Ишемическая болезнь сердца (ИБС) остается одной из ведущих причин смертности во всем мире. Перспективной является стратегия раннего выявления пациентов высокого риска атеросклероза коронарных артерий (АКА) с применением методов машинного обучения (МО) для разработки предиктивных моделей ИБС. Цель исследования: изучение связи сывороточных концентраций комплекса лабораторных маркеров с выраженностью атеросклеротического поражения у пациентов с ИБС с помо щью разработки и оптимизации модели МО. Материал и методы. В исследование включены 220 пациентов с подтвержденной ИБС (по данным коронароангиографии с расчетом SYNTAX Score). Оценивались уровни следующих биомаркеров: СРБ, ФНО-α, ESM-1, sEng, Bcl2, Bax, p53, TRAIL, GDF-15, NRG1. Для прогнозирования выраженности АКА тестировались различные модели машинного обучения. Построение выполнялось с использованием программного обеспечения Statistica (Statsoft, Inc., США) с использованием модуля Automated Neural Networks. Результаты. Наилучшая точность прогнозирования продемонстрирована моделью многослойного персептрона (MLP) 12-5-3 (точность обучения - 98,71%, точность тестирования - 93,75 %, оценка валидации - 93,75 %). Анализ чувствительности показал, что наиболее значимыми предикторами выраженного и тяжелого атеросклероза являются GDF-15, p53, Bcl2/Bax и ESM-1. Обсуждение. Полученные результаты подтверждают эффективность MLP в диагностике АКА, позволяя учитывать нелинейные взаимодействия биомаркеров, что недоступно при использовании традиционных статистических методов. Использование в модели биомаркеров, характерных для ключевых аспектов патогенеза атеросклероза позволило достичь более высокой точности классификации, оценить значимость каждого из показателей в контексте точности прогноза. Заключение. Методы МО, в частности MLP, могут быть эффективным инструментом для прогнозирования выраженности АКА. Будущие исследования будут направлены на увеличение объема данных, тестирование модели на разнородных когортах пациентов и оптимизацию ее параметров.
ишемическая болезнь сердца, атеросклероз коронарных артерий, биомаркеры, искусственные нейронные сети, машинное обучение, многослойный персептрон, прогнозирование риска, апоптоз, воспаление
1. Federal State Statistics Service. official statistics. Healthcare in Russia, 2023. URL: https://rosstat.gov.ru/storage/mediabank/Zdravoohran-2023. pdf (Accessed February 24, 2025). (In Russ.).
2. World Health Organization. World Health Statistics 2016. URL: https://www.who.int/ publications/i/item/9789241565264 (Accessed February 24, 2025).
3. Haruna A. A., Muhammad L. J., Yahaya B. Z., Garba E. J., Oye N. D., Jung L. T. An improved C4.5 data mining driven algorithm for the diagnosis of coronary artery disease. 2019 International Conference on Digitization (ICD);
4. Ravi D., Wong C., Deligianni F., et al. Deep Learning for Health Informatics. IEEE J Biomed Health Inform. 2017;21(1):4-21. doihttps://doi.org/10.1109/JBHI.2016.2636665
5. Battineni G., Sagaro G.G., Chinatalapudi N., Amenta F. Applications of Machine Learning Predictive Models in the Chronic Disease Diagnosis. Journal of Personalized Medicine. 2020;10(2):21. doihttps://doi.org/10.3390/jpm10020021.
6. Onishchenko P. S., Klyshnikov K. U., Ovcharenko E. A. Artificial Neural Networks in Cardiology: Analysis of Numerical and Text Data Mathematical Biology and Bioinformatics 2020;15(1):40-56. (In Russ.).
7. Sun X., Yin Y., Yang Q., et al. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic perspectives. Eur J Med Res. 2023;28(1):242. doihttps://doi.org/10.1186/s40001-023-01065-y.
8. Krittanawong C., Virk H.U.H, Bangalore S., et al. Machine learning prediction in cardiovascular diseases: a meta-analysis. Sci Rep. 2020;10(1):16057. doihttps://doi.org/10.1038/s41598-020-72685-1.
9. Mohd Faizal A. S., Thevarajah T. M., Khor S. M., Chang S. W. A review of risk prediction models in cardiovascular disease: conventional approach vs. artificial intelligent approach. Comput Methods Programs Biomed. 2021
10. Dipto I., Islam T., Rahman H., Rahman M. Comparison of different machine learning algorithms for the prediction of coronary artery disease. J Data Anal Inf Process. 2020;8(2):41-68. doi:10.4236/ jdaip.2020.82003.
11. Kurt I., Ture M., Kurum A.T. Comparing performances of logistic regression, classification and regression tree, and neural networks for predicting coronary artery disease. Expert Syst Appl. 2008;34(1):366-374.
12. Zakharyan E. A., Gritskevich O. Yu., Ibragimova R. E., Grigoriev P. E. Correlation of Serum Endocan Level With Apoptosis Indicators and Severity of Atherosclerotic Lesions of Coronary Arteries in Patients With Coronary
13. Zakharyan E. A. Interrelation of growth/ differentiation factor-15 level with laboratory and clinical and functional parameters of patients with coronary artery disease. Cardiovascular Therapy and Prevention. 2023;22(5):3549.
14. Zakharyan E. A., Fomochkina I. I. Relationship between apoptosis markers and the severity of coronary atherosclerosis and clinical and paraclinical characteristics of patients with coronary artery disease. Russian Journal of
15. Vadlamudi A., Talasila S., Althaph B., Challa N.P., Vadlamudi G.A. Optimizing Multilayer Perceptron classifiers for predictive heart disease diagnosis: A hyperparameter tuning approach. 2024 8th International Conference on
16. Gavrilov D. V., Serova L. M., Korsakov I. N., et al. Cardiovascular diseases prediction by integrated risk factors assessment by means of machine learning. The Doctor. 2020;31(5):41-6. doihttps://doi.org/10.29296/25877305-2020-05-08.
17. Atkov O. Y., Gorokhova S. G., Sboev A. G., et al. Coronary heart disease diagnosis by artificial neural networks including genetic polymorphisms and clinical parameters. J Cardiol. 2012;59(2):190194.
