Применение методов машинного обучения для персонализированной оценки риска летального исхода после операции аортокоронарного шунтирования

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.

1. Doenst T, Haverich A, Serruys P, et al. PCI and CABG for Treating Stable Coronary Artery Disease: JACC Review Topic of the Week. J Am Coll Cardiol. 2019;73(8):964–976.

2. Nashef SA, Roques F, Sharples LD et al. EuroSCORE II. Eur J Cardiothorac Surg. 2012;41:734–44.

3. Shahian DM, O’Brien SM, Filardo G, et al. The Society of Thoracic Surgeons 2008 cardiac surgery risk models: Part 1–coronary artery bypass grafting surgery. Ann Thorac Surg. 2009;88(1):S2–22.

4. Silverborn M, Nielsen S, Karlsson M. The performance of EuroSCORE II in CABG patients in relation to sex, age, and surgical risk: a nationwide study in 14,118 patients. J Cardiothorac Surg. 2023;18(1):40.

5. Shahian DM, Blackstone EH, Edwards FH, et al. STS workforce on evidence-based surgery. Cardiac surgery risk models: a position article. Ann Thorac Surg. 2004;78(5):1868–77.

6. Голухова Е.З., Керен М.А., Сигаев И.Ю. и др. Датасет размеченных данных пациентов со стабильной ИБС, перенесших реваскуляризацию миокарда (коронарное шунтирование и коронарное стентирование), предназначенный для обучения нейронной сети. Свидетельство о регистрации № 2022620223, 25.01.2022].

7. Голухова Е.З., Керен М.А., Завалихина Т.В. и др. Эффективность машинного обучения в прогнозировании ранней послеоперационной смерти после операции коронарного шунтирования. Креативная кардиология. 2023;17(1):77–93].

8. Penny-Dimri JC, Bergmeir C, Perry L, et al. Machine learning to predict adverse outcomes after cardiac surgery: A systematic review and meta-analysis. J Card Surg. 2022;37 (11):3838–3845.

9. Benedetto U, Dimagli A, Sinha S, et al. Machine learning improves mortality risk prediction after cardiac surgery: Systematic review and meta-analysis. J Thorac Cardiovasc Surg. 2022;163(6):2075–2087.

10. Голухова Е.З., Керен М.А., Завалихина Т.В. и др. Возможности методов машинного обучения в стратификации операционного риска у больных ишемической болезнью сердца, направляемых на коронарное шунтирование. Российский кардиологический журнал. 2023;28(2):102–109.