СРАВНЕНИЕ ЭФФЕКТИВНОСТИ ТРАДИЦИОННЫХ ШКАЛ СЕРДЕЧНО- СОСУДИСТОГО РИСКА НА ПРИМЕРЕ SCORE И FRAMINGHAM И ТЕХНОЛОГИЙ МАШИННОГО ОБУЧЕНИЯ

Цель. Сравнить прогностические возможности шкалы SCORE, Фрамингемского алгоритма и одного из методов машинного обучения на базе данных исследования «ИНТЕРЭПИД».

Материал и методы. Работа была выполнена на данных международного проспективного исследования «ИНТЕРЭПИД», проведенного в 2011-2016 гг., n=2392. Конечные точки: случаи развития ишемической болезни сердца и острого нарушения мозгового кровообращения n=253 (24,1%) для Самары и n=280 (20,9%) для Кыргызской республики, всего n=533 (22,5%). В качестве алгоритмов машинного обучения использовали: ExtraTrees Classifier для Самарской когорты; Gradient Boosting Classifier для Кыргызской когорты и для всей когорты «ИНТЕРЭПИД». Для сравнения использовали шкалу SCORE и Фрамингемскую шкалу.

Результаты. Для Самарской когорты лучший AUC у ExtraTrees Classifier – 0,609, для Кыргызской когорты у Фрамингемской шкалы AUC – 0,828, для всей когорты у Gradient Boosting Classifier AUC – 0,766.

Выводы. По результатам данного исследования можно сказать, что качество детерминации по уровню сердечно-сосудистого риска в большинстве случаев лучше при использовании алгоритмов машинного обучения, однако в некоторых случаях наблюдались противоречивые данные. При этом в обоих случаях в первую очередь следует обращать внимание на качество выборки, на основании которой строилась математическая модель, и методы валидации.

МИШКИН И.А., КОНЦЕВАЯ А.В., ГУСЕВ А.В., САХАРОВ А.А., ДРАПКИНА О.М.