ОБЗОР СОВРЕМЕННЫХ ПРЕДСКАЗАТЕЛЬНЫХ МОДЕЛЕЙ МНОЖЕСТВЕННЫХ ОСЛОЖНЕНИЙ ЧКВ: РОЛЬ МАШИННОГО ОБУЧЕНИЯ И ТРАДИЦИОННЫХ ПОДХОДОВ

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.

1. Canfield J., Totary-Jain H. 40 years of percutaneous coronary intervention: history and future directions. J Pers Med. 2018;8(4):33. doi: 10.3390/jpm8040033.

2. Amin A.P., Salisbury A.C., McCullough P.A., Gosch K., Spertus J.A., Venkitachalam L., Stolker J.M., Parikh C.R., Masoudi F.A., Jones P.G., Kosiborod M. Trends in the incidence of acute kidney injury in patients hospitalized with acute myocardial infarction. Arch Intern Med. 2012;172(3):246-53. doi: 10.1001/archinternmed.2011.1202.

3. Subherwal S., Peterson E.D., Dai D., Thomas L., Messenger J.C., Xian Y., Brindis R.G., Feldman D.N., Senter S., Klein L.W., Marso S.P., Roe M.T., Rao S.V. Temporal trends in and factors associated with bleeding complications among patients undergoing percutaneous coronary intervention: a report from the National Cardiovascular Data CathPCI Registry. J Am Coll Cardiol. 2012;59(21):1861-9. doi: 10.1016/j.jacc.2011.12.045.

4. Murali S., Vogrin S., Noaman S., Dinh D.T., Brennan A.L., Lefkovits J., Reid C.M., Cox N., Chan W. Bleeding severity in percutaneous coronary intervention (PCI) and its impact on short-term clinical outcomes. J Clin Med. 2020;9(5):1426. doi: 10.3390/jcm9051426.

5. Deo R.C. Machine learning in medicine. Circulation. 2015;132(20):1920-30. doi: 10.1161/CIRCULATIONAHA.115.001593.

6. Chen T., Guestrin C. XGBoost: a scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York (NY): Association for Computing Machinery; 2016. p. 785–94.

7. Ninomiya K., Kageyama S., Garg S., Masuda S., Kotoku N., Revaiah P.C., O'Leary N., Onuma Y., Serruys P.W.; SYNTAX Extended Survival Investigators. Can machine learning unravel unsuspected, clinically important factors predictive of long-term mortality in complex coronary artery disease? A call for 'big data'. Eur Heart J Digit Health. 2023;4(3):275-278. doi: 10.1093/ehjdh/ztad014.

8. Hamilton D.E., Albright J., Seth M., Painter I., Maynard C., Hira R.S., Sukul D., Gurm H.S. Merging machine learning and patient preference: a novel tool for risk prediction of percutaneous coronary interventions. Eur Heart J. 2024;45(8):601-609. doi: 10.1093/eurheartj/ehad836.

9. Galimzhanov A., Matetic A., Tenekecioglu E., Mamas M.A. Prediction of clinical outcomes after percutaneous coronary intervention: machine-learning analysis of the National Inpatient Sample. Int J Cardiol. 2023;392:131339. doi: 10.1016/j.ijcard.2023.131339.

10. Clinical Assessment Reporting and Tracking System for Cath Labs (CART-CL). VA Health Services Research & Development. Available from: https://www.hsrd.research.va.gov/impacts/cart-cl.cfm. (Accessed 2024 Sep 23).

11. Doll J.A., O'Donnell C.I., Plomondon M.E., Waldo S.W. Development and Implementation of an In-Hospital Bleeding Risk Model for Percutaneous Coronary Intervention. Cardiovasc Revasc Med. 2021;28:20-24. doi: 10.1016/j.carrev.2020.07.033.

12. Doll J.A., O'Donnell C.I., Plomondon M.E., Waldo S.W. Contemporary Clinical and Coronary Anatomic Risk Model for 30-Day Mortality After Percutaneous Coronary Intervention. Circ Cardiovasc Interv. 2021;14(12):e010863. doi: 10.1161/CIRCINTERVENTIONS.121.010863.

13. Singh M., Gulati R., Lewis B.R., Zhou Z., Alkhouli M., Friedman P., Bell M.R. Multimorbidity and Mortality Models to Predict Complications Following Percutaneous Coronary Interventions. Circ Cardiovasc Interv. 2022;15(7):e011540. doi: 10.1161/CIRCINTERVENTIONS.121.011540.

14. Moussa I., Hermann A., Messenger J.C., Dehmer G.J., Weaver W.D., Rumsfeld J.S., Masoudi .FA. The NCDR CathPCI Registry: a US national perspective on care and outcomes for percutaneous coronary intervention. Heart. 2013;99(5):297-303. doi: 10.1136/heartjnl-2012-303379.

15. Rao S.V., McCoy L.A., Spertus J.A., Krone R.J., Singh M., Fitzgerald S., Peterson E.D. An updated bleeding model to predict the risk of post-procedure bleeding among patients undergoing percutaneous coronary intervention: a report using an expanded bleeding definition from the National Cardiovascular Data Registry CathPCI Registry. JACC Cardiovasc Interv. 2013;6(9):897-904. doi: 10.1016/j.jcin.2013.04.016.

16. Tsai T.T., Patel U.D., Chang T.I., Kennedy K.F., Masoudi F.A., Matheny M.E., Kosiborod M., Amin A.P., Weintraub W.S., Curtis J.P., Messenger J.C., Rumsfeld J.S., Spertus J.A. Validated contemporary risk model of acute kidney injury in patients undergoing percutaneous coronary interventions: insights from the National Cardiovascular Data Registry Cath-PCI Registry. J Am Heart Assoc. 2014;3(6):e001380. doi: 10.1161/JAHA.114.001380.

17. Brennan J.M., Curtis J.P., Dai D., Fitzgerald S., Khandelwal A.K., Spertus J.A., Rao S.V., Singh M., Shaw R.E., Ho K.K., Krone R.J., Weintraub W.S., Weaver W.D., Peterson E.D.; National Cardiovascular Data Registry. Enhanced mortality risk prediction with a focus on high-risk percutaneous coronary intervention: results from 1,208,137 procedures in the NCDR (National Cardiovascular Data Registry). JACC Cardiovasc Interv. 2013;6(8):790-799. doi: 10.1016/j.jcin.2013.03.020.

18. Niimi N., Shiraishi Y., Sawano M., Ikemura N., Inohara T., Ueda I., Fukuda K., Kohsaka S. Machine learning models for prediction of adverse events after percutaneous coronary intervention. Sci Rep. 2022;12(1):6262. doi: 10.1038/s41598-022-10346-1.

19. Galimzhanov A., Matetic A., Tenekecioglu E., Mamas M.A. Prediction of clinical outcomes after percutaneous coronary intervention: Machine-learning analysis of the National Inpatient Sample. Int J Cardiol. 2023;392:131339. doi: 10.1016/j.ijcard.2023.131339.

20. Akhmetzhan. Prediction of clinical outcomes after percutaneous coronary intervention (NIS). GitHub. Available at: https://github.com/Akhmetzhan/Prediction_of_clinical_outcomes_after_percutaneous_coronary_intervention_NIS. (Accessed September 23, 2024).

21. Shillinglaw B., Viera A.J., Edwards T., Simpson R., Sheridan S.L. Use of global coronary heart disease risk assessment in practice: a cross-sectional survey of a sample of U.S. physicians. BMC Health Serv Res. 2012;12:20. doi: 10.1186/1472-6963-12-20.

22. Eagle K.A., Lim M.J., Dabbous O.H., Pieper K.S., Goldberg R.J., Van de Werf F., Goodman S.G., Granger C.B. et al.; GRACE Investigators. A validated prediction model for all forms of acute coronary syndrome: estimating the risk of 6-month postdischarge death in an international registry. JAMA. 2004;291(22):2727-33. doi: 10.1001/jama.291.22.2727.

23. Sianos G., Morel M.A., Kappetein A.P., Morice M.C., Colombo A., Dawkins,. van den Brand M., Van Dyck N., Russell M.E., Mohr F.W., Serruys P.W. The SYNTAX Score: an angiographic tool grading the complexity of coronary artery disease. EuroIntervention. 2005;1(2):219-27.

24. Gerber Y., Weston S.A., Enriquez-Sarano M., Jaffe A.S., Manemann S.M., Jiang R., Roger V.L. Contemporary Risk Stratification After Myocardial Infarction in the Community: Performance of Scores and Incremental Value of Soluble Suppression of Tumorigenicity-2. J Am Heart Assoc. 2017;6(10):e005958. doi: 10.1161/JAHA.117.005958.

25. He C., Song Y., Wang C.S., Yao Y., Tang X.F., Zhao X.Y., Gao R.L., Yang Y.J., Xu B., Yuan J.Q. Prognostic Value of the Clinical SYNTAX Score on 2-Year Outcomes in Patients With Acute Coronary Syndrome Who Underwent Percutaneous Coronary Intervention. Am J Cardiol. 2017;119(10):1493-1499. doi: 10.1016/j.amjcard.2017.02.031.

26. Zhang D., Yan R., Gao G., Wang H., Fu R., Li J., Yin D., Zhu C., Feng L., Song W., Xu B., Dou K., Yang Y. Validating the Performance of 5 Risk Scores for Major Adverse Cardiac Events in Patients Who Achieved Complete Revascularization After Percutaneous Coronary Intervention. Can J Cardiol. 2019;35(8):1058-1068. doi: 10.1016/j.cjca.2019.02.017.

27. Călburean P.A., Grebenișan P., Nistor I.A., Pal K., Vacariu V., Drincal R.K., Țepes O., Bârlea I., Șuș I. et al. Prediction of 3-year all-cause and cardiovascular cause mortality in a prospective percutaneous coronary intervention registry: Machine learning model outperforms conventional clinical risk scores. Atherosclerosis. 2022;350:33-40. doi: 10.1016/j.atherosclerosis.2022.03.028.

28. Wolff G., Lin Y., Quade J., Bader S., Kosejian L., Brockmeyer M., Karathanos A., Parco C. et al. Validation of National Cardiovascular Data Registry risk models for mortality, bleeding and acute kidney injury in interventional cardiology at a German Heart Center. Clin Res Cardiol. 2020;109(2):235-245. doi: 10.1007/s00392-019-01506-x.

29. Agasthi P., Chao C.J., Wang P., Yang E.H., Arsanjani R. National Cardiovascular Data Registry Model Predicts Long-Term Mortality in Patients Undergoing Percutaneous Coronary Interventions. Cardiology. 2021;146(3):311-314. doi: 10.1159/000512419.

30. Kohsaka S., Miyata H., Ueda I., Masoudi F.A., Peterson E.D., Maekawa Y., Kawamura A., Fukuda K., Roe M.T., Rumsfeld J.S.; JCD-KiCS and NCDR. An international comparison of patients undergoing percutaneous coronary intervention: A collaborative study of the National Cardiovascular Data Registry (NCDR) and Japan Cardiovascular Database-Keio interhospital Cardiovascular Studies (JCD-KiCS). Am Heart J. 2015;170(6):1077-85. doi: 10.1016/j.ahj.2015.09.017.

31. Deng W., Wang D., Wan Y., Lai S., Ding Y., Wang X. Prediction models for major adverse cardiovascular events after percutaneous coronary intervention: a systematic review. Front Cardiovasc Med. 2024;10:1287434. doi: 10.3389/fcvm.2023.1287434.

32. Healthcare Cost and Utilization Project (HCUP). HCUP National (Nationwide) Inpatient Sample (NIS). Agency for Healthcare Research and Quality (AHRQ). Updated 2021. Available at: https://www.hcup-us.ahrq.gov (accessed Sep 23, 2024).

33. Shoji S., Kohsaka S., Kumamaru H., Nishimura S., Ishii H., Amano T., Fushimi K., Miyata H., Ikari Y. Risk prediction models in patients undergoing percutaneous coronary intervention: a collaborative analysis from a Japanese administrative dataset and nationwide academic procedure registry. Int J Cardiol. 2023;370:90-97. doi: 10.1016/j.ijcard.2022.10.144.

34. Bricker R.S., Valle J.A., Plomondon M.E., Armstrong E.J., Waldo S.W. Causes of mortality after percutaneous coronary intervention. Circ Cardiovasc Qual Outcomes. 2019;12(5):e005355. doi: 10.1161/CIRCOUTCOMES.118.005355.

35. Li X., Chen Z., Zhang J.M., Sarro F., Zhang Y., Liu X. Bias behind the wheel: fairness analysis of autonomous driving systems. ACM Trans Softw Eng Methodol. 2024;1(1):Article 1. doi: 10.1145/nnnnnnn.nnnnnnn.

36. Chawla N.V., Bowyer K.W., Hall L.O., Kegelmeyer W.P. SMOTE: Synthetic minority over-sampling technique. J Artif Intell Res. 2002;16:321-357. doi: 10.1613/jair.953.

37. Chouffani El Fassi S., Abdullah A., Fang Y., Natarajan S., Masroor A.B., Kayali N., Prakash S., Henderson G.E. Not all AI health tools with regulatory authorization are clinically validated. Nat Med. 2024 ;30(10):2718-2720. doi: 10.1038/s41591-024-03203-3.

38. Spertus J.A., Decker C., Gialde E., Jones P.G., McNulty E.J., Bach R., Chhatriwalla A.K. Precision medicine to improve use of bleeding avoidance strategies and reduce bleeding in patients undergoing percutaneous coronary intervention: prospective cohort study before and after implementation of personalized bleeding risks. BMJ. 2015;350:h1302. doi: 10.1136/bmj.h1302.

39. Tacey M., Dinh D.T., Andrianopoulos N., Brennan A.L., Stub D., Liew D., Reid C.M., Duffy S.J., Lefkovits J. Risk-adjusting key outcome measures in a clinical quality PCI registry: development of a highly predictive model without the need to exclude high-risk conditions. JACC Cardiovasc Interv. 2019;12(19):1966-1975. doi: 10.1016/j.jcin.2019.07.002.

40. Landmesser U., Ali Z.A., Maehara A., Matsumura M., Shlofmitz R.A., Guagliumi G., Price M.J., Hill J.M. et al. Optical coherence tomography predictors of clinical outcomes after stent implantation: the ILUMIEN IV trial. Eur Heart J. 2024;45(43):4630-4643. doi: 10.1093/eurheartj/ehae521.

41. Hwang D., Lee J.M., Yang S., Chang M., Zhang J., Choi K.H., Kim C.H., Nam C.W. et al. Role of Post-Stent Physiological Assessment in a Risk Prediction Model After Coronary Stent Implantation. JACC Cardiovasc Interv. 2020;13(14):1639-1650. doi: 10.1016/j.jcin.2020.04.041.

42. Мордовин В.Ф., Личикаки В.А., Пекарский С.Е., Зюбанова И.В., Манукян М.А., Солонская Е.И., Попова А.А., Хунхинова С.А., Скомкина И.А., Солтанахметова А.Д., Фальковская А.Ю. Функциональная значимость стенозов коронарных артерий: роль артериальной гипертонии (обзор литературы). Сибирский журнал клинической и экспериментальной медицины. 2024; 39(4): 10-17. doi:10.29001/2073-8552-2024-39-4-10-17

43. Yang H.M., Lim H.S., Yoon M.H., Seo K.W., Choi B.J., Choi S.Y., Hwang G.S., Tahk S.J. Usefulness of the trans-stent fractional flow reserve gradient for predicting clinical outcomes. Catheter Cardiovasc Interv. 2020;95(5):E123-E129. doi: 10.1002/ccd.28363

44. Plitt A., Claessen B.E., Sartori S., Baber U., Chandrasekhar J., Aquino M., Vijay P., Elsayed S. et al. Impact of stent diameter on outcomes following percutaneous coronary intervention with second-generation drug-eluting stents: Results from a large single-center registry. Catheter Cardiovasc Interv. 2020;96(3):558-564. doi: 10.1002/ccd.28488.

45. Zhang D., Xu B., Yin D., Li Y., He Y., You S., Qiao S., Wu Y., Yan H., Yang Y., Gao R., Dou K. How bifurcation angle impacts the fate of side branch after main vessel stenting: a retrospective analysis of 1,200 consecutive bifurcation lesions in a single center. Catheter Cardiovasc Interv. 2015;85 Suppl 1:706-15. doi: 10.1002/ccd.25858.

46. Perl L., Witberg G., Greenberg G., Vaknin-Assa H., Kornowski R., Assali A. Prognostic significance of the Medina classification in bifurcation lesion percutaneous coronary intervention with second-generation drug-eluting stents. Heart Vessels. 2020;35(3):331-339. doi: 10.1007/s00380-019-01504-z.

47. Nakachi T., Yamane M., Kishi K., Muramatsu T., Okada H., Oikawa Y., Yoshikawa R., Kawasaki T., Tanaka H., Katoh O. Machine Learning for Prediction of Technical Results of Percutaneous Coronary Intervention for Chronic Total Occlusion. J Clin Med. 2023;12(10):3354. doi: 10.3390/jcm12103354.

48. Mamas M.A., Roffi M., Fröbert O., Chieffo A., Beneduce A., Matetic A., Tonino P.A.L., Paunovic D. et al. Predicting target lesion failure following percutaneous coronary intervention through machine learning risk assessment models. Eur Heart J Digit Health. 2023;4(6):433-443. doi: 10.1093/ehjdh/ztad051.

49. Jie .L, Feng X.X., Duan Y.F., Liu J.H., Zhang C., Jiang L., Xu L.J., Tian J. et al. Using machine learning to aid treatment decision and risk assessment for severe three-vessel coronary artery disease. J Geriatr Cardiol. 2022;19(5):367-376. doi: 10.11909/j.issn.1671-5411.2022.05.005.