Голухова Елена Зеликовна, академик РАН, директор,
121552, Москва, Рублевское шоссе, д. 135.
Golukhova Elena Z., Academician of the Russian Academy of Sciences, Director,
135, Rublevskoe shosse, Moscow, 121552.
Керен Милена Абрековна, д.м.н., старший научный сотрудник отделения хирургии сочетанных заболеваний коронарных и магистральных артерий,
121552, Москва, Рублевское шоссе, д. 135.
Keren Milena A., MD, Senior Researcher at the Department of Surgery of Combined Diseases of the Coronary and Main Arteries,
135, Rublevskoe shosse, Moscow, 121552.
Завалихина Татьяна Владимировна, к.м.н., заместитель главного врача по амбулаторно-клинической работе ИКХ им. В. И. Бураковского,
121552, Москва, Рублевское шоссе, д. 135.
Zavalikhina Tatiana V., PhD, Deputy Chief Physician for Outpatient Clinical Work of the V. I. Burakovsky ICH,
135, Rublevskoe shosse, Moscow, 121552.
Булаева Наида Ибадулаевна, к.б.н., заведующая отделом координации и сопровождения научно-исследовательской деятельности и проведения тематических мероприятий,
121552, Москва, Рублевское шоссе, д. 135.
Bulaeva Naida I., Candidate of Biological Sciences, Head of the Department of Coordination and Support of Research Activities and Thematic Events,
Moscow.
Сигаев Игорь Юрьевич, д.м.н., профессор, заведующий отделением хирургии сочетанных заболеваний коронарных и магистральных артерий,
121552, Москва, Рублевское шоссе, д. 135.
Sigaev Igor Yu., Doctor of Medical Sciences, Professor, Head of the Department of Surgery of Combined Diseases of the Coronary and Main Arteries,
135, Rublevskoe shosse, Moscow, 121552.
Мерзляков Вадим Юрьевич, д.м.н., заведующий отделением хирургического лечения ишемической болезни сердца и малоинвазивной коронарной хирургии,
121552, Москва, Рублевское шоссе, д. 135.
Merzlyakov Vadim Yu., MD, Head of the Department of Surgical Treatment of Coronary Heart Disease and Minimally Invasive Coronary Surgery,
135, Rublevskoe shosse, Moscow, 121552.
Алшибая Михаил Дурмишханович, д.м.н., профессор, заведующий отделением хирургического лечения ишемической болезни сердца,
121552, Москва, Рублевское шоссе, д. 135.
Alsibaya Mikhail D., MD, Professor, Head of the Department of Surgical Treatment of Coronary Heart Disease,
135, Rublevskoe shosse, Moscow, 121552.
Актуальность. Стремление к улучшению и оптимизации результатов хирургического лечения ишемической болезни сердца (ИБС), наряду с наблюдаемой интеграцией в здравоохранение методов искусственного интеллекта, создает предпосылки для изучения возможностей методов машинного обучения для прогнозирования неблагоприятных исходов после кардиохирургических вмешательств. Целью нашего исследования являлась оценка и сравнение точности прогнозирования смерти после операции АКШ с помощью методов машинного обучения и рекомендованной к применению шкалы оценки кардиохирургического риска EuroSCORE 2. Материалы и методы. На основании анализа обезличенных медицинских данных об исходах операции аортокоронарного шунтирования у 2 826 больных ИБС (выжившие — 2 785, умершие — 41), с помощью методов машинного обучения (логистическая регрессия (ЛР), LightGBM, XGBoost, CatBoost, бустинговая модель) были разработаны прогностические модели, оценивающие риск внутригоспитальной смерти после вмешательства. Эффективность прогнозирования полученных моделей была сравнена с результатами прогнозирования шкалы EuroSCORE 2. Для оценки производительности моделей использовались метрики, рекомендованные при анализе несбалансированных данных: точность, полнота, специфичность, F1-мера, ROC-AUC. Результаты. Модель, разработанная с помощью ЛР, обладала максимальной полнотой (0,88), однако при этом значительно завышала риск смерти (точность — 0,03). F1-мера для модели ЛР составила 0,06, ROC AUC — 0,77. Модели градиентного бустинга (LightGBM, XGBoost, CatBoost), в сравнении с ЛР, обладали более высокими показателями полноты, точности, специфичности, F1-меры и AUC. При этом наилучшие метрики качества наблюдались у бустинговой модели (БМ), которая объединяла в себе ЛР и модели градиентного бустинга. Показатели эффективности БМ: точность — 0,67, полнота — 0,50, F1-мера — 0,57, специфичность — 1,0, ROC-AUC — 0,85. Модель риска EuroSCORE 2 показала крайне низкую эффективность в прогнозировании смерти на исследуемой выборке: точность — 0,143, полнота — 0,125, F1-мера — 0,133, специфичность — 0,97, ROC-AUC — 0,47. Заключение. Методы машинного обучения (ММО) перспективны в прогнозной аналитике в кардиохирургии. В нашем исследовании прогностические модели на основе ММО показали преимущество в точности расчета риска госпитальной смерти после КШ в сравнении с классической моделью EuroSCORE 2. Для получения оптимальной модели риска, адаптированной к условиям применения в РФ, необходимы широкомасштабные многоцентровые исследования.
Relevance. The desire to improve and optimize the results of surgical treatment of coronary heart disease (CHD), along with the observed integration of artificial intelligence methods into healthcare, creates prerequisites for exploring the possibilities of machine learning meth Relevance. The desire to improve and optimize the results of surgical treatment of coronary heart disease (CHD), along with the observed integration of artificial intelligence methods into healthcare, creates prerequisites for exploring the possibilities of machine learning methods for predicting adverse outcomes after cardiac surgery. The purpose of our study was to evaluate and compare the accuracy of predicting death after CABG surgery using machine learning methods and the recommended cardiac risk assessment scale EuroSCORE 2. Materials and methods. Based on the analysis of depersonalized medical data on the outcomes of coronary artery bypass surgery in 2,826 patients with coronary artery disease (survivors — 2,785, deceased — 41), using machine learning methods (logistic regression (LR), LightGBM, XGBoost, CatBoost, boosting model), prognostic models were developed that assess the risk of intrahospital death after intervention. The forecasting efficiency of the obtained models was compared with the forecasting results of the EuroSCORE 2 scale. To evaluate the performance of the models, the metrics recommended for the analysis of unbalanced data were used: precision, recall, specificity, F1-measure, ROC-AUC. Results. The model developed with the help of LR had the maximum recall (0.88), but at the same time significantly overestimated the risk of death (precision — 0.03). F1-measure for the LR model was 0.06, ROC AUC — 0.77. Gradient boosting models (LightGBM, XGBoost, CatBoost), in comparison with LR, had higher indicators of precision, recall, specificity, F1-measures and AUC. At the same time, the best quality metrics were observed in the boosting model (BM), which combined LR and gradient boosting models. BM performance indicators: precision — 0.67, recall – 0,50, F1-measure — 0.57, specificity — 1.0, ROC-AUC — 0.85. The EuroSCORE 2 risk model showed extremely low efficiency in predicting death in the study sample: precision — 0.143, recall — 0.125, F1-measure — 0.133, specificity — 0.97, ROC-AUC — 0.47. Conclusion. Machine learning (ML) methods are promising in predictive analytics in cardiac surgery. In our study, predictive models based on ML showed an advantage in the accuracy of calculating the risk of hospital death after CABG in comparison with the classic EuroSCORE 2 model. To obtain an optimal risk model adapted to the conditions of application in the Russian Federation, largescale multicenter studies are needed.
The authors declare that there are no conflicts of interest present.