v_i@staff.sechenov.ru
Россия, Москва
Список литературы
- Шапкина М.Ю., Рябиков А.Н., Титаренко А.В., и др. Артериальная гипертензия, уровень артериального давления и риск фибрилляции предсердий у жителей Сибири // Атеросклероз. 2023. Т. 19, № 3. С. 258–261. doi: 10.52727/2078-256X-2023-19-3-258-261
- Мишкин И.А., Концевая А.В., Гусев А.В., Драпкина О.М. Прогнозирование сердечно-сосудистых событий с помощью моделей пропорциональных рисков и моделей машинного обучения: систематический обзор // Современные проблемы здравоохранения и медицинской статистики. 2023. № 2. С. 804–829. EDN: PQZXOT doi: 10.24412/2312-2935-2023-2-804-829
- Seetharam K., Balla S., Bianco C., et al. Applications of machine learning in cardiology // Cardiology and Therapy. 2022. Vol. 11, N 3. P. 355–368. doi: 10.1007/s40119-022-00273-7
- Johnson K.W., Torres Soto J., Glicksberg B.S., et al. Artificial intelligence in cardiology // Journal of the American College of Cardiology. 2018. Vol. 71, N 23. P. 2668–2679. doi: 10.1016/j.jacc.2018.03.521
Дополнительные файлы
![](/img/style/loading.gif)