Эффективность машинного обучения в прогнозировании обструктивного поражения коронарных артерий в первые часы госпитализации при остром коронарном синдроме без подъема сегмента ST

Цель исследования — оценка точности прогностических моделей обструктивного поражения коронарных артерий (ОПКА) при остром коронарном синдроме без подъема сегмента ST (ОКСбпST), разработанных в первые часы госпитализации больных.

Материалы и методы. В исследование включено 610 пациентов с ОКСбпST невысокого риска с медианой возраста 62 года, которые по результатам инвазивной коронарографии были разделены на 2 группы: первая — 363 больных (59,5%) с ОПКА (сужение просвета коронарной артерии ≥50%), вторая — 247 больных (40,5%) без коронарной обструкции (<50%). Клинико-функциональный статус пациентов оценивали по 62 параметрам, доступным на ранних сроках госпитализации и включающим клинико-демографические, антропометрические, лабораторные, электрокардиографические и эхокардиографические данные.

Для разработки прогностических моделей ОПКА использовали методы машинного обучения: многофакторную логистическую регрессию, случайный лес и стохастический градиентный бустинг (СГБ). Модели содержали наборы предикторов, выделенных при первичном врачебном осмотре в стационаре (первый сценарий прогноза), через 1 ч наблюдения (второй сценарий) и спустя 3 ч (третий сценарий). Качество моделей оценивали по шести метрикам. Степень влияния отдельных предикторов на конечную точку исследования определяли методом аддитивного объяснения Шепли (SHAP). Стратификация вероятности ОПКА выполнялась с выделением категорий низкого, среднего, высокого и очень высокого риска.

Результаты. На основе методов машинного обучения были разработаны прогностические модели ОПКА, среди которых лучшие метрики качества демонстрировали модели СГБ с наборами предикторов, соответствующих трем сценариям прогноза (площадь под ROC-кривой: 0,846; 0,887 и 0,949 соответственно). Методом SHAP выделены факторы с доминирующим влиянием на ОПКА, к которым относились антропометрические индикаторы (окружность талии, бедер и их отношение) — при первом и втором сценариях прогноза и глобальная продольная систолическая деформация левого желудочка — при третьем. На основе данных моделей СГБ выделены категории низкого, среднего, высокого и очень высокого риска ОПКА, цифровые диапазоны которых зависели от сценариев прогноза.

Заключение. Прогностические модели ОПКА, разработанные на основе СГБ, позволяют с высокой точностью оценить степень поражения коронарного русла у больных ОКСбпST в первые часы госпитализации. Наибольшую точность прогноза ОПКА демонстрировали модели третьего сценария, структура которых помимо анамнестических, антропометрических и ЭКГ-данных включала клинико-биохимические показатели крови и эхокардиографические индикаторы. Таким образом, стратификация риска ОПКА с помощью данных моделей может быть полезным инструментом при выборе оптимальной стратегии реваскуляризации миокарда.

1. Барбараш О.Л., Дупляков Д.В., Затейщиков Д.А., Панченко Е.П., Шахнович Р.М., Явелов И.С., Яков­лев А.Н., Абугов С.А., Алекян Б.Г., Архипов М.В., Васильева Е.Ю., Галявич А.С., Ганюков В.И., Гилярев­ский С.Р., Голубев Е.П., Голухова Е.З., Грацианский Н.А., Карпов Ю.А., Космачева Е.Д., Лопатин Ю.М., Марков В.А., Никулина Н.Н., Певзнер Д.В., Погосова Н.В., Протопо­пов А.В., Скрыпник Д.В., Терещенко С.Н., Устюгов С.А., Хрипун А.В., Шалаев С.В., Шпектор А.В., Якушин С.С. Острый коронарный синдром без подъема сегмента ST электрокардиограммы. Клинические рекомендации 2020. Российский кардиологический журнал 2021; 26(4): 4449, https://doi.org/10.15829/1560-4071-2021-4449.
2. Byrne R.A., Rossello X., Coughlan J.J., Barbato E., Berry C., Chieffo A., Claeys M.J., Dan G.A., Dweck M.R., Galbraith M., Gilard M., Hinterbuchner L., Jankowska E.A., Jüni P., Kimura T., Kunadian V., Leosdottir M., Lorusso R., Pedretti R.F.E., Rigopoulos A.G., Rubini Gimenez M., Thiele H., Vranckx P., Wassmann S., Wenger N.K., Ibanez B.; ESC Scientific Document Group. 2023 ESC Guidelines for the management of acute coronary syndromes. Eur Heart J 2023; 44(38): 3720–3826, https://doi.org/10.1093/eurheartj/ehad191.
3. Циванюк М.М., Гельцер Б.И., Шахгельдян К.И., Емцева Е.Д., Завалин Г.С., Шекунова О.И. Электро­кардиографические, эхокардиографические и липидные показатели в прогнозировании обструктивного поражения коронарных артерий у больных с острым коронарным синдромом без подъема сегмента ST. Российский кардиологический журнал 2022; 27(6): 5036, https://doi.org/10.15829/1560-4071-2022-5036.
4. Кузнецова К.В., Бикбаева Г.Р., Сухинина Е.М., Таумова Г.Х., Бенян А.С., Дупляков Д.В., Тухбатова А.А., Адонина Е.В., Кислухин Т.В., Нагорнова В.В. Мультиспиральная компьютерная или инвазивная коронарография у пациентов с острым коронарным синдромом низкого и промежуточного риска — одноцентровое исследование. Российский кардиологический журнал 2024; 29(1S): 5702, https://doi.org/10.15829/1560-4071-2024-5702.
5. Несова А.К., Рябов В.В. Парадоксы острого коронарного синдрома без подъема сегмента ST в условиях реальной клинической практики. Российский кардиологический журнал 2024; 29(3): 5623, https://doi.org/10.15829/1560-4071-2024-5623.
6. Kabiri A., Gharin P., Forouzannia S.A., Ahmadzadeh K., Miri R., Yousefifard M. HEART versus GRACE score in predicting the outcomes of patients with acute coronary syndrome; a systematic review and meta-analysis. Arch Acad Emerg Med 2023; 11(1): e50, https://doi.org/10.22037/aaem.v11i1.2001.
7. Зыков М.В., Дьяченко Н.В., Трубникова О.А., Эр­лих А.Д., Кашталап В.В., Барбараш О.Л. Коморбидность и пол пациентов в оценке риска смерти в стационаре после экстренного чрескожного коронарного вмешательства. Кардиология 2020; 60(9): 38–45, https://doi.org/10.18087/cardio.2020.9.n1166.
8. Циванюк М.М., Гельцер Б.И., Шахгельдян К.И., Виш­невский А.А., Шекунова О.И. Показатели клинического анализа крови, липидного спектра и их соотношений в прогнозировании обструктивного поражения коронарных артерий у больных с острым коронарным синдромом без подъема ST. Российский кардиологический журнал 2022; 27(8): 507, https://doi.org/10.15829/1560-4071-2022-5079.
9. Гельцер Б.И., Циванюк М.М., Шахгельдян К.И., Емцева Е.Д., Вишневский А.А. Факторы кардио­мета­болического риска в прогнозировании обструктивного поражения коронарных артерий у больных с острым коронарным синдромом без подъема сегмента ST. Российский кардиологический журнал 2021; 26(11): 4494, https://doi.org/10.15829/1560-4071-2021-4494.
10. Namazi G., Heidar Beygi S., Vahidi M.H., Asa P., Bahmani F., Mafi A., Raygan F. Relationship between red cell distribution width and oxidative stress indexes in patients with coronary artery disease. Rep Biochem Mol Biol 2023; 12(2): 241–250, https://doi.org/10.61186/rbmb.12.2.241.
11. Чаулин А.М., Григорьева Ю.В., Павлова Т.В., Дупляков Д.В. Диагностическая ценность клинического анализа крови при сердечно-сосудистых заболеваниях. Российский кардиологический журнал 2020; 25(12): 3923, https://doi.org/10.15829/1560-4071-2020-3923.
12. Nagula P., Karumuri S., Otikunta A.N., Yerrabandi S.R.V. Correlation of red blood cell distribution width with the severity of coronary artery disease — a single center study. Indian Heart J 2017; 69(6): 757–761, https://doi.org/10.1016/j.ihj.2017.04.007.
13. Zhao Z., Zhang X., Sun T., Huang X., Ma M., Yang S., Zhou Y. Prognostic value of systemic immune-inflammation index in CAD patients: systematic review and meta-analyses. Eur J Clin Invest 2024; 54(2): e14100, https://doi.org/10.1111/eci.14100.
14. Choi D.H., Kang S.H., Song H. Mean platelet volume: a potential biomarker of the risk and prognosis of heart disease. Korean J Intern Med 2016; 31(6): 1009–1017, https://doi.org/10.3904/kjim.2016.078.
15. Bekler A., Ozkan M.T., Tenekecioglu E., Gazi E., Yener A.U., Temiz A., Altun B., Barutcu A., Erbag G., Binnetoglu E. Increased platelet distribution width is associated with severity of coronary artery disease in patients with acute coronary syndrome. Angiology 2015; 66(7): 638–643, https://doi.org/10.1177/0003319714545779.
16. Vogiatzis I., Samaras A., Grigoriadis S., Sdogkos E., Koutsampasopoulos K., Bostanitis I. The mean platelet volume in the prognosis of coronary artery disease severity and risk stratification of acute coronary syndromes. Med Arch 2019; 73(2): 76–80, https://doi.org/10.5455/medarh.2019.73.76-80.
17. Liou K., Negishi K., Ho S., Russell E.A., Cranney G., Ooi S.Y. Detection of obstructive coronary artery disease using peak systolic global longitudinal strain derived by two-dimensional speckle-tracking: a systematic review and meta-analysis. J Am Soc Echocardiogr 2016; 29(8): 724–735.e4, https://doi.org/10.1016/j.echo.2016.03.002.
18. Sharma S., Lassen M.C.H., Nielsen A.B., Skaarup K.G., Biering-Sørensen T. The clinical application of longitudinal layer specific strain as a diagnostic and prognostic instrument in ischemic heart diseases: a systematic review and meta-analysis. Front Cardiovasc Med 2023; 10: 980626, https://doi.org/10.3389/fcvm.2023.980626.

Tsivanyuk M.M., Shakhgeldyan K.I., Markov M.A., Shirobokov V.G., Geltser B.I. Machine Learning Efficiency in Predicting Obstructive Coronary Artery Disease in Patients with Non-ST Elevation Acute Coronary Syndrome in the First Hours of Admission. Sovremennye tehnologii v medicine 2025; 17(3): 50, https://doi.org/10.17691/stm2025.17.3.05