Прогностическое значение ангиографических параметров и ассоциированных с воспалением лабораторных показателей при остром коронарном синдроме без подъема сегмента ST по данным реальной клинической практики

Актуальность. Данные реальной клинической практики перспективны для прогнозирования, поскольку представляют весь спектр пациентов с их индивидуальными особенностями, в том числе сопутствующей патологией, что нередко не включается в клинические исследования. Применение методов машинного обучения позволяет улучшить прогностическую ценность, а наличие большого объема данных — провести кросс-валидацию и подтвердить полученные взаимосвязи. Цель. Выявить прогностически значимые лабораторные и ангиографические маркеры неблагоприятного течения острого коронарного синдрома без подъема сегмента ST (ОКСбпST). Материалы и методы. Проанализированы данные 2348 электронных медицинских карт пациентов, госпитализированных с диагнозом ОКСбпST. При анализе учитывались особенности течения заболевания, наличие факторов риска и коморбидной патологии, данные лабораторных и инструментальных исследований, в том числе коронароангиографии. Для построения прогностической модели использовали метод логистической регрессии с последующим проведением кросс-валидации. Результаты. При анализе выявлены ангиографические (стеноз ствола левой коронарной артерии или наличие хронической окклюзии) и лабораторные (уровень гемоглобина, MPV, количество моноцитов, индекс SII) факторы риска неблагоприятного течения ОКСбпST. Построена прогностическая модель, позволяющая определить риск летального исхода в период госпитализации и обладающая оптимальными характеристиками точности, чувствительности и специфичности. Заключение. Полученные в результате рутинного клинического обследования данные подтверждают значимость представленных показателей в прогнозировании госпитальной летальности у пациентов с ОКСбпST.

1. Demandt JPA, Zelis JM, Koks A, et al. Prehospital risk assessment in patients suspected of non-ST-segment elevation acute coronary syndrome: a systematic review and meta-analysis. BMJ Open. 2022;12(4):e057305. DOI:10.1136/bmjopen-2021-057305.

2. Riehle L, Maier B, Behrens S, et al. Changes in treatment for NSTEMI in women and the elderly over the past 16 years in a large real-world population. Int J Cardiol. 2020;316:7–12. DOI:10.1016/j.ijcard.2020.04.021.

3. Циванюк М.М., Гельцер Б.И., Шахгельдян К.И. и др. Показатели клинического анализа крови, липидного спектра и их соотношений в прогнозировании обструктивного поражения коронарных артерий у больных с острым коронарным синдромом без подъема ST. Российский кардиологический журнал. 2022;27(8):5079. DOI:10.15829/1560-4071-2022-5079.

4. Чаулин А.М., Григорьева Ю.В., Павлова Т.В., Дупляков Д.В. Диагностическая ценность клинического анализа крови при сердечно-сосудистых заболеваниях. Российский кардиологический журнал. 2020;25(12):3923. DOI:10.15829/1560-4071-2020-3923.

5. Dentali F, Nigro O, Squizzato A, et al. Impact of neutrophils to lymphocytes ratio on major clinical outcomes in patients with acute coronary syndromes: A systematic review and meta-analysis of the literature. Int J Cardiol. 2018;266:31–37. DOI:10.1016/j.ijcard.2018.02.116.

6. Oylumlu M, Oylumlu M, Arslan B, et al. Platelet-to-lymphocyte ratio is a predictor of long-term mortality in patients with acute coronary syndrome. Advances in Interventional Cardiology/Postępy w Kardiologii Interwencyjnej. 2020;16(2):170–176. DOI: 10.5114/AIC.2020.95859.

7. Xia Y, Xia C, Wu L, et al. Systemic Immune Inflammation Index (SII), System Inflammation Response Index (SIRI) and Risk of All-Cause Mortality and Cardiovascular Mortality: A 20-Year Follow-Up Cohort Study of 42,875 US Adults. Journal of Clinical Medicine. 2023;12(3):1128. DOI:10.3390/jcm1203112.

8. Hassan N, Slight R, Morgan G, et al. Road map for clinicians to develop and evaluate AI predictive models to inform clinical decision-making. BMJ Health Care Inform. 2023;30(1):e100784. DOI:10.1136/bmjhci-2023-100784.

9. Hunter DJ, Holmes C. Where Medical Statistics Meets Artificial Intelligence. N Engl J Med. 2023;389(13):1211–1219. DOI:10.1056/NEJMra2212850.

10. D’Ascenzo F, De Filippo O, Gallone G, et al. Machine learning-based prediction of adverse events following an acute coronary syndrome (PRAISE): a modelling study of pooled datasets. Lancet. 2021;397(10270):199–207. DOI:10.1016/S0140-6736(20)32519-8.

11. Kwon JM, Jeon KH, Kim HM, et al. Deep-learning-based risk stratification for mortality of patients with acute myocardial infarction. PLoS One. 2019;14(10):e0224502. Published 2019 Oct 31. DOI:10.1371/journal.pone.0224502.

12. Zhao Y, Hao C, Bo X, et al. The prognostic value of admission lymphocyte-to-monocyte ratio in critically ill patients with acute myocardial infarction. BMC Cardiovasc Disord. 2022;22:308. https://doi.org/10.1186/s12872-022-02745-z

13. Неверова Ю.Н., Тарасов Р.С., Нагирняк О.А. Основные предикторы госпитальных неблагоприятных исходов у пациентов с острым коронарным синдромом без подъема сегмента ST при многососудистом поражении коронарного русла. Кардиоваскулярная терапия и профилактика. 2018;17(4):19–25. DOI:10.15829/1728-8800-2018-4-19-25.

14. Павлов Н.А., Андрейченко А.Е., Владзимирский А.В. и др. Эталонные медицинские датасеты (MosMedData) для независимой внешней оценки алгоритмов на основе искусственного интеллекта в диагностике. Digital Diagnostics. 2021;2(1):49−66. DOI:10.17816/DD60635.