В.Ю. Соболева – программист-статистик I, ООО «Парексель Интернэшнл (Рус)» (Москва);  магистр, кафедра медико-технических информационных технологий (БМТ-2), МГТУ им. Н.Э. Баумана

E-mail: vitalina.soboleva@yandex.ru

А.И. Малахов – к.т.н., доцент, кафедра медико-технических информационных технологий (БМТ-2),  МГТУ им. Н.Э. Баумана

E-mail: aimalakhov@bmstu.ru

В.Ю. Каплунова – д.м.н., гл. науч. сотрудник, НИО «Метаболический синдром» НИЦ, 

кафедра госпитальной терапии № 1, лечебный факультет, Первый МГМУ им. И.М. Сеченова (Москва)

E-mail: kaplunovavy@mail.ru

А.М. Левандо – инженер-программист, ООО «Битроботикс» (Москва); 

магистр, кафедра медико-технических информационных технологий (БМТ-2), МГТУ им. Н.Э. Баумана

E-mail: anton-leva@yandex.ru

М.С. Шматкова – аналитик, ООО «Вента гранде» (Москва); магистр, 

кафедра медико-технических информационных технологий (БМТ-2), МГТУ им. Н.Э. Баумана

E-mail: shmatkova.maria@gmail.com

Постановка проблемы. По прогнозам Всемирной Организации Здравоохранения (ВОЗ), в 2030 г. от сердечнососудистых заболеваний (ССЗ), в основном от болезней сердца и инсульта, умрет примерно 23,6 млн человек. По данным ВОЗ, эти болезни останутся основными отдельными причинами смерти. На сегодняшний день ССЗ – основная причина смерти во всем мире. Диагностика и своевременное начало лечения ССЗ являются важнейшими задачами в клинической практике. Повысить эффективности и качество диагностики и лечения помогает применение медицинскими работниками моделей прогнозирования и классификации. Цель создания точной модели состоит в том, чтобы как можно раньше и точнее оценить риски осложнений у пациентов и подобрать индивидуальный план лечения для повышения качества медицинской помощи. Модели прогнозирования не заменяют клиническую экспертизу, однако, могут предоставить обоснованные данные о риске развития заболеваний у человека и избежать некоторых распространенных ошибок, наблюдаемых при принятии клинических решений.

Цель работы – разработка модели классификации типа заболевания сердца пациента с возможностью выявления гипертрофической кардиомиопатии (ГКМП) на основе анализа параметров фазовой структуры деятельности отделов сердца, полученных с помощью метода прекардиального электроимпедансного исследования сердца.

Результаты. Модель классификации разработана на основе базы данных результатов исследования сердца, полученной в ходе проведения ряда исследований прекардиальной реографии. Данные были получены в период с 2016 по 2019 гг. у пациентов кардиологического отделения Университетской клинической больницы №1 Первого МГМУ имени И. М. Сеченова. Общее число исследуемых – 47 человек. Средний возраст пациентов – 60 ± 10 лет. Исследуемое заболевание – гипертрофическая кардиомиопатия. В ходе исследования оценивались следующие параметры: период подготовки предсердий к механическому сокращению (APEP), период механического сокращения предсердий (AET), период предызгнания желудочков (PEP), период изгнания желудочков (RVET). В имеющейся выборке данных у пациентов присутствовали разные заболевания, подтвержденные клинически: у 38% пациентов – ГКМП, 12% – ишемическая болезнь сердца (ИБС),  6% – фибрилляция предсердий, 4% – сердечная недостаточность, 6% – поражение аортального клапана, 12% – стенокардия, 11% – тахикардия, 11% – поражение митрального клапана. 

В ходе исследования для классификации были выбраны методы логистической регрессии и k ближайших соседей. 

Тест отношения правдоподобия показал, что на имеющейся базе данных для предсказания ГКМП наиболее значимым является параметр времени механического сокращения предсердий – AET. Одной из основных причин повышенного значения периода АЕТ у пациентов с ГКМП является то, что при данном заболевании градиент давления в области аорты превышает 50 мм рт. ст., что превышает допустимую норму не менее чем на 25 %.

При сравнении моделей логистической регрессии и метода k ближайших соседей при оценке специфичности и точности выявлено, что модель логистической регрессии является более предпочтительной в рассматриваемом случае, однако, необходимо провести проверку на выборке данных большего размера.

Практическая значимость. Параметр AET следует использовать в моделях прогнозирования, основанных на более широком спектре предикторов, включающих различные виды исследования и анализа работы сердечно-сосудистой системы. Модель логистической регрессии может быть применена к выборке большего размера и к большему количеству предикторов для достижения более высокой чувствительности. 

1. Hypertrophic Cardiomyopathy. Rick A. Nishimura, MD, Steve R. Ommen, MD, and A.J. Tajik, MD, 2004 [Электронный ресурс]. Режим доступа: https://www.researchgate.net/publication/8581547_Hypertrophic_cardiomyopathy (25.11.2019).
2. Malakhov A.I., Tikhomirov A.N., Shchukin S.I., Kaplunova V.Y., Markova N.Y., Kozlova N.V. Algorithm for detecting HCM signs based on the precordial rheocardial signals analysis // AIP Conference Proceedings 2140, 020042 (2019); https://doi.org/10.1063/1.5121967.
3. Гипертрофическая кардиомиопатия. Клинические рекомендации. [Электронный ресурс]. Режим доступа: https://scardio.ru/content/activities/2019/guide/КР_ГКМП_2019.pdf (10.04.2019).
4. Малахов А.И. Биотехническая система многоканальных электроимпедансных исследований фазовой структуры деятельности сердца: Дис. … канд. техн. наук. М. 2018. 127 с.
5. Maren E., Shipe1, Stephen A. Deppen1, Farhood Farjah, Eric L. Grogan. Developing prediction models for clinical use using logistic regression: an overview. [Электронный ресурс]. Режим доступа: https://www.ncbi.nlm.nih.gov/pubmed/31032076 (01.03.2020).
6. Jenni A. M., Chris J. Machine learning in medicine: a practical introduction. [Электронный ресурс]. Режим доступа: https://bmcmedresmethodol.biomedcentral.com/articles/10.1186/s12874-019-0681-4 (20.04.2019).
7. Generalized Linear Models in R Part 2: Understanding Model Fit in Logistic Regression Output. [Электронный ресурс].  Режим доступа: https://www.theanalysisfactor.com/r-glm-model-fit/ (05.04.2020).
8. David W. Hosmer, Jr., Stanley Lemeshow, Rodney X. Sturdivant, Applied Logistic Regression. Second Edition. John Wiley & Sons. 2013. 528 p. 
9. Shahadat Uddin, Arif Khan, Md Ekramul Hossain, Mohammad Ali Moni. Comparing different supervised machine learning algorithms for disease prediction. [Электронный ресурс]. Режим доступа: https://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/s12911019-1004-8 (12.04.2019).