Аннотация результатов, полученных в 2025 году
В рамках реализации первого года проекта актуализирован датасет, итоговый вариант которого включает около 100 демографических, анамнестических ,клинических, инструментальных и лабораторных показателей, характеризующих дооперационный, интраоперационный и послеоперационный функциональный статус 5446 больных инфарктом миокарда с подъемом сегмента ST (ИМпST), которым выполнено чрескожное коронарное вмешательство (ЧКВ) со стентированием инфаркт-зависимых коронарных артерий в Региональном сосудистом центре КБУЗ “ Краевая клиническая больница №1” г. Владивостока. Сформированный датасет позволяет решать прогностические задачи, связанные с оценкой риска развития неблагоприятных клинических событий у больных ИМпST после ЧКВ, которые в настоящем проекте были представлены впервые развившейся послеоперационной фибрилляцией предсердий (ПоФП) и внутригоспитальной летальностью (ВГЛ). Для разработки прогностических моделей машинного обучения был использован комплекс новых методов, позволяющих расширить возможности для клинической интерпретации и объяснения генерируемых моделями заключений. К ним относятся используемый участниками проекта методы мультиметрической категоризации предикторов, разработанные модифицированное дерево решений и случайный лес факторов риска. Метод мультиметрической категоризации потенциальных предикторов позволяет выделить многоуровневые пороговые значения, отклонения от которых ассоциируются с различной вероятностью развития неблагоприятных событий. Так, при содержании в крови нейтрофилов в диапазонах 75-80 %, 81-85%, 86-88% или более 89% вероятность ВГЛ последовательно возрастает. К факторам риска ВГЛ относятся эозинофилы при их уровне в крови менее 0,6% и более 6,2%. Нелинейная взаимосвязь концентрации в крови глюкозы с ВГЛ иллюстрируется выделением многоуровневых факторов риска: наибольшее влияние на фатальное событие данный показатель оказывает в диапазоне 8,9-11,5 ммоль/л, а существенно меньшее влияние связано с его значениями более 11,5 ммоль/л и 7,4-8,8 ммоль/л. Аналогичные результаты, указывающие на информативность метода мультимерической категоризации для объяснения прогноза, были получены при выделении многоуровневых факторов риска ПоФП. К последним относилось систолическое давление в легочной артерии, при уровне которого 28-33 мм рт.ст., 34-42 мм рт.ст. и более 42 мм рт.ст. вероятность ПоФП последовательно возрастала. Схожую взаимосвязь с конечной точкой демонстрировали продольный размер левого предсердия, концентрация мочевины в крови , ширина распределения эритроцитов, средний объем тромбоцитов и др.показатели. Модифицированный метод дерева решений, основанный на мультиметрической категоризации предикторов и выделении факторов риска неблагоприятных клинических событий, был апробирован на прогнозировании ПоФП и ВГЛ у больных ИМпST. Установлено, что модифицированное дерево решений имеет лучшие показатели качества прогноза и более простую структуру, чем классическое дерево решений. Прогностические модели на его основе упрощают извлечение продукционных правил, объясняющих генерируемые заключения. Анализ точности прогностических решений демонстрировал статистически значимое преимущество разработанного метода по сравнению с классическим: AUC и 95% ДИ-0,813 [0,795;0,831] против 0,765 [ 0,730;0,800] - для ВГЛ ( p-value=0,021) и 0,701 [ 0,696; 0,706] против 0,690 [ 0,685;0,694] - для ПоФП (p-value=0,036). Архитектура моделей, обученных на основе модифицированного дерева решений была представлена меньшим количеством листьев, чем архитектура моделей, обученных классическим методом. Так, для прогнозирования ВГЛ модель на основе модифицированного дерева решений имела 19 [18;20] листьев против 24 [ 23;25] - у модели на основе классического дерева решений. Прогнозирование ПоФП модифицированным методом возможно помощью 12 [ 11;13] листьев против 15 [ 14;17] - при использовании классического метода. Разработан метод обучения случайного леса, который совмещает аддитивный и ансамблевый подходы (на основании каждого предиктора обучается отдельное модифицированное дерево решений). Метод включает следующие этапы: 1. Выделение порогов отсечения (многоуровневых факторов риска) с помощью мультиметрической категоризации; 2. Обучение слабых классификаторов с помощью алгоритма модифицированного дерева решений для каждого выделенного предиктора; 3. Выделение факторов риска с помощью весовых коэффициентов логистической регрессии; 4. Объединение факторов риска с помощью 2-х подходов к их ранжированию: по вероятности неблагоприятного исхода или по взвешенному индексу Джини. Объединение прогнозов слабых классификаторов по вероятности наступления события для каждого пациента происходит путем “сложение вероятностей”: P’(A1, A2, .., An)=P(A1) + P’(A2, …, An) - A1 * P’(A2,..An), где А1, .., где An- -ассоциированные с пациентом факторы риска. Объединение на основе взвешенного индекса Джини выполняется в соответствии с соотношением: Gw(y)= [1-Gini(y)] * count, где y - данные о конечной точке, ассоциированные с фактором риска; count - количество объектов класса 1. Предложенный метод ( случайный лес факторов риска ) позволяет повысить качество клинического обоснования генерируемых прогностических решений и стать основой для разработки высокоточных интерпретируемых прогностических моделей.