Цель. Разработать научно-технологический процесс конструирования модуля искусственного интеллекта, направленного на анализ вероятности наступления неблагоприятных сердечно-сосудистых исходов в общей популяции.

Материалы и методы. Для разработки прототипов, решающих задачу классификации прогностических нейронных сетей, был использован массив данных 1525 субъектов, полученный в результате международного многоцентрового проспективного исследования PURE (Prospective Urban Rural Epidemiology Study). Хотя данное исследование и является пролонгированным (с последующим мониторингом собранных на начальном этапе параметров), вследствие его незавершенности были проанализированы лишь данные с поперечного среза, выполненного на начальном этапе исследования (baseline), поэтому на данном этапе решалась задача виртуальной диагностики, а не прогноза. В качестве неблагоприятного исхода было выбрано развитие артериальной гипертензии как самого распространенного сердечно-сосудистого заболевания. Нейронные сети были разработаны в среде для автоматизированной генерации и анализа нейросетевых моделей STATISTICA Automated Neural Networks (SANN) и после мануальной селекции и кросс-валидации перенесены в оригинальную компьютерную программу с графическим интерфейсом пользователя.

Результаты. Входными параметрами нейронной сети для виртуальной диагностики артериальной гипертензии были личные факторы (пол, возраст, место проживания), сопутствующие заболевания (ишемическая болезнь сердца, хроническая сердечная недостаточность, сахарный диабет, хроническая обструктивная болезнь легких, бронхиальная астма), иные сопутствующие факторы (активное курение, пассивное курение, регулярный прием лекарственных средств), семейные факторы (артериальная гипертензия, ишемическая болезнь сердца или инсульт в анамнезе родителей), физиологические параметры (частота сердечных сокращений, индекс массы тела), биохимические параметры (уровень глюкозы и холестерина в плазме крови натощак, уровень липопротеинов высокой и низкой плотности в плазме крови, уровень креатинина в плазме крови). Сконструированная нейронная сеть продемонстрировала определенную эффективность в виртуальной диагностике артериальной гипертензии (до 84,5% – 1289 верно предсказанных исходов из 1525, площадь под ROC-кривой 0,88) с приблизительно равными чувствительностью (83,6%) и специфичностью (85,3%) и возможность интеграции с графическим интерфейсом пользователя, необходимую для трансформации в потенциально коммерциализуемый прогностический модуль. Кросс-валидация разработанной нейронной сети на сгенерированных посредством бутстрэппинга выборках виртуальных пациентов продемонстрировала высокую эффективность нейронной сети c чувствительностью 82,7–84,7%, специфичностью 84,5–87,3% и площадью под ROC-кривой 0,88–0,89.

Заключение. Разработка прогностического модуля для оценки вероятности неблагоприятных сердечно-сосудистых исходов в общей популяции может базироваться на сочетании автоматизированной генерации и анализа нейронных сетей с их последующей мануальной селекцией, кросс-валидацией и интеграцией в графический интерфейс пользователя.