Прогнозирование развития фибрилляции предсердий у коморбидных пациентов с артериальной гипертензией и хронической обструктивной болезнью лёгких по данным лабораторных методов исследования: подход с использованием машинного обучения

Обоснование. Артериальная гипертензия и хроническая обструктивная болезнь лёгких оказывают пагубное влияние на структуру сердца, приводя к развитию фибрилляции предсердий, которая остаётся основной причиной развития мозгового инсульта и преждевременной смерти [1]. Так, ранняя диагностика факторов риска фибрилляции предсердий у пациентов с артериальной гипертензией и хронической обструктивной болезнью лёгких имеет важнейшее значение для профилактики. Именно поэтому в предиктивной кардиологии используют методы машинного обучения, которые превосходят классические статистические методы прогнозирования [2–4].

Цель — разработать прогностическую модель развития фибрилляции предсердий у коморбидных пациентов с артериальной гипертензией и хронической обструктивной болезнью лёгких на основе многослойного перцептрона.

Материалы и методы. В исследование было включено 419 пациентов, проходивших лечение в Университетской клинической больнице № 4 Первого Московского государственного медицинского университета имени И.М. Сеченова. Первую группу составил 91 (21,7%) пациент с верифицированным диагнозом «фибрилляция предсердий», вторую группу — 328 (78,3%) пациентов без фибрилляции предсердий. Алгоритмом машинного обучения «случайный лес» осуществлён отбор предикторов, с которыми была разработана нейронная сеть типа «многослойный перцептрон», состоявшая из двух слоёв — входного слоя из 12 нейронов, использующих функцию активации ReLU, и выходного слоя, который получает входные данные от предыдущего слоя и передаёт их на один выход, используя функцию активации сигмоиды. Определение порогового значения, чувствительности, специфичности и диагностической эффективности полученной модели проводился с помощью ROC-анализа с расчётом площади под кривой (AUC).

Результаты. Первым этапом разработки прогностической модели алгоритмом машинного обучения «случайный лес» были отобраны наиболее значимые предикторы развития фибрилляции предсердий: концентрация C-реактивного белка (отношение шансов 1,04; 95% доверительный интервал 1,015–1,067; p=0,002), скорость оседания эритроцитов (отношение шансов 1,04; 95% доверительный интервал 1,019–1,08; p <0,001) и концентрация креатинина (отношение шансов 1,03; 95% доверительный интервал 1,011–1,042; p <0,001), которые использовались для разработки модели многослойного перцептрона, обучавшейся на тестовой выборке в течение 500 эпох. После окончания обучения разработанная модель имела чувствительность 85%, специфичность 80%, диагностическую эффективность — 79,6%. AUC составила 0,900.

Заключение. В ходе исследования была разработана прогностическая модель на основе применения методов машинного обучения, обладающая хорошими показателями метрик, что позволяет рассматривать её в качестве вспомогательного средства в клинической практике.