Жиганова Татьяна Анатольевна - канд. мед. наук, врач-клинический фармаколог, Сеть медицинских центров «Династия».
197101, Санкт-Петербург, ул. Ленина, 5Б
Tatiana A. Zhiganova - Cand. Sci. (Med.), Clinical Pharmacologist, Network of Medical Centers “Dynasty”.
5B, Lenina str., Saint Petersburg, 197101
Кузнецов Антон Игоревич - программист, МАИ НИУ.
125080, Москва, Волоколамское шоссе, 4
Anton I. Kuznetsov - Software Developer, Moscow Aviation Institute (National Research University).
4, Volokolamsk Highway Moscow, 125080
Щепкина Елена Викторовна - канд. социол. наук, главный специалист, РАНХиГС, Москва, Россия; аналитик, НПКЦ ДиТ ДЗМ.
119571, Москва, пр-т Вернадского, 82, стр.1; 127051, Москва, ул. Петровка, 24, стр. 1
Elena V. Schepkina - Cand. Sci. (Soc.), Chief Specialist, RANEPA, Moscow, Russia; Data Analyst, Research and Practical Clinical Center for Diagnostics and Telemedical Technologies.
24, Vernadsky Ave., Build. 1, Moscow, 127051; 82, Vernadsky Ave., Build. 1, Moscow, 119571
Введение. Искусственный интеллект и машинное обучение открывают новые горизонты в разработке прогностических моделей с использованием данных фармакогенетического тестирования (ФГТ) пациентов. Это может позволить более точно предсказывать развитие побочных эффектов (ПЭ) при терапии антипсихотиками (АП) и антидепрессантами (АД) и применять персонифицированный подход к терапии пациентов с фармакорезистентностью (ФР) к АП и АД.
Цель: сравнение алгоритмов машинного обучения для предсказания вероятности развития ПЭ у пациентов с ФР к АП и АД.
Материал и методы. В ретроспективном когортном исследовании реальной клинической практики были использованы результаты ФГТ 144 пациентов (72 (50%) мужчин и 72 (50%) женщин, средний возраст 33 ± 8,4 года) с ФР к АП и АД, получавших терапию в амбулаторном режиме в период с 2016 по 2024 гг. ФГТ полиморфизмов генов CYP2D6, CYP2C19, CYP1A2 и MDR1 (C3435T) проводилось в медицинских лабораториях Санкт-Петербурга (МедЛаб, Инвитро). Для построения прогностической модели предсказания развития ПЭ были использованы алгоритмы машинного обучения Lasso, Ridge, Extra Tree (ET), k-Nearest Neighbors (KNN), Naive Bayes (NB), Random Forest (RF) и eXtreme Gradient Boosting (XGB).
Результаты. Лучшие результаты получены при построении прогностической модели на основе алгоритма RF. Показатели тестовой выборки составили: ROC-AUC 75,5 [59,6; 89,9] %, чувствительность 72,2 [55,0; 88,9] %, специфичность 58,3 [33,3; 81,8] %. В качестве основных предикторов использовались возраст, пол, генотипы и аллели генов CYP2C19, CYP2D6, CYP1A2, MDR1 С3435Т, курение, наличие неврологических заболеваний и употребление психоактивных веществ.
Выводы. Разработанная модель на основе алгоритма машинного обучения Random Forest продемонстрировала высокую эффективность в прогнозировании вероятности развития ПЭ у пациентов с ФР к АП и АД. Она может послужить основой для будущих исследований и разработки персонифицированного подхода к лечению пациентов, принимающих АП и АД, с целью интеграции ее в дальнейшем в систему поддержки принятия врачебных решений.
Rationale. Artificial intelligence and machine learning allow for development of predictive models using pharmacogenetic testing (PGT) data. It helps to predict the development of side effects (SE) in patients treated with antipsychotics (AP) and antidepressants (AD) and provides personalized approach for the treatment of patients with treatment resistance to antipsychotics and antidepressants. Aim: To compare machine learning algorithms for prediction of side effects development in patients with pharmacoresistance (PR) to antipsychotics and antidepressants.
Material and Methods. A retrospective study utilized PGT data of 144 patients (72 males and 72 females, mean age 33±8.4 years) with PR to AP and AD, treated on an outpatient basis for the period from 2016 to 2024. PGT assessed CYP2D6, CYP2C19, CYP1A2, and MDR1 (C3435T) gene polymorphisms conducted in medical laboratories in St. Petersburg (MedLab, Invitro). Machine learning algorithms Lasso, Ridge, Extra Tree (ET), k-Nearest Neighbors (KNN), Naive Bayes (NB), Random Forest (RF), and eXtreme Gradient Boosting (XGB) were used to build the predictive model for SE development.
Results. RF algorithm demonstrated the best performance as the predictive model in test sample parameters: ROC-AUC 75.5% [59.6; 89.9], sensitivity 72.2% [55.0; 88.9], and specificity 58.3% [33.3; 81.8]. The main predictors included age, sex, CYP2C19, CYP2D6, CYP1A2, MDR1 C3435T genotypes and alleles, smoking, presence of neurological diseases and substance abuse.
Conclusion. Random Forest model machine learning algorithm has demonstrated high efficiency in predicting side effects probability in treatment resistant patients to AP and AD. The model can serve as the basis for future research and development of personalized treatment approach for the patients treated with AP and AD, with the possibility of further integration into Medical Decision Support System.
The authors declare that there are no conflicts of interest present.