Preview

Кардиология

Расширенный поиск
Доступ открыт Открытый доступ  Доступ закрыт Доступ платный или только для Подписчиков

Методы машинного обучения в оценке рисков поражения органов-мишеней при «маскированной» артериальной гипертензии

https://doi.org/10.18087/cardio.2020.5.n883

Полный текст:

Аннотация

Цель Разработка моделей прогнозирования рисков поражения органов-мишеней (ПОМ) при различных фенотипах «маскированной» артериальной гипертензии (МАГ) на основе методов машинного обучения (МО).
Материал и методы Проведен когортный ретроспективный анализ 284 историй болезни пациентов (261 мужчина, 23 женщины), медиана возраста 38 лет. В 1 ю группу вошли 125 больных артериальной гипертензией (АГ) 1–2 й степени с низким и умеренным риском, во 2 ю – 159 лиц с нормальным уровнем «офисного» артериального давления (АД), подвергавшихся хроническому воздействию профессиональных стрессоров. Проводили суточное мониторирование АД (СМАД), ультразвуковое исследование сердца и сонных артерий, определяли скорость клубочковой фильтрации (СКФ) с помощью формулы СКD-EPI. Фенотипирование МАГ осуществляли путем кластеризации данных СМАД, а прогнозирование рисков ПОМ – с помощью анализа отношения шансов (ОШ) и методов МО: случайный лес (СЛ) и искусственные нейронные сети (ИНС). Обработку данных выполняли на языке R в среде RStudio.
Результаты По данным СМАД и кластерного анализа у 121 (76,1 %) обследованного лица 2 й группы была диагностирована МАГ и верифицированы ее фенотипы: систолодиастолический – СДМАГ (43,8 %), изолированный систолический – ИСМАГ (35,5 %) и изолированный диастолический – ИДМАГ (20,7 %). По сравнению с устойчивой АГ у лиц с различными фенотипами МАГ выявлены как превышение, так и снижение отдельных показателей СМАД. Так, у лиц с ИДМАГ средние уровни систолического и диастолического АД в течение суток были достоверно ниже, чем при АГ, а при СДМАГ – значительно выше. Анализ ОШ демонстрировал, что вероятность ПОМ различной локализации ассоциировалась с определенными фенотипами МАГ. При этом ИСМАГ характеризовалась максимальным риском гломерулярной гиперфильтрации, ИДМАГ – снижением СКФ и сосудистым ремоделированием, СДМАГ – гипертрофией миокарда левого желудочка. Разработанные модели прогнозирования рисков ПОМ на основе методов СЛ и ИНС показали высокую точность, которая обеспечивалась многоступенчатыми процедурами отбора предикторов и перекрестной проверки.
Заключение Современные технологии МО позволяют совершенствовать риск-стратификацию больных с различными клиническими вариантами АГ.

 

Об авторах

Б. И. Гельцер
ФГАОУ ВО «Дальневосточный федеральный университет», Школа биомедицины, Владивосток, Россия
Россия
Директор департамента клинической медицины Школы биомедицины


К. И. Шахгельдян
ФГАОУ ВО «Дальневосточный федеральный университет», Школа биомедицины, Владивосток, Россия, ФГБОУ ВО «Владивостокский государственный университет экономики и сервиса», «Институт информационных технологий», Владивосток, Россия
Россия
директор института информационных технологий


Д. А. Назаров
ФГБУН «Институт автоматики и процессов управления» ДВО РАН, Владивосток, Россия
Россия
Лаборатория управления надежностью сложных систем
научный сотрудник


О. В. Ветрова
ФГАОУ ВО «Дальневосточный федеральный университет», Школа биомедицины, Владивосток, Россия
Россия
аспирант Департамента клинической медицины Школы биомедицины


В. Н. Котельников
ФГАОУ ВО «Дальневосточный федеральный университет», Школа биомедицины, Владивосток, Россия
Россия

профессор департамента клинической медицины Школы биомедицины



Р. С. Карпов
ФГБНУ «Томский национальный исследовательский медицинский центр» РАН, «Научно-исследовательский
Россия
Научный руководитель


Список литературы

1. Гельцер Б.И., Котельников В.Н., Ветрова О.О., Карпов Р.С. Маскированная артериальная гипертензия: распространенность, патофизиологические детерминанты и клиническое значение. Российский кардиологический журнал. 2019;24(9):92-8]. DOI: 10.15829/1560-4071-2019-9-92-98

2. Pickering TG, Eguchi K, Kario K. Masked Hypertension: A Review. Hypertension Research. 2007;30(6):479–88. DOI: 10.1291/hypres.30.479

3. Booth JN, Muntner P, Diaz KM, Viera AJ, Bello NA, Schwartz JE et al. Evaluation of Criteria to Detect Masked Hypertension. The Journal of Clinical Hypertension. 2016;18(11):1086–94. DOI: 10.1111/jch.12830

4. Peacock J, Diaz KM, Viera AJ, Schwartz JE, Shimbo D. Unmasking masked hypertension: prevalence, clinical implications, diagnosis, correlates and future directions. Journal of Human Hypertension. 2014;28(9):521–8. DOI: 10.1038/jhh.2014.9

5. Tientcheu D, Ayers C, Das SR, McGuire DK, de Lemos JA, Khera A et al. Target Organ Complications and Cardiovascular Events Associated With Masked Hypertension and White-Coat Hypertension. Journal of the American College of Cardiology. 2015;66(20):2159–69. DOI: 10.1016/j.jacc.2015.09.007

6. Hänninen M-RA, Niiranen TJ, Puukka PJ, Kesäniemi YA, Kähönen M, Jula AM. Target organ damage and masked hypertension in the general population: the Finn-Home study. Journal of Hypertension. 2013;31(6):1136–43. DOI: 10.1097/HJH.0b013e32835fa5dc

7. Manios E, Michas F, Stamatelopoulos K, Koroboki E, Stellos K, Tsouma I et al. Association of Isolated Systolic, Isolated Diastolic, and Systolic- Diastolic Masked Hypertension With Carotid Artery Intima-Media Thickness. The Journal of Clinical Hypertension. 2015;17(1):22– 6. DOI: 10.1111/jch.12430

8. Sharman JE, Hare JL, Thomas S, Davies JE, Leano R, Jenkins C et al. Association of Masked Hypertension and Left Ventricular Remodeling With the Hypertensive Response to Exercise. American Journal of Hypertension. 2011;24(8):898–903. DOI: 10.1038/ajh.2011.75

9. Williams B, Mancia G, Spiering W, Agabiti Rosei E, Azizi M, Burnier M et al. 2018 ESC/ESH Guidelines for the management of arterial hypertension. European Heart Journal. 2018;39(33):3021–104. DOI: 10.1093/eurheartj/ehy339

10. Ситкова Е.С., Мордовин В.Ф., Пекарский С.Е., Рипп Т.М., Фальковская А.Ю., Рябова Т.Р. и др. Вариабельность артериального давления как фактор лучшей кардиопротективной эффективности ренальной денервации. Сибирский медицинский журнал (г. Томск). 2018;33(2):9-15]. DOI: 10.29001/2073-8552-2018-33-2-9-15

11. McInnes L, Healy J, Saul N, Großberger L. UMAP: Uniform Manifold Approximation and Projection. Journal of Open Source Software. 2018;3(29):861. DOI: 10.21105/joss.00861

12. Campello RJGB, Moulavi D, Sander J. Density-Based Clustering Based on Hierarchical Density Estimates. In: Advances in Knowledge Discovery and Data Mining. Series Title: Lecture Notes in Computer Science. Pei J, Tseng VS, Cao L, Motoda H, Xu G, editors -Berlin, Heidelberg: Springer Berlin Heidelberg; 2013. - P. 160-172. DOI: 10.1007/978-3-642-37456-2_14

13. Günther F, Fritsch S. neuralnet: Training of Neural Networks. The R Journal. 2010;2(1):30–8. DOI: 10.32614/RJ-2010-006

14. Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial Intelligence in Precision Cardiovascular Medicine. Journal of the American College of Cardiology. 2017;69(21):2657–64. DOI: 10.1016/j.jacc.2017.03.571

15. Motwani M, Dey D, Berman DS, Germano G, Achenbach S, Al- Mallah MH et al. Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease: a 5-year multicentre prospective registry analysis. European Heart Journal. 2016;38(7):500–7. DOI: 10.1093/eurheartj/ehw188

16. Guidi G, Pettenati MC, Melillo P, Iadanza E. A Machine Learning System to Improve Heart Failure Patient Assistance. IEEE Journal of Biomedical and Health Informatics. 2014;18(6):1750–6. DOI: 10.1109/JBHI.2014.2337752


Для цитирования:


Гельцер Б.И., Шахгельдян К.И., Назаров Д.А., Ветрова О.В., Котельников В.Н., Карпов Р.С. Методы машинного обучения в оценке рисков поражения органов-мишеней при «маскированной» артериальной гипертензии. Кардиология. 2020;60(5):107–114. https://doi.org/10.18087/cardio.2020.5.n883

For citation:


Geltser B.I., Shakhgeldyan K.I., Nazarov D.A., Vetrova O.О., Kotelnikov V.N., Karpov R.S. Machine Learning Methods in Assessing the Risks of Target Organ Damage in Masked Hypertension. Kardiologiia. 2020;60(5):107–114. (In Russ.) https://doi.org/10.18087/cardio.2020.5.n883

Просмотров: 464


ISSN 0022-9040 (Print)
ISSN 2412-5660 (Online)