Владивосток, о. Русский
Russky Island, Vladivostok
Циванюк Михаил Михайлович – к.м.н., старший научный сотрудник лаборатории анализа больших данных в здравоохранении и медицине Дальневосточного федерального университета, заведующий отделением рентгенохирургических методов диагностики и лечения Владивостокской клинической больницы № 1
690922, Владивосток, о. Русский, п. Аякс, 10; 690078, г. Владивосток, ул. Садовая, 22; тел.: +7 (914) 791-60-63
Mikhail M. Tsivanyuk - Cand. Sci. (Med.), Senior Researcher at the Laboratory for Big Data Analysis in Healthcare and Medicine, Far EFU; Head of the Department of Department of Interventional Radiology, Vladivostok CH № 1
10 Ajax Bay, Russky Island, Vladivostok 690922; 22 Sadovaya str., Vladivostok 690078; tel.: +7 (914) 791-60-63
Владивосток, о. Русский
Russky Island, Vladivostok
Владивосток
Vladivostok
Владивосток, о. Русский
Russky Island, Vladivostok
Цель исследования: Разработать модели машинного обучения (МО) для предтестовой верификации интактных коронарных артерий (КА) у пациентов с инфарктом миокарда без подъема сегмента ST (ИМбпST).
Материалы и методы. В одноцентровое проспективное исследование включены 257 больных ИМбпST, которым выполнена инвазивная коронарография (КАГ). Проанализированы клинико-демографические, лабораторные, ЭКГ и эхоКГ показатели. С применением методов МО (многофакторная логистическая регрессия, стратифицированная 10-fold кросс-валидация) разработаны прогностические модели предтестовой диагностики интактных КА.
Результаты. Интактные КА у больных ИМбпST по данным инвазивной КАГ выявлены у 13,2% пациентов. Наиболее высокой прогностической точностью (AUC = 0,87) обладала модель МО на основе многофакторной логистической регрессии, предикторы которой были представлены показателями возраста, холестерина липопротеинов низкой плотности, диаметром корня аорты, концентраций общего белка, общего билирубина, содержанием моноцитов в крови, депрессией сегмента ST и фибриногена.
Заключение. Использование многофакторных моделей МО позволяет повысить точность предтестовой диагностики интактных КА у больных ИМбпST и создает предпосылки для выбора персонализированной тактики лечения пациентов с данным фенотипом заболевания.
Objective: To develop machine learning (ML) models for assessing the pretest probability of intact coronary arteries (CA) in patients with non–ST-segment elevation myocardial infarction (NSTEMI).
Materials and methods. A single-center prospective study included 257 patients with NSTEMI who underwent invasive coronary angiography (ICA). Clinical and demographic characteristics, laboratory data, electrocardiogram and echocardiogram results were analyzed. ML methods, including multivariate logistic regression and stratified 10-fold cross-validation, were used to develop predictive models for pre-test diagnosis of intact CA.
Results. ICA revealed intact CA in 13.2% of patients. A multivariate logistic regression-based ML model exhibited the highest prognostic accuracy (AUC = 0.87), with the following predictors: age, low-density lipoprotein cholesterol, aortic root diameter, total protein concentration, total bilirubin, blood monocyte count, ST-segment depression, and fibrinogen level.
Conclusion. Using multifactorial ML models improves the accuracy of the pretest diagnosis of intact CA in patients with NSTEMI. Thus, personalized treatment strategies can be selected for patients with this disease phenotype.
The authors declare that there are no conflicts of interest present.