Шахгельдян Карина Иосифовна, д-р техн. наук, профессор, за- ведующий лабораторией анализа больших данных в биомедицине и здравоохранении
690920, Владивосток, пос. Аякс 10, корпус 25;690014, Владивосток, ул. Гоголя, 41
Karina I. Shakhgeldyan, Dr. Sci. (Tech.), Professor, Head of the Laboratory of Big Data Analysis in Biomedicine and Health Care
10, Ajax Bay, build. 25, Vladivostok, 690920;41, Gogol str., Vladivostok, 690014
Рублев Владислав Юрьевич, врач сердечно-сосудистый хирург, аспирант
690920, Владивосток, пос. Аякс 10, корпус 25
Vladislav Y. Rublev, Cardiovascular Surgeon, Postgraduate Student
10, Ajax Bay, build. 25, Vladivostok, 690920
Гельцер Борис Израйлевич, д-р мед. наук, профессор, чл.-корр. РАН, директор департамента клинической медицины
690920, Владивосток, пос. Аякс 10, корпус 25
Boris I. Geltser, Dr. Sci (Med.), Professor, Corresponding Member of the Russian Academy of Sciences, Director of the Clinical Medicine Department
10, Ajax Bay, build. 25, Vladivostok, 690920
Щеглов Богдан Олегович, лаборант
690920, Владивосток, пос. Аякс 10, корпус 25
Bogdan O. Shcheglov, Laboratory Assistant
10, Ajax Bay, build. 25, Vladivostok, 690920
Широбоков Василий Глебович, магистрант
119049, Москва, Ленинский пр-т, 4
Vasiliy G. Shirobokov, Master’s Student, Institute of Information Business Systems
4, Leninskiy pr., Moscow, 119049
Духтаева Малика Казбековна, ординатор
690920, Владивосток, пос. Аякс 10, корпус 25
Malika K. Dukhtaeva, Resident Physician
10, Ajax Bay, build. 25, Vladivostok, 690920
Чернышева Ксения Вячеславовна, ординатор
690920, Владивосток, пос. Аякс 10, корпус 25
Ksenia V. Chernysheva, Resident Physician
10, Ajax Bay, build. 25, Vladivostok, 690920
Послеоперационная фибрилляция предсердий (ПоФП) является одним из наиболее частых осложнений коронарного шунтирования (КШ) и встречается у 25–65% больных.
Цель исследования: оценка предиктивного потенциала дооперационных факторов риска ПоФП у больных ишемической болезнью сердца (ИБС) после КШ на основе методов машинного обучения (МО).
Материал и методы. Проведено наблюдательное ретроспективное исследование по данным 866 электронных историй болезни (ЭИБ) больных ИБС с медианой возраста (Мe) 63 года и 95%-м доверительным интервалом (ДИ) [63; 64], которым выполнялось изолированное КШ в условиях искусственного кровообращения (ИК). Было выделено 2 группы лиц, первую из которых составили 147 (18%) больных с впервые зарегистрированными пароксизмами ФП, вторую – 648 (81,3%) пациентов без нарушения сердечного ритма. Дооперационный клинико-функциональный статус оценивали с помощью 100 факторов. Для обработки и анализа данных использовали методы статистического анализа (тесты хи-квадрат, Фишера, Манна – Уитни, однофакторной логистической регрессии (ЛР)) и МО (многофакторной ЛР и стохастического градиентного бустинга (СГБ)). Точность моделей оценивали по трем метрикам качества: площадь под ROC-кривой (AUC), чувствительность и специфичность. Процедура кросс-валидации выполнялась не менее 1000 раз по случайно выбранным данным.
Результаты. Обработка и анализ показателей дооперационного статуса больных с помощью методов МО позволили выделить 10 предикторов, линейно и нелинейно связанных с развитием ПоФП. К наиболее значимым из них относились передне-задний размер левого предсердия (ЛП), недостаточность трикуспидального клапана (НТК), фракция выброса (ФВ) <40%, длительность интервала P–R и хроническая сердечная недостаточность (ХСН) III–IV функционального класса (ФК). Точность лучшей прогностической многофакторной модели ЛР составила по AUC 0,61, специфичности – 0,49, чувствительности – 0,72. Значения аналогичных метрик качества лучшей модели на основе СГБ составили 0,64; 0,6 и 0,68 соответственно.
Заключение. Применение СГБ позволило верифицировать нелинейно связанные предикторы ПоФП. Перспектива дальнейших исследований по данной проблеме связана с использованием современных методов МО, позволяющих учитывать индивидуальные особенности пациентов при разработке прогнозных моделей.
Introduction. Postoperative atrial fibrillation (POAF) is one of the most common complications of coronary artery bypass grafting (CABG) and occurs in 25–65% of patients.
Aim. The study aimed to assess the predictive potential of preoperative risk factors for POAF in patients with coronary artery disease (CAD) after CABG based on machine learning (ML) methods.
Material and Methods. An observational retrospective study was carried out based on data from 866 electronic case histories of CAD patients with a median age of 63 years and a 95% confidence interval [63; 64], who underwent isolated CABG on cardiopulmonary bypass. Patients were assigned to two groups: group 1 comprised 147 (18%) patients with newly registered atrial fibrillation (AF) paroxysms; group 2 included 648 (81.3%) patients without cardiac arrhythmia. The preoperative clinical and functional status was assessed using 100 factors. We used statistical analysis methods (Chi-square, Fisher, Mann – Whitney, and univariate logistic regression (LR) tests) and ML tests (multivariate LR and stochastic gradient boosting (SGB)) for data processing and analysis. The models’ accuracy was assessed by three quality metrics: area under the ROC-curve (AUC), sensitivity, and specificity. The cross-validation procedure was performed at least 1000 times on randomly selected data.
Results. The processing and analysis of preoperative patient status indicators using ML methods allowed to identify 10 predictors that were linearly and nonlinearly related to the development of POAF. The most significant predictors were the anteroposterior dimension of the left atrium, tricuspid valve insufficiency, ejection fraction <40%, duration of the P–R interval, and chronic heart failure of functional class III–IV. The accuracy of the best predictive multifactorial model of LR was 0.61 in AUC, 0.49 in specificity, and 0.72 in sensitivity. The values of similar quality metrics for the best model based on SGB were 0.64, 0.6, and 0.68, respectively.
Conclusion. The use of SGB made it possible to verify the nonlinearly related predictors of POAF. The prospects for further research on this problem require the use of modern medical care methods that allow taking into account the individual characteristics of patients when developing predictive models.
The authors declare that there are no conflicts of interest present.