Название тезиса:
«Сравнительный анализ моделей искусственного интеллекта для разработки мобильного приложения по прогнозированию риска развития антрациклиновой кардиотоксичности»

Авторы:
Эль-Хатиб М.А., ФГБУ "Институт неотложной и восстановительной хирургии им. В.К. Гусака" Минздрава России, Донецк, Донецкая Народная Республика
Солопов М.В., ФГБУ "Институт неотложной и восстановительной хирургии им. В.К. Гусака" Минздрава России, Донецк, Донецкая Народная Республика
Склянная Е.В., ФГБУ "Институт неотложной и восстановительной хирургии им. В.К. Гусака" Минздрава России, Донецк, Донецкая Народная Республика
Попандопуло А.Г., ФГБУ "Институт неотложной и восстановительной хирургии им. В.К. Гусака" Минздрава России, Донецк, Донецкая Народная Республика

Категория:
Стендовый доклад

Содержание тезиса:

Цель исследования. Сравнительная оценка эффективности различных алгоритмов машинного обучения (AdaBoost, k-ближайших соседей метод, линейный дискриминантный анализ, логистическая регрессия, нейронные сети, случайный лес, стохастический градиентный спуск, метод опорных векторов, XGBoost) при прогнозировании антрациклин-индуцированной кардиотоксичности (АИК) у пациентов с онкогематологическими заболеваниями с использованием клинико-инструментальных предикторов.

Материалы и методы. В проспективное исследование включено 155 пациентов (18-74 лет) с онкогематологическими заболеваниями, получавших антрациклины. Анализировались клинические данные, уровни биомаркеров (NT-proBNP, тропонин I) и эхокардиографические параметры диастолической функции (E', E/E', LAVI). Данные проходили предобработку (стандартизация, one-hot encoding), дисбаланс классов устранялся методом SMOTETomek. Модели обучались и оценивались с использованием 5-кратной стратифицированной кросс-валидации по метрикам F1-меры, AUC-ROC, точности и полноты.

Результаты. Статистически значимыми предикторами АИК явились уровни NT-proBNP (p < 0,001), TropI (p = 0,004), эхокардиографические параметры E' (p < 0,001) и LAVI (p < 0,001). Включение возраста и соотношения E/E' дополнительно улучшило прогностическую ценность моделей. Логистическая регрессия продемонстрировала наилучшую производительность (F1 0,943 ± 0,070, AUC-ROC 0,963 ± 0,051) при идеальной точности (1,00 ± 0,00) и высокой полноте (0,90 ± 0,12). Линейный дискриминантный анализ показал сопоставимые результаты (F1 0,921 ± 0,066, AUC-ROC 0,963 ± 0,046). Линейные модели превзошли более сложные алгоритмы (нейронные сети, ансамблевые методы) в данном исследовании.

Заключение. Линейные модели, в частности логистическая регрессия, показывают высокую точность и надежность в прогнозировании АИК при использовании комбинации биомаркеров и эхокардиографических показателей диастолической функции в качестве предикторов. Данные модели обладают потенциалом для клинического применения с целью стратификации риска и своевременного начала кардиопротективной терапии. Необходима дальнейшая валидация модели на выборках пациентов из разных медицинских центров.

На основании вышеизложенных данных было разработано мобильное приложение для прогнозирования риска развития антрациклиновой кардиотоксичности у пациентов перед назначением схем химиотерапии, включающих в свой состав антрациклиновые антибиотики, отображающее уровни риска развития данной патологии, а также надежность прогноза. 

Исследование проведено при грантовом финансировании Фонда поддержки молодых ученых в области биомедицинских наук на основании договора №03/2025 от 31 января 2025г.