НОВЫЕ СПОСОБЫ ПРОГНОЗИРОВАНИЯ ИСХОДОВ И ОСЛОЖНЕНИЙ У ПАЦИЕНТОВ С ФИБРИЛЛЯЦИЕЙ ПРЕДСЕРДИЙ

Цель: оценка возможностей методов «машинного обучения» в прогнозировании отдаленных исходов у пациентов с неклапанной формой фибрилляции предсердий (ФП).

Материал и методы исследования. За период 2015-2016 гг. в исследование были последовательно включены 234 пациента с неклапанной формой ФП, медиана возраста 72 (65; 79) года, по 50,0% мужчин и женщин. Медиана времени наблюдения составила 2,9 (2,7;3,2) года, за это время 42 пациента скончались, произошло 9 нефатальных острых нарушений мозгового кровообращения и 3 нефатальных инфаркта миокарда (ИМ). Эти события у 52 пациентов (22,2% от всех включенных) были объединены в комбинированную конечную точку (смерть и нефатальные сердечно-сосудистые катастрофы на этапе отдаленного наблюдения). Первые 184 включенных пациента были объединены в группу «обучения». Последующие 50 пациентов составили «тестовую» группу. Использовали такие методы «машинного обучения» как деревья классификации, линейный дискриминантный анализ, метод k-ближайших соседей, метод опорных векторов, нейросети.

Полученные результаты. На отдаленные исходы влияли возраст, известные традиционные факторы риска сердечно-сосудистых заболеваний, наличие этих заболеваний, изменение внутрисердечной гемодинамики и полостей сердца по данным эхокардиографии, наличие сопутствующей анемии и более тяжелой стадии хронической болезни почек, а также назначение препаратов, связанных с более тяжелым течением заболевания (амиордарон, дигоксин). Лучше всего с задачей прогнозирования справлялись модели линейного дискриминантного анализа, сложной нейросети и метода опорных векторов.

Заключение. Современные методы, направленные на прогностическую оценку, в том числе с использованием больших данных и технологий машинного обучения представляют большой потенциал для кардиологии. Эти методы требуют дальнейшего критического изучения и подтверждения, так как в перспективе могут позволить корректировать сердечно-сосудистые риски, используя одновременно данные реальной клинической практики и концепции доказательной медицины.

1. Chugh SS, Havmoeller R, Narayanan K et al. Worldwide epidemiology of atrial fibrillation: a Global Burden of Disease 2010 Study // Circulation. 2014. 25;129(8) p.837-47. DOI 10.1161/CIRCULATIONAHA.113.005119.

2. Kirchhof P, Benussi S, Kotecha D et al. ESC Scientific Document Group. 2016 ESC Guidelines for the management of atrial fibrillation developed in collaboration with EACTS // Eur Heart J. 2016. 7;37(38) p.2893-2962. DOI 10.1093/eurheartj/ehw210.

3. Рекомендации РКО, ВНОА и АССХ. Национальные рекомендации по диагностике и лечению фибрилляции предсердий // Российский кардиологический журнал. 2013; 4 (102), приложение 3.

4. Camm AJ, Kirchhof P, Lip GY et al. ESC Committee for Practice Guidelines. Guidelines for the management of atrial fibrillation: the Task Force for the Management of Atrial Fibrillation of the European Society of Cardiology (ESC) // Europace 2010. 12(10) p.1360-420. DOI 10.1093/europace/euq350.

5. Gage BF, Yan Y, Milligan PE et al. Clinical classification schemes for predicting hemorrhage: results from the National Registry of Atrial Fibrillation (NRAF) // Am Heart J. 2006. 151(3) p.713-9. DOI: 10.1016/j.ahj.2005.04.017

6. Fang MC, Go AS, Chang Y et al. A new risk scheme to predict warfarin-associated hemorrhage: The ATRIA (Anticoagulation and Risk Factors in Atrial Fibrillation) Study // J Am Coll Cardiol. 2011. 19;58(4) p.395-401. DOI 10.1016/j.jacc.2011.03.031.

7. Ghatak, A. Machine Learning with R / Springer Singapore. 2017. ISBN 978-981-10-6807-2. DOI 10.1007/978- 981-10-6808-9. 210 p.

8. Holder LB, Haque MM, Skinner MK. Machine learning for epigenetics and future medical applications // Epigenetics. 2017. 3;12(7) p.505-514. DOI 10.1080/15592294.2017.1329068.

9. Gandelman JS, Byrne MT, Mistry AM et al. Machine learning reveals chronic graft-versus-host disease phenotypes and stratifies survival after stem cell transplant for hematologic malignancies // Haematologica. 2019 Jan;104(1) p.189-196. DOI 10.3324/haematol.2018.193441.

10. Choi BG, Rha SW, Kim SW et al. Machine Learning for the Prediction of New-Onset Diabetes Mellitus during 5-Year Follow-up in Non-Diabetic Patients with Cardiovascular Risks // Yonsei Med J. 2019 Feb;60(2) p.191-199. DOI 10.3349/ymj.2019.60.2.191.

11. R Core Team (2019). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL: https://www.R-project.org/

12. Max Kuhn and Ross Quinlan (2018). C50: C5.0 Decision Trees and Rule-Based Models. R package version 0.1.2. URL: https://CRAN.R-project.org/package=C50.

13. Kim S, Kwon S, Hong SH et al. Abstract 18179: Application of Machine Learning Algorithm for Early Prediction to Classify Atrial Fibrillation Into Paroxysmal and Non-Paroxysmal by Analysis of fibrillatory Wave on 12-Lead Electrocardiography // Circulation. 2017;136:A18179.