Прогнозирование наличия субклинического каротидного атеросклероза у пациентов с избыточным весом и ожирением при помощи модели машинного обучения

Прогнозирование наличия субклинического каротидного атеросклероза у пациентов с избыточным весом и ожирением при помощи модели машинного обучения

Аннотация

Цель. Разработать модель прогнозирования наличия субклинического каротидного атеросклероза (СКА) с целью уточнения сердечно-сосудистого риска (ССР) при помощи методов машинного обучения у пациентов с избыточным весом и ожирением без артериальной гипертензии, сахарного диабета и/или сердечно-сосудистых заболеваний (ССЗ).

Материал и методы. Использована база обезличенных данных (БД) Webiomed (2,9 млн пациентов). Критерии включения: возраст ?18 лет, индекс массы тела ?25 кг/м2, наличие результатов выполненного ультразвукового исследования брахиоцефальных артерий (БЦА). Исключались из анализа пациенты с артериальной гипертензией, сахарным диабетом и/или ССЗ. Отобраны данные о 5750 пациентах, из которых атеросклеротические бляшки БЦА выявлены у 385 человек. Окончательный набор данных (НД) содержал сведения о 447 пациентах, у 197 (44,1%) из них был выявлен СКА. Количественные и категориальные признаки для обучения модели взяты с заполненностью в БД ?40%, число окончательных признаков для машинного обучения составило 28. При создании модели использовались 3 алгоритма Random Forest, AdaBoostClassifier, KNeighborsClassifier и библиотека Scikit-learn. Для улучшения работоспособности модели применялась функция заполнения пропущенных значений. Целевыми параметрами модели были заданы предсказательная прогнозная способность (accuracy) не ниже 75%, площадь под ROC-кривой не <0,75.

Результаты. Полученный НД был разделен на тренировочную и тестовую части в соотношении 80:20. В зависимости от примененных алгоритмов обученная модель характеризуется предсказательной способностью 75-97%, чувствительностью 77-92%, специфичностью 80-98%, площадью под ROC-кривой 0,88-0,97. С учетом метрик точности лучшие результаты были получены для модели, обученной алгоритмом Random Forest (95%, 92%, 98% и 0,95, соответственно).

Заключение. Разработанная модель может помочь врачу принимать решение о направлении пациента с избыточным весом и ожирением без ССЗ на ультразвуковое исследование БЦА, что способствует более точной стратификации ССР. Внедрение в практику таких алгоритмов риск-стратификации позволит увеличить точность и качество прогнозирования ССР и оптимизировать систему проводимых профилактических мероприятий.

Источник: russjcardiol.elpub.ru

Комментарии: