<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE article PUBLIC "-//NLM//DTD JATS (Z39.96) Journal Publishing DTD v1.3 20210610//EN" "JATS-journalpublishing1-3.dtd">
<article article-type="research-article" dtd-version="1.3" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xml:lang="ru"><front><journal-meta><journal-id journal-id-type="publisher-id">pmj</journal-id><journal-title-group><journal-title xml:lang="ru">Тихоокеанский медицинский журнал</journal-title><trans-title-group xml:lang="en"><trans-title>Pacific Medical Journal</trans-title></trans-title-group></journal-title-group><issn pub-type="ppub">1609-1175</issn><publisher><publisher-name>TGMU</publisher-name></publisher></journal-meta><article-meta><article-id pub-id-type="doi">10.34215/1609-1175-2026-2-82-85</article-id><article-id custom-type="elpub" pub-id-type="custom">pmj-3148</article-id><article-categories><subj-group subj-group-type="heading"><subject>Research Article</subject></subj-group><subj-group subj-group-type="section-heading" xml:lang="ru"><subject>НАБЛЮДЕНИЯ ИЗ ПРАКТИКИ</subject></subj-group><subj-group subj-group-type="section-heading" xml:lang="en"><subject>PRACTICE OBSERVATIONS</subject></subj-group></article-categories><title-group><article-title>Прогнозирование обструктивного поражения коронарных артерий у пациента с острым коронарным синдромом без подъема сегмента ST (клинический случай)</article-title><trans-title-group xml:lang="en"><trans-title>Prediction of obstructive coronary artery disease in patients with non-ST elevation acute coronary syndrome (a clinical case)</trans-title></trans-title-group></title-group><contrib-group><contrib contrib-type="author" corresp="yes"><contrib-id contrib-id-type="orcid">https://orcid.org/0000-0003-3545-3862</contrib-id><name-alternatives><name name-style="eastern" xml:lang="ru"><surname>Циванюк</surname><given-names>М. М.</given-names></name><name name-style="western" xml:lang="en"><surname>Tsivanyuk</surname><given-names>M. M.</given-names></name></name-alternatives><bio xml:lang="ru"><p>Циванюк Михаил Михайлович – к.м.н., старший научный сотрудник лаборатории анализа больших данных в здравоохранении и медицине Дальневосточного ФУ; заведующий отделением рентгенохирургических методов диагностики и лечения Владивостокской клинической больницы № 1</p><p>690922, Владивосток, о. Русский, п. Аякс, 10; 690078, Владивосток, ул. Садовая, 22; тел.: +7 (914) 791-60-63</p></bio><bio xml:lang="en"><p>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 Clinical Hospital No. 1.</p><p>10 Ajax Bay, Russky Island, Vladivostok, 690922; 22 Sadovaya str., Vladivostok, 690078; tel.: +7 (914) 791-60-63</p></bio><email xlink:type="simple">m_tsivanyuk@list.ru</email><xref ref-type="aff" rid="aff-1"/></contrib><contrib contrib-type="author" corresp="yes"><name-alternatives><name name-style="eastern" xml:lang="ru"><surname>Гельцер</surname><given-names>Б. И.</given-names></name><name name-style="western" xml:lang="en"><surname>Geltser</surname><given-names>B. I.</given-names></name></name-alternatives><bio xml:lang="ru"><p>Владивосток</p></bio><bio xml:lang="en"><p>Vladivostok</p></bio><xref ref-type="aff" rid="aff-2"/></contrib></contrib-group><aff-alternatives id="aff-1"><aff xml:lang="ru"><institution>Владивостокская клиническая больница № 1; Дальневосточный федеральный университет</institution><country>Россия</country></aff><aff xml:lang="en"><institution>Vladivostok Clinical Hospital No 1; Far Eastern Federal University</institution><country>Russian Federation</country></aff></aff-alternatives><aff-alternatives id="aff-2"><aff xml:lang="ru"><institution>Дальневосточный федеральный университет</institution><country>Россия</country></aff><aff xml:lang="en"><institution>Vladivostok Clinical Hospital No 1</institution><country>Russian Federation</country></aff></aff-alternatives><pub-date pub-type="collection"><year>2026</year></pub-date><pub-date pub-type="epub"><day>19</day><month>07</month><year>2026</year></pub-date><volume>0</volume><issue>2</issue><fpage>82</fpage><lpage>85</lpage><permissions><copyright-statement>Copyright &amp;#x00A9; Циванюк М.М., Гельцер Б.И., 2026</copyright-statement><copyright-year>2026</copyright-year><copyright-holder xml:lang="ru">Циванюк М.М., Гельцер Б.И.</copyright-holder><copyright-holder xml:lang="en">Tsivanyuk M.M., Geltser B.I.</copyright-holder><license license-type="creative-commons-attribution" xlink:href="https://creativecommons.org/licenses/by/4.0/" xlink:type="simple"><license-p>This work is licensed under a Creative Commons Attribution 4.0 License.</license-p></license></permissions><self-uri xlink:href="https://www.tmj-vgmu.ru/jour/article/view/3148">https://www.tmj-vgmu.ru/jour/article/view/3148</self-uri><abstract><p>Актуальные клинические подходы подчеркивают значимость ранней стратификации риска у пациентов с острым коронарным синдромом без подъема сегмента ST. В то же время определение оптимальной стратегии ведения пациентов с невысоким риском неблагоприятных исходов остается сложной клинической задачей. Разработанная нами модель на основе стохастического градиентного бустинга обеспечивает точную оценку вероятности обструктивного поражения коронарных артерий в первые часы госпитализации, поэтапно интегрируя данные первичного осмотра, а также исследований через 1 и 3 часа. В работе представлен клинический случай, иллюстрирующий ее практическое применение.</p></abstract><trans-abstract xml:lang="en"><p>Current clinical guidelines emphasize the need for early risk stratification in patients with non-ST-segment elevation acute coronary syndrome (NSTE-ACS). Meanwhile, the choice between invasive and conservative strategies for patients at low risk for adverse outcomes remains challenging. Our predictive model, developed using stochastic gradient boosting, highly accurately assesses the probability of obstructive coronary artery disease in the first hours of hospitalization. Data from three time points are sequentially integrated: the initial examination, one hour later (complete blood count), and three hours later (biochemistry and echocardiography). This article presents a clinical case that illustrates the practical application of the model.</p></trans-abstract><kwd-group xml:lang="ru"><kwd>прогностические модели</kwd><kwd>стохастический градиентный бустинг</kwd><kwd>коронарные артерии</kwd><kwd>острый коронарный синдром</kwd><kwd>стратификация риска</kwd></kwd-group><kwd-group xml:lang="en"><kwd>predictive models</kwd><kwd>stochastic gradient boosting</kwd><kwd>coronary arteries</kwd><kwd>acute coronary syndrome</kwd><kwd>risk stratification</kwd></kwd-group><funding-group><funding-statement xml:lang="ru">работа выполнена при финансовой поддержке проекта FZNS-2026-0014 Госзадания ДВФУ</funding-statement></funding-group></article-meta></front><body><p>Современные клинические рекомендации подчеркивают необходимость ранней стратификации риска у пациентов с острым коронарным синдромом без подъема сегмента ST (ОКСбпST) [1–3]. Однако выбор между инвазивной и консервативной стратегией у больных невысокого риска неблагоприятного исхода остается сложной задачей [<xref ref-type="bibr" rid="cit2">2</xref>][<xref ref-type="bibr" rid="cit4">4</xref>]. Согласно различным мировым данным, по результатам инвазивной коронарографии (КАГ) у 13–58% пациентов с ОКСбпST обструктивные поражения коронарных артерий (ОПКА) отсутствуют (выявляются интактные коронарные артерии или гемодинамически незначимые стенозы коронарного русла) [<xref ref-type="bibr" rid="cit5">5</xref>]. Это послужило стимулом для развития методов прогнозирования ОПКА. Внедрение этих подходов в клиническую практику позволяет снизить частоту неоправданных КАГ, минимизировать риски, связанные с инвазивным вмешательством, и оптимизировать финансовую нагрузку системы здравоохранения [6–9].</p><p>Разработанная нами прогностическая модель на основе стохастического градиентного бустинга (СГБ) позволяет с высокой точностью оценить вероятность обструктивного поражения коронарных артерий (ОПКА) в первые часы госпитализации, последовательно интегрируя данные трех временных сценариев: первичного осмотра, через 1 час (клинический анализ крови) и через 3 часа (биохимический анализ и эхокардиография), и выполнить последующую стратификацию риска ОПКА (табл.) [<xref ref-type="bibr" rid="cit8">8</xref>]. Ниже представлен клинический случай, демонстрирующий практическое применение данной модели.</p><table-wrap id="table-1"><caption><p>Таблица</p><p>Стратификация риска ОПКА у больных ОКСбпSТ, % [3]</p></caption><table><tbody><tr><td>Риск</td><td>1‑й сценарий</td><td>2‑й сценарий</td><td>3‑й сценарий</td></tr><tr><td>Диапазоны вероятности ОПКА</td><td>Accuracy</td><td>Диапазоны вероятности ОПКА</td><td>Accuracy</td><td>Диапазоны вероятности ОПКА</td><td>Accuracy</td></tr><tr><td>Низкий</td><td>&lt; 52</td><td>86,6</td><td>&lt; 7</td><td>100</td><td>&lt; 10</td><td>96,8</td></tr><tr><td>Средний</td><td>52–79</td><td>52,9</td><td>7–77</td><td>71,2</td><td>10–65</td><td>75,2</td></tr><tr><td>Высокий</td><td>79–92</td><td>69,7</td><td>77–95</td><td>75,5</td><td>65-98</td><td>78,8</td></tr><tr><td>Очень высокий</td><td>&gt; 92</td><td>92,6</td><td>&gt; 95</td><td>95,7</td><td>&gt; 98</td><td>99,4</td></tr></tbody></table></table-wrap><sec><title>Клинический случай</title><p>Пациент К., мужчина, 56 лет, доставлен бригадой скорой медицинской помощи в приемное отделение КГБУЗ ВКБ №1 с жалобами на давящую боль за грудиной умеренной интенсивности, возникшую в покое двумя часами ранее, без четкой связи с физической нагрузкой. Боль сопровождалась общей слабостью. Ранее за медицинской помощью по поводу сердечно-сосудистых заболеваний не обращался. Курит в течение 35 лет (пачка/день). Наследственность отягощена по сердечно-сосудистым заболеваниям – у отца инфаркт миокарда в 60 лет. Гипертоническую болезнь, сахарный диабет отрицает.</p><p>Объективный статус при поступлении: состояние средней степени тяжести. Кожные покровы обычной влажности и окраски. Артериальное давление – 150 и 90 мм рт. ст., частота сердечных сокращений – 88 уд/мин, частота дыхания – 18 в мин, сатурация – 98%. При аускультации легких – везикулярное дыхание, хрипов нет. Тоны сердца приглушены, ритмичны, шумов нет. Живот мягкий, безболезненный. Периферических отеков нет.</p><p>Антропометрические данные: рост – 174 см, масса тела – 94 кг, индекс массы тела – 31,1 кг/м². Окружность талии (ОТ) – 106 см, окружность бедер (ОБ) – 104 см, отношение ОТ/ОБ = 1,02.</p><p>По данным ЭКГ: синусовый ритм, ЧСС – 85 уд/мин. Ишемических изменений не выявлено. ЭКГ в пределах нормы.</p><p>Анализ крови на высокочувствительный тропонин I при поступлении &lt; 0,01 нг/мл (норма).</p><p>Клинический анализ крови: лейкоциты – 8,9 × 10⁹/л, эритроциты – 4,7 × 10¹²/л, гемоглобин – 148 г/л, гематокрит – 43%, средний объем эритроцитов (MCV) – 91 фл, среднее содержание гемоглобина в эритроците (MCH) – 31,5 пг, средняя концентрация гемоглобина в эритроцитах (MCHC) – 344 г/л, степень отклонения размера эритроцитов от нормального (RDW-CV) – 14,9%, тромбоциты (PLT) – 250 × 10⁹/л, средний объем тромбоцитов (MPV) – 8,9 фл, ширина распределения тромбоцитов по объему (PDW) – 15,8%, тромбокрит (PCT) – 0,22%.</p><p>Биохимический анализ крови: общий холестерин (ХС) – 6,2 ммоль/л, триглицериды – 2,1 ммоль/л, ХС липопротеинов высокой плотности – 1,1 ммоль/л, ХС липопротеинов низкой плотности (ХС ЛНП) – 4,3 ммоль/л, креатинин – 96 мкмоль/л, расчетная СКФ – 74 мл/мин/1,73 м², глюкоза крови – 5,8 ммоль/л, мочевая кислота (МК) – 392 мкмоль/л, С-реактивный белок – 4,8 мг/л.</p><p>По данным эхоКГ: фракция выброса левого желудочка – 58% (по Симпсону), конечный диастолический объем – 118 мл, конечный систолический объем – 50 мл. Индекс массы миокарда ЛЖ – 128 г/м². Глобальная продольная систолическая деформация левого желудочка (ГПСД ЛЖ) снижена до 17,2%. Локальная сократимость не нарушена, клапанный аппарат интактен.</p><p>Оценка риска по шкале GRACE составляет 98 баллов (низкий риск).</p></sec><sec><title>Применение прогностической модели</title><p>Для оценки вероятности наличия ОПКА у данного пациента последовательно использовались три прогностические модели СГБ, разработанные на ретроспективной когорте из 610 больных ОКСбпST и валидированные на тестовой выборке. Расчеты выполнялись с помощью программного калькулятора ЭВМ, интегрирующего алгоритм СГБ.</p><p>Сценарий 1 (первичный осмотр). Входные параметры: мужской пол, масса тела, рост, ОТ, ОБ, ОТ/ОБ, статус курения, интервал PQ, отягощенная наследственность. Результат: вероятность ОПКА – 84%. Согласно разработанной нами стратификации риска ОПКА, значение 84% попадает в категорию высокого риска с точностью прогноза для данной категории в 69,7%. Полученные в ходе прогнозирования данные указывают на высокую степень вероятности гемодинамически значимого стеноза, однако требует дальнейшей верификации для принятия окончательного решения.</p><p>Сценарий 2 (1 ч, добавлены показатели клинического анализа крови). К предикторам 1-го сценария добавлены WBC, RDW-CV, PDW и MPV. Вероятность ОПКА повысилась до 91% и соответствовала категории высокого риска с точностью прогноза в 75,5%. Увеличение RDW-CV (&gt; 14,3%) и PDW (&gt; 15,5%) – известные предикторы коронарной обструкции – внесли существенный вклад в повышение прогностической оценки. Отказ от экстренной КАГ аргументирован несоответствием клинической картины лабораторным и прогностическим данным: несмотря на высокий риск, результаты GRACE и отрицательный высокочувствительный тропонин I (отсутствие некроза миокарда) не подтвердили необходимости немедленного инвазивного вмешательства.</p><p>Сценарий 3 (3 ч, добавлены показатели биохимического анализа крови и эхоКГ). К предикторам 2-го сценария добавлены ХС ЛНП, мочевая кислота, ГПСД ЛЖ. Вероятность ОПКА достигла 99,1%, что превышает порог очень высокого риска. Ключевым предиктором прогноза стало снижение ГПСД ЛЖ до 17,2% (при норме &gt; 19%). Гиперурикемия и высокий уровень ХС ЛНП дополнительно усилили прогностическую способность модели.</p><p>Полученная в 3-м сценарии высокая расчетная вероятность ОПКА в сочетании с анамнестическими данными и снижением ГПСД ЛЖ послужили основанием для экстренного проведения КАГ, несмотря на исходно низкий риск неблагоприятного исхода (в т.ч. по шкале GRACE).</p><p>По результату инвазивной КАГ выявлены следующие изменения: передняя межжелудочковая ветвь в проксимальном сегменте имела протяженный стеноз 95%; стеноз средней трети огибающей ветви – до 50%; правая коронарная артерия – без гемодинамически значимых стенозов. Пациенту выполнено чрескожное коронарное вмешательство со стентированием ПМЖВ – имплантирован стент с лекарственным покрытием 3,5 × 28 мм. Послеоперационный период протекал без осложнений</p></sec><sec><title>Обсуждение</title><p>Данный клинический случай демонстрирует преимущества поэтапного применения прогностической модели СГБ у больного ОКСбпST невысокого риска неблагоприятного исхода. Использование только клинико-антропометрических данных (1‑й сценарий) позволило выявить высокий риск ОПКА, но оставалась неопределенность, связанная с умеренной точностью стратификации в категории высокого риска. Добавление маркеров клинического анализа крови (2‑й сценарий) усилило прогноз, что согласуется с данными о роли гематологических маркеров в оценке сердечно-сосудистого риска [<xref ref-type="bibr" rid="cit5">5</xref>][<xref ref-type="bibr" rid="cit9">9</xref>]. Тем не менее решающее значение имела интеграция показателя ГПСД ЛЖ, который, согласно результатам нашего исследования, является самым мощным предиктором ОПКА [<xref ref-type="bibr" rid="cit8">8</xref>].</p><p>Важно подчеркнуть, что стандартные подходы к стратификации риска, включая широко используемые шкалы GRACE и TIMI, обладают ограниченной точностью при индивидуализации тактики ведения пациентов [<xref ref-type="bibr" rid="cit10">10</xref>][<xref ref-type="bibr" rid="cit11">11</xref>]. В представленной клинической ситуации применение традиционных подходов могло бы привести к отсрочке выполнения инвазивной коронарографии или выбору консервативной тактики. Прогностическая модель позволила количественно объективизировать риски, своевременно идентифицировать пациента с тяжелым поражением коронарного русла и выполнить реваскуляризацию миокарда в оптимальные сроки.</p><p>Полученные результаты согласуются с современными данными о высокой эффективности методов машинного обучения в прогнозировании сердечно-сосудистых событий и поддержке клинических решений [<xref ref-type="bibr" rid="cit1">1</xref>][12–15]. Применение таких моделей способствует реализации принципов персонализированной медицины, позволяя учитывать совокупность клинических, лабораторных и инструментальных параметров в динамике.</p></sec><sec><title>Заключение</title><p>Разработанная прогностическая модель на основе СГБ представляет собой эффективный инструмент ранней персонифицированной оценки вероятности ОПКА. В представленном клиническом наблюдении ее поэтапное применение позволило своевременно выявить высокий риск ОПКА у пациента с исходно благоприятным профилем по стандартным шкалам и обосновать необходимость инвазивной тактики. Использование модели способствует повышению диагностической точности и оптимизации клинических решений у больных с ОКСбпST.</p><p>Конфликт интересов: авторы заявляют об отсутствии конфликта интересов</p><p>Источник финансирования: работа выполнена при финансовой поддержке проекта FZNS-2026-0014 Госзадания ДВФУ.</p><p>Информированное согласие: пациент подписал информированное согласие на обработку персональных данных и публикацию клинического случая в научных целях.</p></sec></body><back><ref-list><title>References</title><ref id="cit1"><label>1</label><citation-alternatives><mixed-citation xml:lang="ru">Khera R, Haimovich J, Hurley NC, McNamara R, Spertus JA, Desai N, et al. Use of Machine Learning Models to Predict Death After Acute Myocardial Infarction. JAMA Cardiol. 2021;6(6):633–641. doi: 10.1001/jamacardio.2021.0122</mixed-citation><mixed-citation xml:lang="en">Khera R, Haimovich J, Hurley NC, McNamara R, Spertus JA, Desai N, et al. Use of Machine Learning Models to Predict Death After Acute Myocardial Infarction. JAMA Cardiol. 2021;6(6):633–641. doi: 10.1001/jamacardio.2021.0122</mixed-citation></citation-alternatives></ref><ref id="cit2"><label>2</label><citation-alternatives><mixed-citation xml:lang="ru">Badertscher P, Boeddinghaus J, Twerenbold R, Nestelberger T, Wildi K, Wussler D, et al. Direct Comparison of the 0/1h and 0/3h Algorithms for Early Rule-Out of Acute Myocardial Infarction. Circulation. 2018;137(23):2536–2538. doi: 10.1161/CIRCULATIONAHA.118.034260</mixed-citation><mixed-citation xml:lang="en">Badertscher P, Boeddinghaus J, Twerenbold R, Nestelberger T, Wildi K, Wussler D, et al. Direct Comparison of the 0/1h and 0/3h Algorithms for Early Rule-Out of Acute Myocardial Infarction. Circulation. 2018;137(23):2536–2538. doi: 10.1161/CIRCULATIONAHA.118.034260</mixed-citation></citation-alternatives></ref><ref id="cit3"><label>3</label><citation-alternatives><mixed-citation xml:lang="ru">Mueller C, Giannitsis E, Christ M, Ordóñez-Llanos J, deFilippi C, McCord J, et al. Multicenter Evaluation of a 0-Hour/1-Hour Algorithm in the Diagnosis of Myocardial Infarction With High-Sensitivity Cardiac Troponin T. Annals of emergency medicine. 2016;68(1):76-87.e4. doi: 10.1016/j.annemergmed.2015.11.013</mixed-citation><mixed-citation xml:lang="en">Mueller C, Giannitsis E, Christ M, Ordóñez-Llanos J, deFilippi C, McCord J, et al. Multicenter Evaluation of a 0-Hour/1-Hour Algorithm in the Diagnosis of Myocardial Infarction With HighSensitivity Cardiac Troponin T. Annals of emergency medicine. 2016;68(1):76-87.e4. doi: 10.1016/j.annemergmed.2015.11.013</mixed-citation></citation-alternatives></ref><ref id="cit4"><label>4</label><citation-alternatives><mixed-citation xml:lang="ru">Foy AJ, Liu G, Davidson WR Jr, Sciamanna C, Leslie DL. Comparative effectiveness of diagnostic testing strategies in emergency department patients with chest pain: an analysis of downstream testing, interventions, and outcomes. JAMA internal medicine. 2015;175(3):428–436. doi: 10.1001/jamainternmed.2014.7657</mixed-citation><mixed-citation xml:lang="en">Foy AJ, Liu G, Davidson WR Jr, Sciamanna C, Leslie DL. Comparative effectiveness of diagnostic testing strategies in emergency department patients with chest pain: an analysis of downstream testing, interventions, and outcomes. JAMA internal medicine. 2015;175(3):428–436. doi: 10.1001/jamainternmed.2014.7657</mixed-citation></citation-alternatives></ref><ref id="cit5"><label>5</label><citation-alternatives><mixed-citation xml:lang="ru">Geltser BI, Tsivanyuk MM, Shakhgeldyan KI, Emtseva ED, Vishnevskiy AA. Cardiometabolic risk factors in predicting obstructive coronary artery disease in patients with non-ST-segment elevation acute coronary syndrome. Russian Journal of Cardiology. 2021;26(11):4494. (In Russ.). doi: 10.15829/1560-4071-2021-4494</mixed-citation><mixed-citation xml:lang="en">Geltser BI, Tsivanyuk MM, Shakhgeldyan KI, Emtseva ED, Vishnevskiy AA. Cardiometabolic risk factors in predicting obstructive coronary artery disease in patients with non-ST-segment elevation acute coronary syndrome. Russian Journal of Cardiology. 2021;26(11):4494. (In Russ.). doi: 10.15829/1560-4071-2021-4494</mixed-citation></citation-alternatives></ref><ref id="cit6"><label>6</label><citation-alternatives><mixed-citation xml:lang="ru">Hoffmann U, Truong QA, Schoenfeld DA, Chou ET, Woodard PK, Nagurney JT, et al. Coronary CT angiography versus standard evaluation in acute chest pain. The New England journal of medicine. 2012;26;367(4):299–308. doi: 10.1056/NEJMoa1201161</mixed-citation><mixed-citation xml:lang="en">Hoffmann U, Truong QA, Schoenfeld DA, Chou ET, Woodard PK, Nagurney JT, et al. Coronary CT angiography versus standard evaluation in acute chest pain. The New England journal of medicine. 2012;26;367(4):299–308. doi: 10.1056/NEJMoa1201161</mixed-citation></citation-alternatives></ref><ref id="cit7"><label>7</label><citation-alternatives><mixed-citation xml:lang="ru">Mahler SA, Riley RF, Hiestand BC, Russell GB, Hoekstra JW, Lefebvre CW, et al. The HEART Pathway randomized trial: identifying emergency department patients with acute chest pain for early discharge. Circulation. Cardiovascular quality and outcomes. 2015;8(2):195–203. doi: 10.1161/CIRCOUTCOMES.114.001384</mixed-citation><mixed-citation xml:lang="en">Mahler SA, Riley RF, Hiestand BC, Russell GB, Hoekstra JW, Lefebvre CW, et al. The HEART Pathway randomized trial: identifying emergency department patients with acute chest pain for early discharge. Circulation. Cardiovascular quality and outcomes. 2015;8(2):195–203. doi: 10.1161/CIRCOUTCOMES.114.001384</mixed-citation></citation-alternatives></ref><ref id="cit8"><label>8</label><citation-alternatives><mixed-citation xml:lang="ru">Tsivanyuk MM, Shakhgeldyan KI, Markov MA, Shirobokov VG, Geltser BI. Machine Learning Efficiency in Predicting Obstructive Coronary Artery Disease in Patients with Non-ST Elevation Acute Coronary Syndrome in the First Hours of Admission. Sovremennye tekhnologii v meditsine. 2025;17(3):50–60. (In Russ.) doi: 10.17691/stm2025.17.3.05</mixed-citation><mixed-citation xml:lang="en">Tsivanyuk MM, Shakhgeldyan KI, Markov MA, Shirobokov VG, Geltser BI. Machine Learning Efficiency in Predicting Obstructive Coronary Artery Disease in Patients with Non-ST Elevation Acute Coronary Syndrome in the First Hours of Admission. Sovremennye tekhnologii v meditsine. 2025;17(3):50–60. (In Russ.) doi: 10.17691/stm2025.17.3.05</mixed-citation></citation-alternatives></ref><ref id="cit9"><label>9</label><citation-alternatives><mixed-citation xml:lang="ru">Tsivanyuk MM, Geltser BI, Shakhgeldyan KI, Vishnevskiy AA, Shekunova OI. Parameters of complete blood count, lipid profile and their ratios in predicting obstructive coronary artery disease in patients with non-ST elevation acute coronary syndrome. Russian Journal of Cardiology. 2022;27(8):5079. (In Russ.). doi: 10.15829/1560-4071-2022-5079</mixed-citation><mixed-citation xml:lang="en">Tsivanyuk MM, Geltser BI, Shakhgeldyan KI, Vishnevskiy AA, Shekunova OI. Parameters of complete blood count, lipid profile and their ratios in predicting obstructive coronary artery disease in patients with non-ST elevation acute coronary syndrome. Russian Journal of Cardiology. 2022;27(8):5079. (In Russ.). doi: 10.15829/1560-4071-2022-5079</mixed-citation></citation-alternatives></ref><ref id="cit10"><label>10</label><citation-alternatives><mixed-citation xml:lang="ru">Fox KA, Dabbous OH, Goldberg RJ, Pieper KS, Eagle KA, Van de Werf F, et al. Prediction of risk of death and myocardial infarction in the six months after presentation with acute coronary syndrome: prospective multinational observational study (GRACE). BMJ. 2006;333(7578):1091. doi: 10.1136/bmj.38985.646481.55</mixed-citation><mixed-citation xml:lang="en">Fox KA, Dabbous OH, Goldberg RJ, Pieper KS, Eagle KA, Van de Werf F, et al. Prediction of risk of death and myocardial infarction in the six months after presentation with acute coronary syndrome: prospective multinational observational study (GRACE). BMJ. 2006;333(7578):1091. doi: 10.1136/bmj.38985.646481.55</mixed-citation></citation-alternatives></ref><ref id="cit11"><label>11</label><citation-alternatives><mixed-citation xml:lang="ru">Antman EM, Cohen M, Bernink PJ, McCabe CH, Horacek T, Papuchis G, et al. The TIMI risk score for unstable angina/non-ST elevation MI: A method for prognostication and therapeutic decision making. JAMA. 2000;284(7):835–842. doi: 10.1001/jama.284.7.835</mixed-citation><mixed-citation xml:lang="en">Antman EM, Cohen M, Bernink PJ, McCabe CH, Horacek T, Papuchis G, et al. The TIMI risk score for unstable angina/non-ST elevation MI: A method for prognostication and therapeutic decision making. JAMA. 2000;284(7):835–842. doi: 10.1001/jama.284.7.835</mixed-citation></citation-alternatives></ref><ref id="cit12"><label>12</label><citation-alternatives><mixed-citation xml:lang="ru">Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018;319(13):1317–1318. doi: 10.1001/jama.2017.18391</mixed-citation><mixed-citation xml:lang="en">Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018;319(13):1317–1318. doi: 10.1001/jama.2017.18391</mixed-citation></citation-alternatives></ref><ref id="cit13"><label>13</label><citation-alternatives><mixed-citation xml:lang="ru">Johnson KW, Torres Soto J, Glicksberg BS, Shameer K, Miotto R, Ali M, et al. Artificial Intelligence in Cardiology. JACC. 2018;71(23):2668–2679. doi: 10.1016/j.jacc.2018.03.521</mixed-citation><mixed-citation xml:lang="en">Johnson KW, Torres Soto J, Glicksberg BS, Shameer K, Miotto R, Ali M, et al. Artificial Intelligence in Cardiology. JACC. 2018;71(23):2668–2679. doi: 10.1016/j.jacc.2018.03.521</mixed-citation></citation-alternatives></ref><ref id="cit14"><label>14</label><citation-alternatives><mixed-citation xml:lang="ru">Shameer K, Johnson KW, Glicksberg BS, Dudley JT, Sengupta PP. Machine learning in cardiovascular medicine: are we there yet? Heart. 2018;104(14):1156–64. doi: 10.1136/heartjnl-2017-311198</mixed-citation><mixed-citation xml:lang="en">Shameer K, Johnson KW, Glicksberg BS, Dudley JT, Sengupta PP. Machine learning in cardiovascular medicine: are we there yet? Heart. 2018;104(14):1156–64. doi: 10.1136/heartjnl-2017-311198</mixed-citation></citation-alternatives></ref><ref id="cit15"><label>15</label><citation-alternatives><mixed-citation xml:lang="ru">Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nature medicine. 2019;25(1):70–74. doi: 10.1038/s41591-018-0240-2</mixed-citation><mixed-citation xml:lang="en">Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nature medicine. 2019;25(1):70–74. doi: 10.1038/s41591-018-0240-2</mixed-citation></citation-alternatives></ref></ref-list><fn-group><fn fn-type="conflict"><p>The authors declare that there are no conflicts of interest present.</p></fn></fn-group></back></article>
