д-р мед. наук, профессор, директор Медицинского института, зав. кафедрой иммунологии и специализированных клинических дисциплин, вед. науч. с. лаборатории новых медицинских технологий, ОГУ им. И.С. Тургенева, г. Орёл
Dr. Sci. (Med.), Professor, Director of the Medical Institute, Head of the Department of Immunology and Specialized Clinical Disciplines, Leading Researcher at the Laboratory of New Medical Technologies, I.S. Turhenev OSU, Orel, Russian Federation
канд. мед. наук, доцент кафедры иммунологии и специализированных клинических дисциплин, ст. науч. с. лаборатории новых медицинских технологий, ОГУ им. И.С. Тургенева, г. Орёл
Cand. Sci. (Med.), Associate Professor at the Department of Immunology and Specialized Clinical Disciplines, Senior Researcher at the Laboratory of New Medical Technologies, I.S. Turhenev OSU, Orel, Russian Federation
канд. экон. наук, доцент, зав. кафедрой алгебры и математических методов в экономике, ОГУ им. И.С. Тургенева, г. Орёл
Cand. Sci. (Econ.), Associate Professor, Head of the Department of Algebra and Mathematical Methods in Economics, I.S. Turhenev OSU, Orel, Russian Federation
Сердечно-сосудистые заболевания представляют собой основную причину заболеваемости и смертности населения всего мира. Несмотря на достигнутый прогресс в прогнозировании риска развития и неблагоприятных сердечно-сосудистых исходов, остается большое количество пациентов, которые не распознаются при использовании стандартных прогнозных моделей. Цель - оценка возможности применения машинного обучения для построения мультимаркерной модели прогноза исхода острого коронарного синдрома в виде острого инфаркта миокарда или нестабильной стенокардии. Материал и методы. Разработка прогностических моделей проводилась на языке программирования Python (библиотеки Pandas, Seaborn и Scikit-learn) с использованием базы данных, составленной на основании результатов клинико-лабораторных исследований 60 пациентов в возрасте от 18 до 59 лет с острым коронарным синдромом. Результаты. Из общего перечня, включающего 181 показатель (10860 значений), были отобраны 3 наиболее информативных биомаркера, используемых для идентификации установленных конечных точек (диагноза пациента). Классификатор «случайный лес» превзошел остальные модели в отношении точности, чувствительности и специфичности, что позволило с 96% точностью определять наступление неблагоприятного исхода ОКС. Заключение. На основе полученных данных была разработана программа для ЭВМ «Калькулятор расчета вероятностного исхода острого коронарного синдрома» для практического использования в учреждениях здравоохранения.
Cardiovascular diseases are the leading cause of morbidity and mortality worldwide. Despite the progress achieved in predicting the risk of development and adverse cardiovascular outcomes, there remains a large number of patients who are not recognized using standard predictive models. Objective: to assess the possibility of using machine learning to build a multi-marker model for predicting the outcome of acute coronary syndrome in the form of acute myocardial infarction or unstable angina. Materials and methods. The development of predictive models was carried out in the Python programming language (Pandas, Seaborn and Scikit-learn libraries) using a database compiled from the results of clinical and laboratory studies of 60 patients aged 18 to 59 years with acute coronary syndrome. Results. From a total list of 181 indicators (10,860 values), 3 most informative biomarkers were selected to identify the established endpoints (patient diagnosis). The random forest classifier outperformed other models in terms of accuracy, sensitivity and specificity, which allowed us to determine the occurrence of an unfavorable outcome of ACS with 96% accuracy. Conclusion. Based on the obtained data, a computer program "Calculator for calculating the probabilistic outcome of acute coronary syndrome" was developed for practical use in healthcare institutions.
The authors declare that there are no conflicts of interest present.