Нейросетевые подходы к разработке прогностического модуля для оценки вероятности неблагоприятного сердечно-сосудистого исхода в общей популяции

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.

1. Шальнова С.А., Ежов М.В., Метельская В.А., Евстифеева С.Е., Тарасов В.И., Муромцева Г.А., Баланова Ю.А., Имаева А.Э., Капустина А.В., Шабунова А.А., Белова О.А., Трубачева И.А., Ефанов А.Ю., Астахова З.Т., Кулакова Н.В., Бойцов С.А., Драпкина О.М. Ассоциации липопротеида(а) с факторами риска атеросклероза в российской популяции (данные наблюдательного исследо- вания ЭССЕ-РФ). Рациональная фармакотерапия в кардиологии. 2019;15(5):612-621. https://doi.org/10.20996/1819-6446-2019-15-5-612-621

2. Бойцов С.А., Шальнова С.А., Деев А.Д. Эпидемиологическая ситуация как фактор, определяющий стратегию действий по снижению смертности в Российской Федерации. Терапевтический архив. 2020;92(1):4-9. https://doi.org/10.26442/00403660.2020.01.000510

3. Муромцева Г.А., Концевая А.В., Константинов В.В., Артамонова Г.В., Гатагонова Т.М., Дупляков Д.В., Ефанов А.Ю., Жернакова Ю.В., Ильин В.А., Конради А.О., Либис Р.А., Минаков Э.В., Недогода С.В., Ощепкова Е.В., Романчук С.В., Ротарь О.П., Трубачева И.А., Деев А.Д., Шальнова С.А., Чазова И.Е., Шляхто Е.В., Бой- цов С.А., Баланова Ю.А., Гомыранова Н.В., Евстифеева С.Е., Капустина А.В., Литинская О.А., Мамедов М.Н., Метельская В.А., Оганов Р.Г., Суворова Е.И., Худяков М.Б., Баранова Е.И., Касимов Р.А., Шабунова А.А., Ледяева А.А., Чумачек Е.В., Азарин О.Г., Бабенко Н.И., Бондарцов Л.В., Фурменко Г.И., Хвостикова А.Е., Белова О.А., Назарова О.А., Шутемова Е.А., Барбараш О.Л., Да- нильченко Я.В., Индукаева Е.В., Максимов С.А., Мулерова Т.А., Скрипченко А.Е., Черкасс Н.В., Басырова И.Р., Исаева Е.Н., Кон- дратенко В.Ю., Лопина Е.А., Сафонова Д.В., Гудкова С.А., Черепанова Н.А., Кавешников В.С., Карпов Р.С., Серебрякова В.Н., Медведева И.В., Сторожок М.А., Шава В.П., Шалаев С.В., Гутно- ва С.К., Толпаров Г.В. Распространенность факторов риска неинфекционных заболеваний в Российской популяции в 2012−2013 гг. Результаты исследования ЭССЕ-РФ. Кардиоваскулярная терапия и профилактика. 2014;13(6):4-11. https://doi.org/10.15829/1728-8800-2014-6-4-11

4. Максимов С.А., Артамонова Г.В. Риски артериальной гипертензии в зависимости от производственных факторов. Артериальная гипертония 2017 как междисциплинарная проблема : сборник тезисов XIII Всероссийского конгресса. Уфа: 2017;10-11.

5. Максимов С.А., Скрипченко А.Е., Индукаева Е.В., Артамонова Г.В. Факторы в системе прогнозирования артериальной гипертензии. Кардиология. 2014;54(1):61-63. https://doi.org/0.18565/cardio.2014.1.61-62

6. Барбараш О.Л., Каретникова В.Н., Кочергина А.М., Индукаева Е.В., Артамонова Г.В. Факторы кардиоваскулярного риска и их ассоциации с недостижением целевых значений артериального давления у пациентов с артериальной гипертензией в г. Кемерово (по данным исследования ЭССЕ-РФ). Медицина в Кузбассе. 2016;15(1):47-53.

7. Karunathilake SP, Ganegoda GU. Secondary Prevention of Cardiovascular Diseases and Application of Technology for Early Diagnosis. Biomed Res Int. 2018; 2018: 5767864. https://doi.org/10.1155/2018/5767864

8. Kilic A. Artificial Intelligence and Machine Learning in Cardiovascular Health Care. Ann Thorac Surg. 2020;109(5):1323-1329. https://doi.org/10.1016/j.athoracsur.2019.09.042

9. Ambale-Venkatesh B, Yang X, Wu CO, Liu K, Hundley WG, McClelland R, Gomes AS, Folsom AR, Shea S, Guallar E, Bluemke DA, Lima JAC. Cardiovascular Event Prediction by Machine Learning: The Multi-Ethnic Study of Atherosclerosis. Circ Res. 2017;121(9):1092-1101. https://doi.org/10.1161/CIRCRESAHA.117.311312

10. Hessler G, Baringhaus KH. Artificial Intelligence in Drug Design. Molecules. 2018;23(10):2520. https://doi.org/10.3390/molecules23102520

11. Miller DD, Brown EW. Artificial Intelligence in Medical Practice: The Question to the Answer? Am J Med. 2018;131(2):129-133. https://doi.org/10.1016/j.amjmed.2017.10.035

12. Mintz Y, Brodie R. Introduction to artificial intelligence in medicine. Minim Invasive Ther Allied Technol. 2019;28(2):73-81. https://doi.org/10.1080/13645706.2019.1575882

13. Lim LJ, Tison GH, Delling FN. Artificial Intelligence in Cardiovascular Imaging. Methodist Debakey Cardiovasc J. 2020;16(2):138-145. https://doi.org/10.14797/mdcj-16-2-138

14. Darcy AM, Louie AK, Roberts LW. Machine Learning and the Profession of Medicine. JAMA. 2016;315(6):551-552. https://doi.org/10.1001/jama.2015.18421

15. Johnson KW, Torres Soto J, Glicksberg BS, Shameer K, Miotto R, Ali M, Ashley E, Dudley JT. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018;71(23):2668-2679. https://doi.org/10.1016/j.jacc.2018.03.521

16. Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115-118. https://doi.org/10.1038/nature21056

17. Yu L, Chen H, Dou Q, Qin J, Heng PA. Automated Melanoma Recognition in Dermoscopy Images via Very Deep Residual Networks. IEEE Trans Med Imaging. 2017;36(4):994-1004. https://doi.org/10.1109/TMI.2016.2642839

18. Shimizu H, Nakayama KI. Artificial intelligence in oncology. Cancer Sci. 2020;111(5):1452-1460. https://doi.org/10.1111/cas.14377