Аннотация
Эпизоду острого коронарного синдрома чаще всего предшествует развитие системного и локального воспаления, играющего значимую роль в патогенезе заболевания. Общеклинический анализ крови, прямо или косвенно отражающий системные патологические процессы в организме пациента на основе количественной и морфологической оценки состава крови, является одним из наиболее доступных методов лабораторной диагностики в современном здравоохранении. Учитывая рост количества цифровых данных, получаемых врачами от аналитических систем, растёт потенциальная перспектива применения методов машинного обучения для увеличения эффективности предоставляемой диагностической информации в интересах пациента. Цель исследования — создать алгоритм стратификации риска развития инфаркта миокарда на основе принципов машинного обучения у пациентов с острым коронарным синдромом при первичном обследовании. Проведено проспективное пилотное исследование. Всего обследовано 307 пациентов с острым коронарным синдромом (169 мужчин и 138 женщин). Средний возраст пациентов составил 68,6±12,5 лет. Ретроспективно пациенты разделены на две группы: основная – пациенты с окончательным диагнозом «Инфаркт миокарда» и контрольная группа с диагнозом «Нестабильная стенокардия». Всем пациентам при госпитализации в стационар при первичном лабораторном обследовании наряду с исследованием концентрации сердечного тропонина I высокочувствительным методом производилось исследование общеклинического анализа крови на автоматическом гематологическом 5-diff анализаторе. В результате применения ансамблевого метода в качестве метода машинного обучения и искусственных нейронных сетей в качестве 6 независимых моделей ансамбля удалось достичь площади под ROC-кривой=0,77 на тестовой выборке при оценке качества стратификации пациентов. Учитывая объём обучающей выборки в 214 пациентов и результаты сходных исследований достигнутое качество стратификации можно считать приемлемым и перспективным для дальнейшего накопления базы данных с целью дополнительного обучения разработанного алгоритма и повышения характеристик точности прогноза заболевания.
Список литературы
1. Ibánez B., James S., Agewall S., Antunes M., Bucciarelli-Ducci C., Bueno H. et al. ESC Guidelines for the management of acute myocardial infarction in patients presenting with ST-segment elevation.
Eur. Heart J. 2017; 39 (2): 119-77.
2. Li P.W., Yu D.S. Recognition of atypical symptoms of acute myocardial infarction: development and validation of a risk scoring system. J. Cardiovasc. Nurs. 2017. 32 (2): 99-106.
3. Budzianowski J., Pieszko K., Burchardt, P., Rzeźniczak J., Hiczkiewicz J. The role of hematological indices in patients with acute coronary syndrome. Dis. Markers. 2017; 2017: 1-9.
4. Takubo T., Tatsumi N. Further evolution and leukocyte differential using an automated blood cell counter. Rinsho Byori. 1995; 43 (9): 925-30.
5. Chaudhury A., Noiret L., Higgins J. White blood cell population dynamics for risk stratification of acute coronary syndrome. Proc. Natl. Acad. Sci. USA. 2017; 114 (46): 12344-9.
6. Luo Y., Szolovits P., Dighe A.S., Baron J.M. Using Machine Learning to Predict Laboratory Test Results. Am. J. Clin. Pathol. 2016; 145 (6): 778-88.
7. Pieszko K., Hiczkiewicz J., Budzianowski P., Rzeźniczak J., Budzianowski J., Błaszczyński J. et al. Machine-learned models using hematological inflammation markers in the prediction of short-term acute
coronary syndrome outcomes. J. Transl. Med. 2018; 16 (1): 334.
8. Jordan M.I., Mitchell T.M. Machine learning: Trends, perspectives, and prospects. Science. 2015; 349 (6245): 255-60.
9. van Ginneken B. Fifty years of computer analysis in chest imaging: rule-based, machine learning, deep learning. Radiol. Phys. Technol. 2017; 10 (1): 23-32.
10. de Bruijne M. Machine learning approaches in medical image analysis: From detection to diagnosis. Med. Image. Anal. 2016; 33: 94-7.
11. Kerr W.T., Lau E.P., Owens G.E., Trefler A. The future of medical diagnostics: large digitized databases. Yale. J. Biol. Med. 2012; 85 (3): 363-77.
12. Kukar M., Kononenko I., Grošelj C. Modern parameterization and explanation techniques in diagnostic decision support system: a case study in diagnostics of coronary artery disease. Artif. Intell.
Med. 2011; 52 (2): 77-90.
13. Sajn L., Kukar M.. Image processing and machine learning for fully automated probabilistic evaluation of medical images. Comput. Methods Programs Biomed. 2011; 104 (3): e75-e86.
14. Esteva A., Kuprel B., Novoa R.A., Ko J., Swetter S.M., Blau H.M., Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017; 542 (7639): 115-8.
15. Langley P. Elements of machine learning. San Francisco, California: Morgan Kaufmann; 1996.
16. Rojas R. Neural networks: a systematic introduction. Berlin: Springer Science & Business Media; 2013.
17. Шакла Н. Машинное обучение и TensorFlow. СПб: Питер; 2019.
18. Open source machine learning library «Scikit-learn». Available at: https://scikit-learn.org/stable (accessed 20 March 2020).
19. Brownlee J. Better deep learning: train faster, reduce overfitting, and make better predictions. Machine Learning Mastery; 2018.
20. McDowell I. Measuring health: a guide to rating scales and questionnaires. New York: Oxford University Press; 2006.
21. melhart D.E., Hinton G.E., Williams R.J. Parallel distributed processing: Explorations in the microstructure of cognition. Vol. 1. In: Rumelhart D.E., McClelland J.L. and the PDP research group, eds. Learning Internal Representations by Error Propagation. Cambridge: Foundations; 1986.
22. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks. Adv. Neural. Inform. Process. Syst. 2012; 25 (2): 1097-05.
23. Gibson W.J., Nafee T., Travis R., Yee M., Kerneis M., Ohman M., Gibson C.M. Machine learning versus traditional risk stratification methods in acute coronary syndrome: a pooled randomized clinical
trial analysis. J. Thromb. Thrombolysis. 2020; 49 (1): 1-9.
24. Pieszko K., Hiczkiewicz J., Budzianowski P., et al. Predicting longterm mortality after acute coronary syndrome using machine learning techniques and hematological markers. Dis. Markers. 2019;
2019: 9056402.