Предсказание сердечно-сосудистых событий при помощи комплексной оценки факторов риска с использованием методов машинного обучения

Актуальность: профилактика сердечно-сосудистых заболеваний (ССЗ) является актуальной проблемой, связанной с лидирующем уровнем смертности от них в мире, различными способами оценки сердечно-сосудистого риска, точностью его определения. Цель: разработать модель при помощи машинного обучения для предсказания сердечно-сосудистого риска и валидировать ее с использованием российских медицинских данных. Материал и методы: набор данных для обучения получен из Фрамингемского исследования, в него входили 4363 пациента без ССЗ, из которых 852 (19,5%) умерли от инфаркта миокарда и инсульта в течение 10 лет с начала наблюдения. Входящие признаки модели: пол, возраст, систолическое АД, холестерин, курение, индекс массы тела, частота сердечных сокращений. Исходный набор данных был разделен на 2 части: учебный набор данных «train» (80% записей) и набор данных проверки «validate» (оставшиеся 20%). Дополнительно было проведено тестирование модели на внешнем наборе данных «test», который включал 411 деперсонифицированных данных пациентов российской популяции. Результаты: итогом работы стала модель WML.CVD.Score, построенная методом последовательной нейронной сети с одним входным, двумя скрытыми и одним выходным слоем. Результаты точности на учебном наборе данных: Accuracy - 81,15%, AUC - 0,80. Эти же показатели на проверочном наборе данных «validate» составили: Accuracy - 81,1%, AUC 0,76. Результаты тестирования на наборе данных «test»: Accuracy - 79,07, AUC - 0,86. На российских тестовых данных AUC для шкалы SCORE составила 0,81 против 0,86 для разработанной модели, что показало обоснованность применения машинного обучения с целью повышения прогностической модели. Заключение: разработанная модель продемонстрировала высокую точность предсказания сердечно-сосудистых событий как при внутренней, так и при внешней валидации.

кардиология, сердечно-сосудистые заболевания, факторы риска, моделирование риска, машинное обучение