Современные подходы к прогнозированию риска развития неблагоприятных сердечно-сосудистых событий у пациентов с острым коронарным синдромом

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.

1. World Heart Report 2023: Confronting the World’s Number One Killer. Geneva, Switzerland. World Heart Federation. 2023

2. Российский статистический ежегодник. 2023. Москва: Росстат, 2023. 701 с.

3. Здравоохранение в России. 2023. Москва: Росстат, 2023. 179 с.

4. Montone R.A., Ford T.J., Galli M., Rinaldi R., Bland A., Morrow A., Angiolillo D.J., Berry C. et al. Stratified medicine for acute and chronic coronary syndromes: A patient-tailored approach. Prog Cardiovasc Dis. 2024;85:2-13. DOI: 10.1016/j.pcad.2024.06.003.

5. Jensen R.V., Hjortbak M.V., Bøtker H.E. Ischemic Heart Disease: An Update. Semin Nucl Med. 2020;50(3):195-207. DOI: 10.1053/j.semnuclmed.2020.02.007.

6. Shuvy M., Beeri G., Klein E., Cohen T., Shlomo N., Minha S., Pereg D. Accuracy of the Global Registry of Acute Coronary Events (GRACE) Risk Score in Contemporary Treatment of Patients With Acute Coronary Syndrome. Can J Cardiol. 2018;34(12): 1613-1617. DOI: 10.1016/j.cjca.2018.09.015.

7. Zhang Q., Gao J., Yin X., Zhang S., Wang Y., Ji H., Zhang X., Song D. et al. Risk Prediction Models for Ischemic Cardiovascular Outcomes in Patients with Acute Coronary Syndrome. Rev Cardiovasc Med. 2023;24(4):106. DOI: 10.31083/j.rcm2404106.

8. Wong Y.K., Cheung C.Y.Y., Tang C.S., Au K.W., Hai J.S.H., Lee C.H., Lau K.K. et al. Age-Biomarkers-Clinical Risk Factors for Prediction of Cardiovascular Events in Patients With Coronary Artery Disease. Arterioscler Thromb Vasc Biol. 2018;38(10):2519-2527. DOI: 10.1161/ATVBAHA.118.311726.

9. Expert Group on Biomarkers. Biomarkers in Cardiology - Part 2: In Coronary Heart Disease, Valve Disease and Special Situations. Arq Bras Cardiol. 2015;104(5):337-346. DOI: 10.5935/abc.20150061.

10. EXpert Group on Biomarkers. Biomarkers in cardiology - part 1 - in heart failure and specific cardiomyopathies. Arq Bras Cardiol. 2014;103(6):451-459. DOI: 10.5935/abc.20140184.

11. Severino P., D'Amato A., Pucci M., Infusino F., Adamo F., Birtolo L.I., Netti L., Montefusco G. et al. Ischemic Heart Disease Pathophysiology Paradigms Overview: From Plaque Activation to Microvascular Dysfunction.Int J Mol Sci. 2020;21(21):8118. DOI: 10.3390/ijms21218118.

12. Saeedbakhsh S., Sattari M., Mohammadi M., Najafian J., Mohammadi F. Diagnosis of Coronary Artery Disease based on Machine Learning algorithms Support Vector Machine, Artificial Neural Network, and Random Forest. Adv Biomed Res. 2023;12:51. DOI: 10.4103/abr.abr_383_21.

13. Song L., Li Y., Nie S., Feng Z., Liu Y., Ding F., Gong L., Liu L., et al. Using machine learning to predict adverse events in acute coronary syndrome: A retrospective study. Clin Cardiol. 2023;46(12):1594-1602. DOI: 10.1002/clc.24127.

14. D'Ascenzo F., De Filippo O., Gallone G., Mittone G., Deriu M.A., Iannaccone M., Ariza-Solé A., Liebetrau C. et al. Machine learning-based prediction of adverse events following an acute coronary syndrome (PRAISE): a modelling study of pooled datasets. Lancet. 2021;397(10270):199-207. DOI: 10.1016/S0140-6736(20)32519-8.

15. Collazo R.A., Pessôa L.A.M., Bahiense L., Pereira B. de B., Reis A.F. dos, Silva N.S. et al. A Comparative study between artificial neural network and support vector machine for acute coronary syndrome prognosis. Pesqui Oper. 2016;36(2):321-343. DOI: 10.1590/0101-7438.2016.036.02.0321

16. Zhang X., Wang X., Xu L., Liu J., Ren P., Wu H. The predictive value of machine learning for mortality risk in patients with acute coronary syndromes: a systematic review and meta-analysis. Eur J Med Res. 2023;28(1):451. DOI: 10.1186/s40001-023-01027-4.

17. Na L., Lin J., Kuiwu Y. Risk prediction model for major adverse cardiovascular events (MACE) during hospitalization in patients with coronary heart disease based on myocardial energy metabolic substrate. Front Cardiovasc Med. 2023;10:1137778. DOI: 10.3389/fcvm.2023.1137778.

18. Tao K., Li J., Li J., Shan W., Yan H., Lu Y. Estimation of Heart Rate Using Regression Models and Artificial Neural Network in Middle-Aged Adults. Front Physiol. 2021;12:742754. DOI: 10.3389/fphys.2021.742754.

19. Li R., Shen L., Ma W., Yan B., Chen W., Zhu J., Li L., Yuan J. et al. Use of machine learning models to predict in-hospital mortality in patients with acute coronary syndrome. Clin Cardiol. 2023;46(2):184-194. DOI: 10.1002/clc.23957.

20. Snimshchikova I.A., Plotnikova M.O. Role of morphogenic proteins of the WNT signaling pathway in coronary artery disease. Medical Immunology (Russia). 2023;25(4):985-990. DOI: 10.15789/1563-0625-ROM-2835.

21. Плотникова М.О., Снимщикова И.А., Шкодкина С.А. Диагностическая значимость показателей окислительного стресса у пациентов с ишемической болезнью сердца. Медико-фармацевтический журнал «Пульс». 2022;24(5):63-67. DOI: 10.26787/nydha-2686-6838-2022-24-5-63-67. EDN: LZZWAZ.

22. Nohria R., Viera A.J. Acute Coronary Syndrome: Diagnosis and Initial Management. Am Fam Physician. 2024;109(1):34-42.

23. Byrne R.A., Rossello X., Coughlan J.J., Barbato E., Berry C., Chieffo A., Claeys M.J., Dan G.A. et al. 2023 ESC Guidelines for the management of acute coronary syndromes. Eur Heart J. 2023;44(38):3720-3826. DOI: 10.1093/eurheartj/ehad191.

24. Garg P., Morris P., Fazlanie A.L., Vijayan S., Dancso B., Dastidar A.G., Plein S., Mueller C. et al. Cardiac biomarkers of acute coronary syndrome: from history to high-sensitivity cardiac troponin.Intern Emerg Med. 2017;12(2):147-155. DOI: 10.1007/s11739-017-1612-1.

25. Celik S., Giannitsis E., Wollert K.C., Schwöbel K., Lossnitzer D., Hilbel T., Lehrke S. et al. Cardiac troponin T concentrations above the 99th percentile value as measured by a new high-sensitivity assay predict long-term prognosis in patients with acute coronary syndromes undergoing routine early invasive strategy. Clin Res Cardiol. 2011;100(12): 1077-1085. DOI: 10.1007/s00392-011-0344-x.

26. Wu A.H. Early detection of acute coronary syndromes and risk stratification by multimarker analysis. Biomark Med. 2007;1(1):45-57. DOI: 10.2217/17520363.1.1.45.

27. Программа «Калькулятор расчета вероятностного исхода острого коронарного синдрома». Плотникова М.О., Строев С.П., Снимщикова И.А., Вишневский В.И., Дорофеева В.И., Киселёв Д.П., Честнихина А.Д. № 2022668140 Свидетельство о государственной регистрации программы для ЭВМ РФ. 4 октября 2022 г.