младший научный сотрудник лаборатории рентгенэндоваскулярной хирургии Научно-исследовательского института кардиологии – филиала Федерального государственного бюджетного научного учреждения «Томский национальный исследовательский медицинский центр Российской академии наук», Томск, Российская Федерация
Junior Researcher at the Laboratory of Image-guided Endovascular Surgery, Cardiology Research Institute, a branch of the Federal State Budgetary Institution “Tomsk National Research Medical Center” of the Russian Academy of Sciences, Tomsk, Russian Federation
доктор медицинских наук ведущий научный сотрудник лаборатории рентгенэндоваскулярной хирургии Научно-исследовательского института кардиологии – филиала Федерального государственного бюджетного научного учреждения «Томский национальный исследовательский медицинский центр Российской академии наук», Томск, Российская Федерация
PhD, Leading Researcher at the Laboratory of Image-guided Endovascular Surgery, Cardiology Research Institute, a branch of the Federal State Budgetary Institution “Tomsk National Research Medical Center” of the Russian Academy of Sciences, Tomsk, Russian Federation
кандидат медицинских наук заведующий лабораторией рентгенэндоваскулярных диагностики и лечения Научно-исследовательского института кардиологии – филиала Федерального государственного бюджетного научного учреждения «Томский национальный исследовательский медицинский центр Российской академии наук», Томск, Российская Федерация
PhD, Head of the Laboratory of Image-guided Endovascular Diagnostics and Treatment at the Cardiology Research Institute, a branch of the Federal State Budgetary Institution “Tomsk National Research Medical Center” of the Russian Academy of Sciences, Tomsk, Russian Federation
младший научный сотрудник лаборатории рентгенэндоваскулярной хирургии Научно-исследовательского института кардиологии – филиала Федерального государственного бюджетного научного учреждения «Томский национальный исследовательский медицинский центр Российской академии наук», Томск, Российская Федерация
Junior Researcher at the Laboratory of Image-guided Endovascular Surgery, Cardiology Research Institute, a branch of the Federal State Budgetary Institution “Tomsk National Research Medical Center” of the Russian Academy of Sciences, Tomsk, Russian Federation
младший научный сотрудник лаборатории рентгенэндоваскулярной хирургии Научно-исследовательского института кардиологии – филиала Федерального государственного бюджетного научного учреждения «Томский национальный исследовательский медицинский центр Российской академии наук», Томск, Российская Федерация
Junior Researcher at the Laboratory of Image-guided Endovascular Surgery, Cardiology Research Institute, a branch of the Federal State Budgetary Institution “Tomsk National Research Medical Center” of the Russian Academy of Sciences, Tomsk, Russian Federation
младший научный сотрудник лаборатории рентгенэндоваскулярной хирургии Научно-исследовательского института кардиологии – филиала Федерального государственного бюджетного научного учреждения «Томский национальный исследовательский медицинский центр Российской академии наук», Томск, Российская Федерация
Junior Researcher at the Laboratory of Image-guided Endovascular Surgery, Cardiology Research Institute, a branch of the Federal State Budgetary Institution “Tomsk National Research Medical Center” of the Russian Academy of Sciences, Tomsk, Russian Federation
научный сотрудник лаборатории рентгенэндоваскулярной хирургии Научно-исследовательского института кардиологии – филиала Федерального государственного бюджетного научного учреждения «Томский национальный исследовательский медицинский центр Российской академии наук», Томск, Российская Федерация
Junior Researcher at the Laboratory of Image-guided Endovascular Surgery, Cardiology Research Institute, a branch of the Federal State Budgetary Institution “Tomsk National Research Medical Center” of the Russian Academy of Sciences, Tomsk, Russian Federation
младший научный сотрудник лаборатории рентгенэндоваскулярной хирургии Научно-исследовательского института кардиологии – филиала Федерального государственного бюджетного научного учреждения «Томский национальный исследовательский медицинский центр Российской академии наук», Томск, Российская Федерация
Junior Researcher at the Laboratory of Image-guided Endovascular Surgery, Cardiology Research Institute, a branch of the Federal State Budgetary Institution “Tomsk National Research Medical Center” of the Russian Academy of Sciences, Tomsk, Russian Federation
Основные положения
Впервые представлен сравнительный обзор современных моделей одновременного предсказания нескольких осложнений чрескожных коронарных вмешательств, в том числе на основе машинного обучения. Продемонстрировано преимущество моделей машинного обучения (особенно XGBoost), которые даже при использовании единого набора данных обладают высокой точностью и способны учитывать сложные нелинейные факторы, ранее не учтенные в традиционных шкалах риска. Определены три ключевые модели, способные одновременно предсказывать несколько исходов без дублирования переменных, что закладывает основу для более эффективных и универсальных клинических инструментов.
Аннотация
Современные модели прогнозирования осложнений чрескожных коронарных вмешательств (ЧКВ) стремительно эволюционируют под влиянием новых технологий машинного обучения (МО). В данной работе представлен сравнительный обзор существующих методов, ориентированных на одновременное предсказание нескольких осложнений ЧКВ (смерть, кровотечение, острая почечная недостаточность и др.). Сравниваются традиционные шкалы стратификации риска (NCDR Cath-PCI, CART VA и др.) и современные алгоритмы МО. В базе данных PubMed по ключевым словам были найдены 2 667 работ, опубликованных за последние 10 лет и посвященных прогнозированию осложнений ЧКВ. После исключения публикаций, не представляющих в достаточном объеме информации о дизайне, построении модели и анализе виртуальных данных, дублирующих, предсказывающих только один исход, а также обзоров и отчетов о клинических случаях отобрано 9 наиболее релевантных исследований, охватывающих многотысячные реестры США, Японии и международные базы данных. Несмотря на разнообразие подходов, лишь ограниченное число моделей формально способно одновременного прогнозировать несколько осложнений на основе единого набора переменных. При этом в большинстве исследований использование МО (особенно XGBoost) повышало точность по сравнению с традиционными методами. Полученные результаты подтверждают перспективность применения машинного обучения для множественной оценки рисков ЧКВ. Однако условиями их эффективного использования в клинической практике являются надежная внешняя валидация, адаптация к локальным особенностям и учет технологических инноваций (внутрикоронарная визуализация, инвазивная физиология). Развитие методов прогнозирования, использующих МО и отвечающих этим требованиям, позволит существенно повысить точность стратификации рисков ЧКВ, оптимизировать выполнение вмешательств и улучшить исходы лечения пациентов с ишемической болезнью сердца. Естественным расширением методологии является включение в модели данных внутрисосудистой визуализации и инвазивной физиологии.
Highlights
The first comparative review of modern models for predicting multiple PCI complications simultaneously, including those based on machine learning, is presented. The advantage of machine learning models (especially XGBoost) is demonstrated, which, even when using a single data set, have high accuracy and are able to take into account complex nonlinear factors that were not previously taken into account by traditional risk scales. The top 3 models have been identified that can simultaneously predict multiple outcomes without duplicating variables and it is what lays the foundation for more effective and versatile clinical tools.
Abstract
Modern models for predicting complications of percutaneous coronary interventions (PCI) are rapidly evolving under the influence of new machine learning (ML) technologies. This research presents a comparative review of existing methods aimed at simultaneously predicting multiple complications of PCI (death, bleeding, acute kidney failure, etc.). The study compares traditional risk stratification scales (such as NCDR Cath-PCI, CART VA, and others) with modern ML algorithms.
A keyword search in the PubMed database over the past 10 years identified 2 667 publications related to PCI complication prediction. After excluding publications that did not provide sufficient information regarding study design, model construction, and data analysis, those based on virtual data analysis, single-outcome prediction studies, as well as reviews and clinical case reports, 9 of the most relevant studies were selected. These studies covered large registries from the USA, Japan, and international database.
Despite the diversity of approaches, only a limited number of models are formally capable of simultaneously predicting multiple complications based on a single set of variables. Moreover, in most studies, the use of ML (particularly XGBoost) increased accuracy compared to traditional methods.
The results of the study confirm the potential of machine learning in the multi-outcome risk assessment of PCI. However, the effective use of these models in clinical practice requires reliable external validation, adaptation to local conditions, and consideration of technological innovations (such as intravascular imaging and invasive physiology). The development of ML-based prediction methods that meet these criteria will significantly improve the accuracy of PCI risk stratification, optimize procedural performance, and enhance patient outcomes in ischemic heart disease. A natural extension of this methodology is the inclusion of intravascular imaging and invasive physiology data in the models.
The authors declare that there are no conflicts of interest present.