Учёные из Сыктывкарского госуниверситета имени Питирима Сорокина вместе с коллегами разработали систему, которая оценивает риск смерти у пациентов с острым коронарным синдромом (ОКС). В основе решения лежат методы машинного обучения. По результатам исследования модель показала более высокую точность по сравнению с традиционной шкалой GRACE.
Для анализа использовали данные более чем 14 тысяч пациентов, однако в итоговую выборку включили сведения о 13,3 тысячи человек. Алгоритм опирался на 28 клинических параметров: среди них возраст, показатели гемодинамики и лабораторные данные. Самые точные результаты показала ансамблевая модель CatBoost. Её прогностическая способность (AUC-ROC) достигла 0,961, тогда как у шкалы GRACE этот показатель составляет 0,919.
Отдельное внимание исследователи уделили интерпретируемости модели. С помощью метода SHAP они определили ключевые факторы, влияющие на прогноз: фракцию выброса левого желудочка, класс сердечной недостаточности и уровень артериального давления. Анализ также выявил скрытые нелинейные закономерности. При этом авторы подчёркивают, что говорить о широком клиническом внедрении пока рано, следующим шагом должны стать мультицентровые клинические исследования.
Ключевые факты
Учёные из Сыктывкарского госуниверситета имени Питирима Сорокина разработали систему прогнозирования риска смерти при остром коронарном синдроме на основе машинного обучения.
Для анализа использованы данные более 14 тысяч пациентов, при этом в финальное исследование вошли сведения о 13,3 тысячи человек.
Алгоритм учитывал 28 клинических параметров, включая возраст, показатели гемодинамики и лабораторные данные.
Ансамблевая модель CatBoost показала AUC-ROC 0,961 против 0,919 у шкалы GRACE.