Применение машинного обучения для прогнозирования результатов велоэргометрической пробы: проспективное когортное исследование

Е.В. Березина, К.А. Блинова, О.А. Дмитриева, И.Е. Мишина

Ключевые слова: машинное обучение; велоэргометрическая проба; тест с шестиминутной ходьбой; кардиореабилитация; прогнозирование; градиентный бустинг.

2026, том 18, номер 2, стр. 63.

DOI: https://doi.org/10.17691/stm2026.18.2.06

Полный текст статьи

html pdf

119

Аннотация
Список литературы
Как цитировать в References

Цель исследования — разработка оптимального метода прогнозирования результатов велоэргометрической (ВЭМ) пробы на основе параметров, регистрируемых во время теста с шестиминутной ходьбой (ТШХ), с использованием методов машинного обучения.

Материалы и методы. В исследовании участвовали 56 пациентов, перенесших острый инфаркт миокарда и проходивших второй этап кардиореабилитации. Выполнено комплексное обследование, включающее сбор анамнеза, физикальное обследование, антропометрическую оценку, а также симптом-лимитированную ВЭМ-пробу и ТШХ. Во время ТШХ регистрировали пройденную дистанцию, частоту сердечных сокращений, артериальное давление, сатурацию кислорода, воспринимаемое напряжение по шкале Борга, количество пройденных шагов и электрокардиографические данные. Для построения моделей машинного обучения использовали алгоритмы случайного леса, градиентного бустинга, метода k-ближайших соседей и множественной линейной регрессии. Производительность моделей оценивали на основе коэффициента детерминации, средней абсолютной ошибки, среднеквадратичной ошибки и корня из среднеквадратичной ошибки. Для интерпретации результатов применяли SHAP-анализ.

Результаты. Модель градиентного бустинга обеспечивает наилучшее качество прогноза с высоким коэффициентом детерминации (R² около 0,99) и низкими значениями ошибок для обеих целевых метрик: пройденной дистанции в ТШХ и метаболического эквивалента, достигнутого при ВЭМ-пробе. Анализ значимости признаков выявил, что частота сердечных сокращений, возраст и индекс массы тела оказывают наибольшее влияние на прогнозирование дистанции ТШХ, в то время как для прогнозирования метаболического эквивалента наиболее значимыми являются пройденное расстояние, количество пройденных шагов и индекс массы тела.

Заключение. Разработанная модель машинного обучения на основе градиентного бустинга продемонстрировала высокую эффективность в прогнозировании результатов ВЭМ-пробы на основе данных ТШХ. Предложенный метод может служить ценным вспомогательным инструментом для планирования программ кардиореабилитации, особенно в случаях, когда проведение ВЭМ-пробы затруднено или невозможно. Использование SHAP-анализа способствовало пониманию вклада каждого признака в прогноз, повышая доверие к результатам модели.

Gaidai O., Cao Y., Loginov S. Global cardiovascular diseases death rate prediction. Curr Probl Cardiol 2023; 48(5): 101622, https://doi.org/10.1016/j.cpcardiol.2023.101622.
World Health Organization. Cardiovascular diseases (CVDs). 31 July 2025. URL: https://www.who.int/en/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds).
Shokri K., Karimian A., Radfar A., Mohammadi A., Amerizadeh A., Karimi R., Sadeghi M. Effect of exercise-based cardiac rehabilitation in patients with acute coronary syndrome: a systematic review and meta-analysis. BMC Sports Sci Med Rehabil 2025; 17(1): 233, https://doi.org/10.1186/s13102-025-01270-8.
Meng Y., Zhuge W., Huang H., Zhang T., Ge X. The effects of early exercise on cardiac rehabilitation-related outcome in acute heart failure patients: a systematic review and meta-analysis. Int J Nurs Stud 2022; 130: 104237, https://doi.org/10.1016/j.ijnurstu.2022.104237.
Mahmood A., Ray R., Bin Salam S.S.T., Haque F., Akkaldevi J., Masmoum M.D., Hassan M.S., Essani B., Anjum T., Mirza M.S.S. The effectiveness of cardiac rehabilitation programs in improving cardiovascular outcomes: systematic review and meta-analysis. Cureus 2024; 16(10): e72450, https://doi.org/10.7759/cureus.72450.
Moghei M., Turk-Adawi K., Isaranuwatchai W., Sarrafzadegan N., Oh P., Chessex C., Grace S.L. Cardiac rehabilitation costs. Int J Cardiol 2017; 244: 322–328, https://doi.org/10.1016/j.ijcard.2017.06.030.
Thomas R.J., Beatty A.L., Beckie T.M., Brewer L.C., Brown T.M., Forman D.E., Franklin B.A., Keteyian S.J., Kitzman D.W., Regensteiner J.G., Sanderson B.K., Whooley M.A. Home-based cardiac rehabilitation: a scientific statement from the american association of cardiovascular and pulmonary rehabilitation, the American Heart Association, and the American College of Cardiology. Circulation 2019; 140(1): e69–e89, https://doi.org/10.1161/CIR.0000000000000663.
Кардиореабилитация и вторичная профилактика. Под ред. Аронова Д.М. М: ГЭОТАР-Медиа; 2021, https://doi.org/10.33029/9704-6218-8-car-2021-1-464.
Coulshed A., Coulshed D., Pathan F. Systematic review of the use of the 6-minute walk test in measuring and improving prognosis in patients with ischemic heart disease. CJC Open 2023; 5(11): 816–825, https://doi.org/10.1016/j.cjco.2023.08.003.
Mikhailovskaya T.V., Nazarova O.A., Dovgalyuk Yu.V., Chistyakova Yu.V., Mishina I.E. Methodological issues of assessment of sixminute walk test in patients with coronary artery disease. Bulletin of Rehabilitation Medicine 2021; 20(3): 37–44, https://doi.org/10.38025/2078-1962-2021-20-3-37-44.
Mapelli M., Salvioni E., Paneroni M., Gugliandolo P., Bonomi A., Scalvini S., Raimondo R., Sciomer S., Mattavelli I., La Rovere M.T., Agostoni P. Brisk walking can be a maximal effort in heart failure patients: a comparison of cardiopulmonary exercise and 6 min walking test cardiorespiratory data. ESC Heart Fail 2022; 9(2): 812–821, https://doi.org/10.1002/ehf2.13781.
Cavero-Redondo I., Saz-Lara A., Bizzozero-Peroni B., Núñez-Martínez L., Díaz-Goñi V., Calero-Paniagua I., Matínez-García I., Pascual-Morena C. Accuracy of the 6-minute walk test for assessing functional capacity in patients with heart failure with preserved ejection fraction and other chronic cardiac pathologies: results of the ExIC-FEp trial and a meta-analysis. Sports Med Open 2024; 10(1): 74, https://doi.org/10.1186/s40798-024-00740-6.
Rasa A.R. Artificial intelligence and its revolutionary role in physical and mental rehabilitation: a review of recent advancements. Biomed Res Int 2024; 2024: 9554590, https://doi.org/10.1155/bmri/9554590.
Norgeot B., Glicksberg B.S., Butte A.J. A call for deep-learning healthcare. Nat Med 2019; 25(1): 14–15, https://doi.org/10.1038/s41591-018-0320-3.
Esteva A., Robicquet A., Ramsundar B., Kuleshov V., DePristo M., Chou K., Cui C., Corrado G., Thrun S., Dean J. A guide to deep learning in healthcare. Nat Med 2019; 25(1): 24–29, https://doi.org/10.1038/s41591-018-0316-z.
Chilamkurthy S., Ghosh R., Tanamala S., Biviji M., Campeau N.G., Venugopal V.K., Mahajan V., Rao P., Warier P. Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study. Lancet 2018; 392(10162): 2388–2396, https://doi.org/10.1016/S0140-6736(18)31645-3.
Ehteshami Bejnordi B., Veta M., Johannes van Diest P., van Ginneken B., Karssemeijer N., Litjens G., van der Laak JAWM; the CAMELYON16 Consortium; Hermsen M., Manson Q.F., Balkenhol M., Geessink O., Stathonikos N., van Dijk M.C., Bult P., Beca F., Beck A.H., Wang D., Khosla A., Gargeya R., Irshad H., Zhong A., Dou Q., Li Q., Chen H., Lin H.J., Heng P.A., Haß C., Bruni E., Wong Q., Halici U., Öner M.Ü., Cetin-Atalay R., Berseth M., Khvatkov V., Vylegzhanin A., Kraus O., Shaban M., Rajpoot N., Awan R., Sirinukunwattana K., Qaiser T., Tsang Y.W., Tellez D., Annuscheit J., Hufnagl P., Valkonen M., Kartasalo K., Latonen L., Ruusuvuori P., Liimatainen K., Albarqouni S., Mungal B., George A., Demirci S., Navab N., Watanabe S., Seno S., Takenaka Y., Matsuda H., Ahmady Phoulady H., Kovalev V., Kalinovsky A., Liauchuk V., Bueno G., Fernandez-Carrobles M.M., Serrano I., Deniz O., Racoceanu D., Venâncio R. Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer. JAMA 2017; 318(22): 2199–2210, https://doi.org/10.1001/jama.2017.14585.
Zhu M., Chen W., Hirdes J.P., Stolee P. The k-nearest neighbor algorithm predicted rehabilitation potential better than current Clinical Assessment Protocol. J Clin Epidemiol 2007; 60(10): 1015–1021, https://doi.org/10.1016/j.jclinepi.2007.06.001.
Zhu M., Cheng L., Armstrong J.J., Poss J.W., Hirdes J.P., Stolee P. Using machine learning to plan rehabilitation for home care clients: beyond "black-box" predictions. In: Dua S., Acharya U., Dua P. (editors). Machine learning in healthcare informatics. Intelligent systems reference library, vol 56. Springer, Berlin, Heidelberg; 2014, https://doi.org/10.1007/978-3-642-40017-9_9.
Lin W.Y., Chen C.H., Tseng Y.J., Tsai Y.T., Chang C.Y., Wang H.Y., Chen C.K. Predicting post-stroke activities of daily living through a machine learning-based approach on initiating rehabilitation. Int J Med Inform 2018; 111: 159–164, https://doi.org/10.1016/j.ijmedinf.2018.01.002.
Sharma A., Lysenko A., Jia S., Boroevich K.A., Tsunoda T. Advances in AI and machine learning for predictive medicine. J Hum Genet 2024; 69(10): 487–497, https://doi.org/10.1038/s10038-024-01231-y.
De Cannière H., Corradi F., Smeets CJP, Schoutteten M., Varon C., Van Hoof C., Van Huffel S., Groenendaal W., Vandervoort P. Wearable monitoring and interpretable machine learning can objectively track progression in patients during cardiac rehabilitation. Sensors (Basel) 2020; 20(12): 3601, https://doi.org/10.3390/s20123601.
Desai F., Chowdhury D., Kaur R., Peeters M., Arya R.C., Wander G.S., Gill S.S., Buyya R. HealthCloud: a system for monitoring health status of heart patients using machine learning and cloud computing. Internet of Things 2022; 17: 10048, https://doi.org/10.1016/j.iot.2021.100485.
Alshurafa N., Sideris C., Pourhomayoun M., Kalantarian H., Sarrafzadeh M., Eastwood J.A. Remote health monitoring outcome success prediction using baseline and first month intervention data. IEEE J Biomed Health Inform 2017; 21(2): 507–514, https://doi.org/10.1109/JBHI.2016.2518673.
den Uijl I., van den Berg-Emons R.J.G., Sunamura M., Lenzen M.J., Stam H.J., Boersma E., Tenbült-van Limpt N.C.C.W., Kemps H.M.C., Geleijnse M.L., Ter Hoeve N. Effects of a dedicated cardiac rehabilitation program for patients with obesity on body weight, physical activity, sedentary behavior, and physical fitness: the OPTICARE XL randomized controlled trial. Phys Ther 2023; 103(9): pzad055, https://doi.org/10.1093/ptj/pzad055.
O'Connor F.K., Chen D., Sharma P., Adsett J., Hwang R., Roberts L., Bach A., Louis M., Morris N. Physiological responses to sit-to-stand and six-minute walk tests in heart failure: a randomised trial. Heart Lung Circ 2025; 34(8): 789–797, https://doi.org/10.1016/j.hlc.2025.03.002.
Büsching G., Schmid J.P. 6-minute walk test: exploring factors influencing perceived intensity in older patients undergoing cardiac rehabilitation-a qualitative study. Healthcare (Basel) 2025; 13(7): 735, https://doi.org/10.3390/healthcare13070735.

Berezina E.V., Blinova K.A., Dmitrieva O.A., Mishina I.E. Machine Learning Application to Predict Bicycle Ergometer Test Results: a Prospective Cohort Study. Sovremennye tehnologii v medicine 2026; 18(2): 63, https://doi.org/10.17691/stm2026.18.2.06