CC BY
17
ОРИГИНАЛЬНЫЕ ИССЛЕДОВАНИЯ
Новые возможности прогнозирования возобновления клинических проявлений ишемической болезни сердца после зндоваскулярной реваскуляризации
1 Федеральное государственное бюджетное образовательное учреждение высшего образования «Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова» Министерства здравоохранения Российской Федерации, 197022, г. Санкт-Петербург, Российская Федерация
2 Федеральное государственное автономное образовательное учреждение высшего образования «Санкт-Петербургский политехнический университет Петра Великого», 195251, г. Санкт-Петербург, Российская Федерация
3 Федеральное государственное бюджетное учреждение «Национальный медицинский исследовательский центр имени В.А. Алмазова» Министерства здравоохранения Российской Федерации, 197341, г. Санкт-Петербург, Российская Федерация
Березовская Г.А.1, Лазовская Т.В.2, Тархов Д.А.2, Малев Э.Г.3, Петрищев Н.Н.1, Карпенко М.А.3
Трудности в прогнозировании течения ишемической болезни сердца (ИБС) после эндо-васкулярной реваскуляризации связаны с разнообразием клинических вариантов заболевания и физиологических реакций организма на имплантацию стента, в первую очередь со стороны системы гемостаза.
Цель исследования - проанализировать возможности применения искусственной нейронной сети заданной архитектуры для математического моделирования влияний нарушений гемостаза на возобновление стенокардии после эндоваскулярной реваскуляризации.
Материал и методы. Материалом для исследования послужила венозная кровь 66 пациентов с ИБС от 53 до 75 лет, взятая перед первичным чрескожным коронарным вмешательством (ЧКВ). Гемостаз оценивали с помощью теста генерации тромбина. Взаимосвязь изменений в системе гемостаза до реваскуляризации с клиническими событиями в течение первого года после вмешательства была проанализирована с использованием нейросетевой модели.
Результаты. С помощью математического моделирования была получена формула для расчета индивидуального коэффициента риска рецидива стенокардии после эндоваскулярной реваскуляризации. Установлено, что минимальный и максимальный риски рецидива ИБС при значениях этого коэффициента варьируют от 0,10 до 3,35 (у 43 пациентов) и от -0,02 до -4,58 (у 23 пациентов) соответственно.
Заключение. Вероятность рецидива стенокардии в течение первого года после эндоваскулярной реваскуляризации связана с интенсивностью и скоростью образования тромбина до вмешательства; ее можно рассчитать с помощью математической модели искусственной нейронной сети.
Финансирование. Исследование не имело спонсорской поддержки. Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Для цитирования: Березовская Г.А., Лазовская Т.В., Тархов Д.А., Малев Э.Г., Петрищев Н.Н., Карпенко М.А. Новые возможности прогнозирования возобновления клинических проявлений ишемической болезни сердца после эндоваскулярной реваскуляризации // Кардиология: новости, мнения, обучение. 2022. Т. 10, № 3. С. 8-15. DOI: https://doi.org/10.33029/2309-1908-2022-10-3-8-15
Статья поступила в редакцию 10.09.2022. Принята в печать 17.10.2022.
Ключевые слова:
ишемическая болезнь сердца; эндоваскулярная реваскуляризация; тест генерации тромбина; математическая модель; нейронные сети
New possibilities for predicting the resumption of clinical manifestations of coronary artery disease after endovascular intervention
Berezovskaya G.A.1, Lazovskaya T.V.2, Tarkhov D.A.2, Malev E.G.3, Petrishchev N.N.1, Karpenko M.A.3
1 Academician I.P. Pavlov First St. Petersburg State Medical University of the Ministry of Health of the Russian Federation, 197022,
St. Petersburg, Russian Federation
2 Peter the Great St. Petersburg Polytechnic University, 195251, St. Petersburg, Russian Federation
3 Almazov National Medical Research Centre of the Ministry of Health of the Russian Federation, 197341, St. Petersburg, Russian Federation
Background. Difficulties in predicting the course of coronary artery disease (CAD) after endovascular revascularization are associated with its clinical variety and the physiologic reactions to stent implantation, primarily from the side of hemostasis.
Aim - to study the possibilities of using an artificial neural network for mathematical modeling of the effect of hemostasis disorders on the angina pectoris resumption after endovascular revascularization.
Methods. Venous blood of 66 CAD patients, aged 53 to 75 years, were obtained before primary percutaneous coronary intervention. Hemostasis was assessed using the thrombin generation test. The relationship between changes in the hemostatic system before revascularization and the clinical events during the first year after the intervention was analyzed using a neural network model.
Results. Using mathematical modeling, we obtained a formula for calculating the individual risk coefficient for the recurrence of angina pectoris after revascularization. It was found that the minimum and maximum risks of recurrence for CAD ranged from 0.10 to 3.35 (in 43 patients) and from -0.02 to -4.58 (in 23 patients), respectively.
Conclusion. The likelihood of angina pectoris recurrence within the first year after endovascular revascularization is related to the intensity and rate of thrombin formation before the intervention; it can be calculated using a mathematical model of an artificial neural network.
Funding. The study had no sponsor support.
Conflict of interest. The authors declare no conflict of interest.
For citation: Berezovskaya G.A., Lazovskaya T.V., Tarkhov D.A., Malev E.G., Petrishchev N.N., Karpenko M.A. New possibilities for predicting the resumption of clinical manifestations of coronary artery disease after endovascular intervention. Kardiologiya: novosti, mneniya, obuchenie [Cardiology: News, Opinions, Training]. 2022; 10 (3): 8-15. DOI: https://doi.org/10.33029/2309-1908-2022-10-3-8-15 (in Russian)
Received 10.09.2022. Accepted for publication 17.10.2022.
Keywords:
coronary artery disease; endovascular revascularization; thrombin generation test; mathematical model; neural networks
Возобновление клинических проявлений ишемической болезни сердца (ИБС) после реваскуляризации с помощью ангиопластики со стентированием коронарных артерий остается серьезной проблемой, влияющей на прогноз течения данного заболевания после вмешательства [1]. Среди причин рецидивов ишемии миокарда выделяют структурные: stretch-боль, рестеноз (РВС) и тромбоз внутри стента, неполную реваскуляризацию и прогрессирование атеросклероза коронарных артерий - и функциональные (микроваскулярная или эндотелиальная дисфункция и эпи-кардиальный коронарный спазм) [2].
Результаты фундаментальных исследований последних лет свидетельствуют о том, что в запуске патогенетических механизмов, приводящих к развитию этих изменений, так или иначе участвуют компоненты гемостаза, а нарушения в данной системе приводят не только к развитию тромбозов внутри стента [3-5]. Однако до сих пор нет убедительных данных о возможности использования выявленных в экспериментах взаимосвязей для прогнозирования развития осложнений после эндоваскулярной реваскуляризации [6, 7]. Кроме того, сложности решения данной проблемы заключаются не только в многообразии клинических вариантов течения заболевания после вмешательства, но и в отсутствии глобальной оценки факторов, влияющих на
развитие осложнений, с помощью стандартных методов математического анализа.
Цель исследования - проанализировать возможности применения искусственной нейронной сети для математического моделирования влияний нарушений гемостаза на возобновление стенокардии после эндоваскулярной реваскуляризации.
Материал и методы
Данное исследование было проведено в соответствии со стандартами надлежащей клинической практики (Good Clinical Practice) и принципами Хельсинкской декларации. Информированное согласие на участие в нем, подписанное всеми участниками перед началом исследования, и протокол его проведения были одобрены Этическим комитетом ФГБУ НМИЦ им. В.А. Алмазова Минздрава России.
Материалом для исследования была венозная кровь 66 больных с ИБС от 53 до 75 лет (15 женщин и 51 мужчины), полученная до первичного чрескожного коронарного вмешательства (ЧКВ): у 4 больных в экстренном порядке и у 62 в плановом.
Лабораторные исследования крови всем пациентам проводили до ЧКВ. Стресс-эхокардиографическое исследование
(стресс-ЭхоКГ) выполняли перед ЧКВ только у плановых больных, через 6 и 12 мес после вмешательства у всех пациентов без исключения, далее - в случае рецидива стабильной стенокардии напряжения либо при необходимости дифференциальной диагностики боли в грудной клетке. Продолжительность наблюдения после ЧКВ составила 2 года.
Критерии исключения:
■ возраст >75 лет;
■ аортокоронарное шунтирование и стентирование коронарных артерий в анамнезе;
■ острая сердечная недостаточность;
■ фракция выброса левого желудочка <40%;
■ хроническая сердечная недостаточность 11Б и III стадии;
■ креатинин крови >180 ммоль/л;
■ хроническая обструктивная болезнь легких;
■ анемии средней и тяжелой степени;
■ постоянная форма фибрилляции и трепетания предсердий;
■ онкопатология.
Независимо от типов имплантированных стентов все пациенты в течение первого года после ЧКВ получали стандартную двойную антиагрегантную терапию, включающую препарат ацетилсалициловой кислоты (АСК) и ингибитор P2Y 12 рецепторов тромбоцитов (клопидогрел).
Анализировали следующие варианты ИБС в течение года после вмешательства: нет событий (51 наблюдение); рецидив клинических проявлений стабильной стенокардии напряжения II-III функционального класса (ФК) (8 наблюдений); развитие острого коронарного синдрома (ОКС) или инфаркта миокарда (ИМ) (7 наблюдений).
В контрольную группу вошли 35 сопоставимых по полу и возрасту практически здоровых человек без клинических проявлений ИБС, не принимающих антиагрегантные и ан-тикоагулянтные препараты с иной целью.
О состоянии системы гемостаза судили с помощью теста генерации тромбина (ТГТ) в двух параллельных постановках, в соответствии с методикой, предложенной Н. Hemker и со-авт. в 2003 г. [8]. В данном исследовании для проведения ТГТ была использована плазма крови, бедная тромбоцитами.
Для оценки активности системы активированного протеина С постановка ТГТ была модифицирована добавлением в реакционную смесь человеческого рекомбинантного тромбомодулина (rh-TM) [9].
Оценивали следующие показатели ТГТ: LT (Lag Time) -время инициации свертывания, мин; Peak (Peak thrombin) -пиковая концентрация тромбина, нМ; ttPeak (time to peak) -время достижения пика, мин; ЕТР (Endogenous Thrombin Potential) - эндогенный тромбиновый потенциал, нМхмин; V (Velocity Index) - скорость образования тромбина (нМ/ мин), которую рассчитывали по формуле:
V_ Peak
ttPeak - Lag time
Для определения чувствительности к тромбомодулину (%) использовали показатели ТГТ, полученные в парал-
лельной постановке с добавлением тромбомодулина (ТМ) и без него по формуле:
чувствительность к тромбомодулину =
_ X(безrh-TM) - X(erh-TM) х X(без rh-TM)
где Х - показатель тромбограммы.
Стандартную статистическую обработку данных выполняли с помощью компьютерной программы SPSS 20.0. Оценку достоверности различий между двумя зависимыми выборками ввиду их достаточного объема проводили с использованием i-критерия для средних (значения приведены в таблицах с соответствующими 95% доверительными интервалами), различия считались достоверными при уровне значимости p<0,05. Анализ таблиц сопряженности проводили по критерию х2 также на уровне значимости p<0,05.
Математическое моделирование классификатора возобновления клинических проявлений ИБС после эндоваску-лярной реваскуляризации на основе данных ТГТ, полученных непосредственно перед вмешательством, выполняли с использованием нейросетевой математической модели, программируемой в пакете Mathematica Wolfram.
Результаты
Анализ полученных результатов позволил установить наличие разнообразных изменений в системе гемостаза, оцененных с помощью ТГТ, у пациентов с ИБС перед вмешательством и после ЧКВ. Однако использование стандартных статистических методов не позволило в полной мере оценить степень диагностической ценности и прогностической значимости результатов данного лабораторного исследования у этой категории больных, что было ранее продемонстрировано нами [10]. Среди причин возникшей проблемы рассматривали многообразие изменений, возникающих в системе гемостаза под влиянием различных факторов, и сложности в установлении связей между ними и клиническими вариантами ИБС после вмешательства. Для разрешения возникшей проблемы была использована нейросетевая математическая модель, созданная специально для нашего исследования [11].
В качестве клинических вариантов рецидива клинической картины ИБС в течение первого года ЧКВ рассматривались случаи ОКС/ИМ и стенокардии напряжения II-III ФК, верифицированной с помощью стресс-ЭхоКГ. Для создания нейросетевой математической модели использовали результаты ТГТ, проведенного до ЧКВ у 66 больных. 4 из них были прооперированы по экстренным показаниям, у 62 пациентов рева-скуляризация была проведена в плановом порядке (табл. 1). В течение первого года наблюдения после вмешательства у 15 больных отмечалось возобновление клинических проявлений ИБС в виде ОКС/ИМ у 7 и в виде возобновления стабильной стенокардии напряжения II-III ФК у 8 больных.
Сравнительный анализ показателей ТГТ в исследуемых группах показал, что значения подавляющего большинства показателей данного теста у больных с ИБС не выходят за
Таблица 1. Результаты теста генерации тромбина в исследуемых группах
Группа сравнения, n=35 Больные с ИБС до ЧКВ
Показатель без возобновления стенокардии, n=51 с возобновлением стенокардии, n=15 Р
LT, мин 2,76±0,79 3,17±0,92 3,09±0,49 0,75
ETP, нМхмин 1775,11±343,77 1676,33±446,84 1864,23±298,27 0,13
Peak, нМ 283,85±89,77 246,65±79,94 250,37±60,93 0,87
ttPeak, мин 6,34±1,86 7,03±1,97 7,02±1,49 0,99
VI, нМ/мин 95,02±58,12 73,50±34,06 70,47±29,93 0,76
LT + rh-ТМ, мин 2,57±0,46 2,67±0,49 2,72±0,36 0,72
ETP + rh-ТМ, нМхмин 947,63±461,42 962,47±416,03 1060,90±338,90 0,41
Peak + rh-ТМ, нМ 185,89±95,95 167,05±76,37 192,99±75,58 0,25
ttPeak + rh-ТМ, мин 5,26±0,8 5,61±0,83 5,70±0,62 0,70
VI + rh-ТМ, нМ/мин 76,81±53,53 60,40±31,51 68,84±34,24 0,38
Примечание. LT - время инициации свертывания; ETP - эндогенный тромбиновый потенциал; Peak - пиковая концентрация тромбина; ttPeak - время достижения пиковых концентраций тромбина; VI - скорость образования тромбина; LT + rh-TM - время инициации свертывания при добавлении rh-TM; ETP+rh-TM - эндогенный тромбиновый потенциал при добавлении rh-TM; Peak - пиковая концентрация тромбина при добавлении rh-ТМ; Peak + rh-TM - пиковая концентрация тромбина при добавлении rh-TM; ttPeak + rh-ТМ - время достижения пиковых концентраций тромбина при добавлении rh-TM; VI + rh-TM - скорость образования тромбина при добавлении rh-TM.
Здесь и в табл. 2: ИБС - ишемическая болезнь сердца; ЧКВ - черскожное коронарное вмешательство.
рамки референсных интервалов независимо от клинических вариантов заболевания в течение всего периода наблюдения после ЧКВ (см. табл. 1).
Применение регрессионного и корреляционного анализа не позволило выявить связь между фактом возникновения стенокардии, принятой в нашем исследовании в качестве категориальной переменной, и показателями ТГТ, характеризующими состояние плазменного-коагуляционного звена гемостаза: ETP, Peak, VI + rh-TM и процентом снижения LT.
Результатом нейросетевого моделирования является функция, получившая в ходе обучения сети 25 параметров и имеющая следующие значения на числовой прямой:
U(ETP, Peak, VI W%LT) = - 1.202342674676916-0.5225962298905766Tanh[43/54282510371206 + 0.01176788864038314ETP -0.0723914291489095Peak
- 0.5509947265893181 VITM - 124.97557643758513%LT] + 0.6308787226215166Tanh[56.573214879049985
- 0.0028274663830986603ETP -0.18916667915758012Peak
- 0.06616280389686022 VITM -111.33347977191313%LT]
- 0.8478163905414329Tanh[37.330230433098684
- 0.006135559550216041ETP -0.17747735936112233Peak
+ 0.5070419205066388 VITM -10.614503382054922%LT] + 5.061160346866701Tanh[0.6700761992706318
- 0.00041460736917461085ETP + 0.0026799282773038095Peak
- 0.0028648821294831968 VITM + 0.454492225520437064%LT
Применение данной функции позволило получить формулу, позволяющую рассчитать персональный коэффициент (k) вероятности возобновления клиники ИБС после ЧКВ (табл. 2). Было установлено, что минимальный риск рецидива ИБС имели больные при значениях k от 0,10 до 3,35 (43 больных), а максимальный - от -0,02 до -4,58 (23 больных).
Все больные, госпитализированные в экстренном порядке по поводу ОКС/ИМ, имели значения k в этом диапазоне. Только у 2 пациентов, имеющих верифицированный по результатам стресс-ЭхоКГ факт рецидива ИБС, персональные коэффициенты находились в диапазоне минимальных значений: 0,34 и 0,46.
Было установлено, что с высокой долей вероятности рецидив клинических проявлений ИБС был предсказуем у 13 из 15 больных, а у 2 пациентов проявления ИБС возобновились, несмотря на низкую вероятность в соответствии с полученным коэффициентом (см. табл. 2).
Кроме того, в ходе последующего наблюдения стало известно, что у данных пациентов через год после эндо-васкулярного вмешательства было выполнено аортокоро-нарное (АКШ) или маммарокоронарное шунтироввание (МКШ) по причине развития рестеноза внутри стента (РВС) и прогрессирования атеросклероза в интактных коронарных артериях, т.е. ранее не оперированных.
Также было установлено, что у 10 больных с коэффициентами высокого риска, несмотря на полное отсутствие каких-либо сердечно-сосудистых событий в течение первого года после реваскуляризации, через год после первичного ЧКВ у 2 больных отмечен рецидив стабильной стенокардии II-III ФК, потребовавший повторной эндоваскулярной реваскуляризации, а у 2 других больных - острое нарушение мозгового кровообращения по ишемическому типу.
Для оценки качества созданных нейросетевых моделей был использован ROC-анализ. Также проводилось сравнение результатов данного анализа для моделей с возрастающим
Таблица 2. Частота возобновления стенокардии в течение первого года после эндоваскулярной реваскуляризации
Клинические проявления ИБС Результат классификации
высокая вероятность возобновления низкая вероятность возобновления
стенокардии (k) от -0,02 до -4,58 стенокардии (k) от 0,10 до 3,35
Возобновились 13 2
Не возобновились 10 41
количеством нейронов на всех этапах моделирования. На рисунке представлено графическое изображение ROC-анализа. Площадь AUC (Area Under Curve) под ROC-кривой является агрегированной характеристикой качества классификации, не зависящей от соотношения цен ошибок.
С помощью непараметрического метода оценено значение стандартной ошибки AUC для доверительного интервала 95%. Полученные результаты свидетельствует о том, что даже при использовании трех нейронов качество модели является хорошим, четырех нейронов - очень хорошим (см. табл. 3).
Также была проведена оценка качества классификаторов после отбора оптимального порогового значения (cut-off value) (табл. 3). С учетом особенности кодирования исходов в нашем исследовании пороговое значение для всех полученных моделей приближалось либо было равно нулю.
Анализ качества полученных нейросетевых моделей с различным количеством нейронов показал, что модель с одним нейроном была недостаточно чувствительной. При
добавлении второго нейрона произошло существенное улучшение распознавания наблюдений (клинических событий), но оно сопровождалось резким снижением специфичности модели. Начиная с 3-нейронной модели отмечалось улучшение всех показателей нейросетевой модели (табл. 4).
Обсуждение
Проблема прогнозирования рецидивов ИБС после эндоваскулярной реваскуляризации прежде всего связана с ее многоплановостью, включающей не только многообразие вариантов анатомического строения и поражения коронарного русла, но и биохимических, гемостазиологических, генетических особенностей пациента, наличия сопутствующей патологии и многих других, зачастую не учитываемых факторов. Проблема усугубляется недостаточно высокой информативностью стандартных методов математического анализа данных, изучением новых возможностей, которыми занимаются специалисты по математике и биостатистике.
Кривые ROC
о о z
л ^
е
I-
и в
I-
о
в
>
3-
1,0
0,8 -
0,6
0,4 -
0,2 -
0,0
0,4 0,6
1-Специфичность
Результаты ROC-анализа качества нейросетевой модели
Таблица 3. Результаты ROC-анализа для оценки качества нейросетевой модели c различным количеством нейронов
Асимптотический 95%
Количество Площадь Стандартная Асимптотическая доверительный интервал
нейронов в модели ошибка значимость нижняя граница верхняя граница
1 0,695 0,074 0,022 0,551 0,840
2 0,778 0,060 0,001 0,661 0,895
3 0,824 0,064 0,000 0,697 0,950
4 0,886 0,051 0,000 0,785 0,987
Анализ медицинских данных для исследователей в области биостатистики является довольно сложным типом задач, поскольку в нем отсутствует возможность учесть все реальные условия, влияющие на результат - на клиническое событие.
Исследователь выбирает для анализа ограниченный набор параметров, предположительно наиболее значимых по тем или иным критериям и субъективным оценкам. Следовательно, любой основанный на таких данных алгоритм заведомо носит неточный или приблизительный характер, а правила построения и поиска ответа не могут иметь однозначную формулировку. Использование нейросетевых методик в подобных ситуациях, по мнению исследователей, в области биостатистики и математики не только предпочтительно, но абсолютно оправданно [12-14].
В нашем исследовании для построения нейросетевой модели были выбраны количественные параметры ТГТ, характеризующие интенсивность тромбиногенеза (ETP, Peak), связь которых с возобновлением стенокардии после ЧКВ была выявлена при различных вариантах рецидива заболевания [15].
Полученные нами данные согласуются с результатами других ученых, установивших с помощью стандартных математических методов наличие взаимосвязи показателей ТГТ с фактом смерти от сердечно-сосудистых причин после эндоваскулярной реваскуляризации, выполненной в экстренном порядке [16].
В ходе нашего исследования удалось найти подтверждение одной из рабочих гипотез, связанной с предполагаемой ролью протеина С в возникновении рецидивов ИБС после ЧКВ и возможностью его использования с прогностической целью показателей активности данной системы, оцененной с помощью ТГТ.
Прежде всего речь идет о показателях, характеризующих активность системы протеина С по изменению скорости тромбиногенеза (VI + rh-ТМ) и времени инициации его образования (снижение LT) после добавления рекомбинантного тромбомодулина в реакционную смесь. Полученные данные согласуются с результатами другого исследования, свидетельствующего о наличии связи между развитием тромбоза стента после ЧКВ и активностью данной системы, оцененной, как и в нашем исследовании, с помощью ТГТ [17].
Результаты, полученные с помощью нейросетевого моделирования, продемонстрировали эффективность полученной математической модели в поиске зависимостей, имеющих скрытую и довольно сложную функциональную природу. Было также установлено, что качество нейросетевого классификатора зависит от количества использованных нейронов, а непременным условием для его эффективного использования, как и для многих других методов статистического анализа, является выборка достаточного объема.
Несмотря на чрезвычайно высокую актуальность прогнозирования в медицине, возможности использования нейросетевого моделирования с этой целью изучены недостаточно хорошо. Небольшое количество исследований посвящено данному подходу к решению этой проблемы, еще меньше демонстрируют высокую эффективность математического моделирования.
Так, например, в 2009 г. было проведено исследование, в ходе которого с помощью нейросетевого моделирования была рассчитана вероятность развития осложнений после АКШ [18]. При этом исследователи для анализа использовали известные факторы риска возникновения
Таблица 4. Количество классификаторов созданной нейросетевой модели, %
Число нейронов в модели 1 2 3 4
Чувствительность 60,0 80,0 80,0 86,7
Специфичность 72,5 62,7 74,5 80,4
Эффективность 66,3 71,4 77,3 83,5
ПЦПР 39,1 38,7 48,0 56,5
ПЦОР 86,0 91,4 92,6 95,3
Примечание. ПЦПР - прогностическая ценность положительного результата; ПЦОР - прогностическая ценность отрицательного результата. КАРДИОЛОГИЯ: новости, мнения, обучение Том 10, № 3 (30), 2022 13
осложнений после реваскуляризации с целью выявления больных, нуждающихся в использовании экстракорпорального кровообращения, а также длительной искусственной вентиляции легких и реинтубации. Для создания математической модели в этом исследовании был использован большой объем разноплановой информации, не всегда доступной в рутинной клинической практике, а прогноз сводился только к предотвращению периоперационных осложнений.
Возможности нейросетевого прогнозирования в настоящий момент все более уверенно находят свое применение в ретроспективных исследованиях [19], что позволяет повысить эффективность моделирования благодаря большой выборке, но лишает возможности применять результаты ex tempore в практической медицине.
Заключение
Таким образом, основным результатом нашего исследования является впервые созданная нейросетевая математическая модель, способная рассчитать вероятность рецидива клинических проявления ИБС в течение первого года после эндоваскулярной реваскуляризации используя лишь 4 показателя ТГТ, характеризующих состояние гемостаза до вмешательства. Предполагается, что именно такой подход к прогнозу течения ИБС после ЧКВ позволит персонализировать ведение больных после вмешательства с целью повышения эффективности данного метода лечения ИБС и снижения риска возникновения после него осложнений.
Особенность полученной модели - возможность ее «доучивания» или дополнения новыми данными: клиническими, лабораторными, статистическими и многими другими.
СВЕДЕНИЯ ОБ АВТОРАХ
Березовская Гелена Анатольевна (Gelena A. Berezovskaya)* - доктор медицинских наук, доцент кафедры терапии факультетской с курсом эндокринологии, кардиологии с клиникой им. акад. Г.Ф. Ланга ФГБОУ ВО ПСПбГМУ им. И.П. Павлова Минздрава России, Санкт-Петербург, Российская Федерация E-mail: berezovgel@mail.ru http://orcid.org/0000-0001-7854-5121
Лазовская Татьяна Валерьевна (Tatiana V. Lazovskaya) - старший преподаватель кафедры высшей математики, Физико-механический институт ФГАОУ ВО «Санкт-Петербургский политехнический университет Петра Великого», Санкт-Петербург, Российская Федерация E-mail: tatianala@list.ru http://orcid.org/0000-0002-3324-6213
Тархов Дмитрий Альбертович (Dmitry A. Tarkhov) - доктор физико-математических наук, профессор кафедры высшей математики, Физико-механический институт ФГАОУ ВО «Санкт-Петербургский политехнический университет Петра Великого», Санкт-Петербург, Российская Федерация E-mail: dtarkhov@gmail.com http://orcid.org/0000-0002-9431-8241
Малев Эдуард Геннадьевич (Eduard G. Malev) - доктор медицинских наук, профессор кафедры факультетской терапии; ведущий научный сотрудник ФГБУ «НМИЦ им. В.А. Алмазова» Минздрава России, Санкт-Петербург, Российская Федерация
E-mail: malev@almazovcentre.ru https://orcid.org/0000-0002-6168-8895
Петрищев Николай Николаевич (Nikolai N. Petrishchev) - доктор медицинских наук, профессор кафедры патофизиологии с курсом клинической патофизиологии, руководитель Центра лазерной медицины ФГБОУ ВО ПСПбГМУ им. И.П. Павлова Минздрава России, Санкт-Петербург, Российская Федерация E-mail: lasmed@yandex.ru http://orcid.org/0000-0003-4760-2394
Карпенко Михаил Алексеевич (Mikhail A. Karpenko) - доктор медицинских наук, профессор, первый заместитель генерального директора ФГБУ «НМИЦ им. В.А. Алмазова» Минздрава России, Санкт-Петербург, Российская Федерация
E-mail: fmrc@almazovcentre.ru http://orcid.org/0000-0001-5398-5665
ЛИТЕРАТУРА
1. Garg A., Rout A., Raheja H. et al. Long-term follow-up of percutaneous coronary Intervention versus coronary artery bypass grafting In left main coronary artery disease: A systematic review and meta-analysis // Catheter Cardiovasc. Interv. 2021; Vol. 98, N 3. P. 427-433. DOI: https://www.doi.org/ 10.1002/ ccd.29338
2. Izzo P., Macchi A., De Gennaro L. et al. Recurrent angina after coronary angioplasty: mechanisms, diagnosticand therapeutic options // Eur. Heart J. Acute Cardiovasc. Care. 2012. Vol. 1, N 2. P. 158-169.
3. Kamphuisen P.W. Thrombogenicity in patients with percutaneous coronary artery intervention and dual antiplatelet treatment // Eur. Heart J. 2008. Vol. 29, N 14. P. 1699-1700.
* Автор для корреспонденции.
4. Schulz B., Pruessmeyer J., Maretzky T. et al. ADAM10 regulates endothelial permeability and T-Cell transmigration by proteolysis of vascular endothelial Cadherin // Circ. Res. 2008. Vol. 102. P. 1192-1201.
5. Siller-Matula JM., Bayer G., Bergmeister H. et al. An experimental model to study isolated effects of thrombin in vivo// Thromb. Res. 2010. Vol. 126. P. 454-461.
6. Ku D.D., Zaleski J.K. Receptor mechanism of thrombin-induced endothelium-dependent and endothelium-independent coronary vascular effects in dogs // J. Cardiovasc. Pharmacol. 1993. Vol. 22. P. 609-616.
7. Binder B.R. Thrombin is bad, accepted; but is smoking good to prevent restenosis? // J. Thromb. Haemost. 2006. Vol. 4, N 10. P. 2188-2190.
8. Hemker H.C., Giesen P., Dier R.Al. et al. Саlibrаtеd аutоmаtеd thrombin gеnеrаtlоn mеаsurеmеnt in ctotting р^гш // Pathophysiol. Haemost. Thromb. 2003. Vol. 33. P. 4-15.
9. Dargaud Y., Trzeciak M.C., Bordet J.C. et al. Use of calibrated automated thrombinography +/- thrombomodulin to recognize the prothrombotic phenotype // Thromb. Haemost. 2006. Vol. 96, N 5. P. 562-567.
10. Березовская Г.А. Нарушения гемостаза и течение ишемической болезни сердца после эндоваскулярной реваскуляризации: дисс. ... д-ра. мед. наук: 14.01.05; 14.03.03/Г.А. Березовская. НМИЦ им. В.А. Алмазова. СПб, 2019. 212 с.
11. Березовская Г.А., Лазовская Т.В., Клокова Е.С. и др. Способ прогнозирования возобновления клиники ишемической болезни сердца с помощью нейронных сетей у пациентов после эндоваскулярной реваскуляризации // Изобретения, полезные модели. 2018. № 35.
12. Blagoveshchenskaya E.A., Ryabukhina V.V., Dashkina A.I. et al. Neural network methods for construction of sociodynamic models hierarchy // Lecture Notes in Computer Science. 2016. Vol. 9719. P. 513-520.
13. Filkin V., Kaverzneva T., Lazovskaya T., et al. Neural network modeling of conditions of destruction of wood plank based on measurements // Journal
of Physics: Conference Series. 2016. Vol. 772. P. 012041. DOI: https://www.dol. org/10.10 88/1742-6596/772/1/012041
14. Kaverzneva T., Lazovskaya T., Tarkhov D., et al. Neural network modeling of air pollution in tunnels according to indirect measurements // Journal of Physics: Conference Series 772. 2016. P. 012035. DOI: https://www.doi.org/10.10 88/17426596/772/1/012035
15. Lazovskaya T.V., Tarkhov D.A., Berezovskaya GA. et al. Possibilities of neural networks for personalization approaches for prevention of complications after endovascular interventions. In: Cong F., Leung A., Wei Q., eds. Advances in Neural Networks - ISNN 2017: 14th International Symposium, ISNN 2017, Sapporo, Hakodate, and Muroran, Hokkaido, Japan, June 21-26, 2017, Proceedings, Part I. Cham: Springer International Publishing. 2017. P. 379-385. DOI: https://www.doi. org/10.1007/978-3-319-59072-1-45
16. Attanasio M., Marcucci R., Gori A.M. et al. Residual thrombin potential predicts cardiovascular death in acute coronary syndrome patients undergoing percutaneous coronary intervention // Thromb. Res. 2016. Vol. 147. P. 52-57. DOI: https://www.doi. org/10.1016/j.thromres.2016.09.020
17. Loeffon R., Gоdschаlk T.C., vаn Оеrle R. еt al. Тhе hyреrсоаgulable рrоfile of patients with stеnt thrombosis // Hеаrt. 2015. Vol. 101, N 14. P. 1126-1132.
18. Souza C., Pizzolato E., Mendes R., et al. Artificial neural networks prognostic evaluation of post-surgery complications in patients underwent to coronary artery bypass graft surgery. International Conference on Machine Learning and Applications, ICMLA 2009, Miami Beach, Florida, USA. 2009. P. 799-803. DOI: https://www.doi. org/10.1109/ICMLA.2009.116
19. Bonde A., Varadarajan K.M., Bonde N. et al. Assessing the utility of deep neural networks in predicting postoperative surgical complications: a retrospective study // Lancet Digit. Health. 2021. Vol. 3, N 8. P. e471-e485. DOI: https://www.doi. org/10.1016/S2589-7500(21)00084-4
REFERENCES
1. Garg A., Rout A., Raheja H., et al. Long-term follow-up of percutaneous coronary intervention versus coronary artery bypass grafting in left main coronary artery disease: A systematic review and meta-analysis. Catheter Cardiovasc Interv. 2021; 98 (3): 427-33. DOI: https://www.doi.org/10.1002/ccd.29338
2. Izzo P., Macchi A., De Gennaro L., et al. Recurrent angina after coronary angioplasty: mechanisms, diagnosticand therapeutic options. Eur Heart J Acute Cardiovasc Care. 2012; 1 (2): 158-69.
3. Kamphuisen P.W. Thrombogenicity in patients with percutaneous coronary artery intervention and dual antiplatelet treatment. Eur Heart J. 2008; 29 (14): 1699-700.
4. Schulz B., Pruessmeyer J., Maretzky T., et al. ADAM10 regulates endothelial permeability and T-Cell transmigration by proteolysis of vascular endothelial cadherin. Circ Res. 2008; 102: 1192-201.
5. Siller-Matula J.M., Bayer G., Bergmeister H., et al. An experimental model to study isolated effects of thrombin in vivo. Thromb Res 2010; 126: 454-61.
6. Ku D.D., Zaleski J.K. Receptor mechanism of thrombin-induced endothelium-dependent and endothelium-independent coronary vascular effects in dogs. J. Cardiovasc Pharmacol. 1993; 22: 609-16.
7. Binder B.R. Thrombin is bad, accepted; but is smoking good to prevent restenosis? J Thromb Haemost. 2006; 4 (10): 2188-90.
8. Hemker H.C., Giesen P., Dier R.Al., et al. Сalibratеd automatеd thrombin gеnеration mеasurеmеnt in clotting plasma. Pathophysiol Haemost Thromb. 2003; 33: 4-15.
9. Dargaud Y., Trzeciak M.C., Bordet J.C., et al. Use of calibrated automated thrombinography +/- thrombomodulin to recognize the prothrombotic phenotype. Thromb Haemost. 2006; 96 (5): 562-7.
10. Berezovskaya G.A. Hemostasis disorders and the course of coronary heart disease after endovascular revascularization: Diss. SPb, 2019: 212 p. (in Russian)
11. Berezovskaya G.A., Lazovskaya T.V., Klokova E.S., et al. Method for predicting resumption of coronary heart disease clinical picture by means of neural networks in patients after endovascular intervention. Izobreteniya, poleznye modeli [Inventions, utility models]. 2018; 35. (in Russian)
12. Blagoveshchenskaya E.A., Ryabukhina V.V., Dashkina A.I., et al. Neural network methods for construction of sociodynamic models hierarchy. Lecture Notes in Computer Science. 2016; 9719: 513-20.
13. Filkin V., Kaverzneva T., Lazovskaya T., et al. Neural network modeling of conditions of destruction of wood plank based on measurements. Journal of Physics: Conference Series. 2016; Vol. 772: 012041. DOI: https://www.doi.org/10.1088/1742-6596/772/1/012041
14. Kaverzneva T., Lazovskaya T., Tarkhov D., et al. Neural network modeling of air pollution in tunnels according to indirect measurements. Journal of Physics: Conference Series 772. 2016: 012035. DOI: https://www.doi.org/10.1088/1742-6596/772/1/012035
15. Lazovskaya T.V., Tarkhov D.A., Berezovskaya G.A., et al. Possibilities of neural networks for personalization approaches for prevention of complications after endovascular interventions. In: Cong F., Leung A., Wei Q., eds. Advances in Neural Networks - ISNN 2017: 14th International Symposium, ISNN 2017, Sapporo, Hakodate, and Muroran, Hokkaido, Japan, June 21-26, 2017, Proceedings, Part I. Cham: Springer International Publishing. 2017: 379-85. DOI: https://www.doi. org/10.1007/978-3-319-59072-1-45
16. Attanasio M., Marcucci R., Gori A.M., et al. Residual thrombin potential predicts cardiovascular death in acute coronary syndrome patients undergoing percutaneous coronary intervention. Thromb. Res. 2016; 147: 52-7. DOI: https://www. doi.org/10.1016/j.thromres.2016.09.020
17. Loeffen R., Godschalk T.C., van Oerle R., et al. The hypercoagulable profile of patients with stent thrombosis. Heart. 2015; 101 (14): 1126-32.
18. Souza C., Pizzolato E., Mendes R., et al. Artificial neural networks prognostic evaluation of post-surgery complications in patients underwent to coronary artery bypass graft surgery. International Conference on Machine Learning and Applications, ICMLA 2009, Miami Beach, Florida, USA. 2009: 799-803. DOI: https://www.doi. org/10.1109/ICMLA.2009.116
19. Bonde A., Varadarajan K.M., Bonde N., et al. Assessing the utility of deep neural networks in predicting postoperative surgical complications: a retrospective study. Lancet Digit Health. 2021; 3 (8): e471-e485. DOI: https://www.doi. org/10.1016/S2589-7500(21)00084-4
