Анализ современных подходов к прогнозированию сердечно­сосудистых осложнений

Предлагаемые варианты оценке степени риска ССО включают в себя целый ряд неинвазивных и инвазивных методов, позволяющих выявлять больных с максимальным риском смерти в результате ССО.

Существуют различные методы по определению прогноза жизни больных ишемической болезнью сердца (ИБС), в том числе перенесших ИМ, например, тесты с физической нагрузкой: тредмил-тест, велоэргометрия.

Ультразвуковое исследование сердца или ЭхоКГ - один из основных методов диагностики в кардиологии. Прогностическое значение эхокардиографических данных заметно превосходит многие клинические показатели. Однако в недавнем исследовании британских кардиологов было показано, что ни один из количественных эхокардиографических показателей не обладал самостоятельным прогностическим значением. Эхокардиографическое исследование в сочетании с нагрузочным тестом считаются более

перспективными для определения прогноза больного ИБС. Эхокардиограмму регистрируют перед пробой с нагрузкой и сразу после прекращения теста. Этот метод - более информативный, но сложность методики заключается в субъективизме при итоговой интерпретации теста, а также в существующей возможности очень быстрого исчезновения признаков преходящей ишемии после прекращения нагрузки.

Недавно для изучения отдаленного прогноза больных ИБС стали применять стресс-тест с добутамином. Методика добутаминового теста позволяет, в отличие от обычной стресс-эхокардиографии, вести непрерывное наблюдение за состоянием миокарда, наблюдать появление ишемии и ее исчезновение после прекращения нагрузки. Однако и в этой разновидности ультразвукового исследования при трактовке результатов трудно отказаться от использования качественных характеристик, что также ведет к субъективизму.

Радиоизотопные методы стали использоваться для риск-стратификации больных с ИМ с конца 70-х годов прошлого века. С помощью радионуклидов можно исследовать состояние сократительной функции миокарда и получить визуальное представление о размерах и локализации области преходящей либо устойчивой ишемии. Важным достоинством радиоизотопных методик является решенность проблемы стандартизации. Радионуклидная вентрикулография - одна из наиболее точных методик измерения функций левого желудочка дает хорошо воспроизводимые результаты. При этом возможно исследовать как глобальную, так и локальную функцию. Радионуклидная вентрикулография дает надежную прогностическую информацию, что продемонстрировало исследование SOLVD (1991), в котором изучался прогноз жизни больных с сердечной недостаточностью. Недостатком данного метода является то, что метод является дорогостоящим, не является рутинным, не во всех стационарах имеется возможность проведения подобного исследования, а также необходим специально обученный персонал.

Помимо неинвазивных методов диагностики, существуют еще и инвазивные. Одним из них является коронароангиография (КАГ) - инвазивное

диагностическое исследование, проводимое для оценки состояния коронарных артерий и коронарного кровотока, обнаружения патологических изменений артерий, а также для качественной и количественной характеристики пораженных сегментов артерий. В последнее десятилетие это исследование стало рутинным диагностическим методом в комплексном обследовании больных с ИБС, дающим возможность определить прогноз пациента и дальнейшую лечебную тактику.

В последние годы в клинической практике наряду с рентгеноконтрастной ангиографией стали широко применять внутрисосудистое ультразвуковое исследование (ВСУЗИ) коронарных сосудов. Стало доступным не только изучение просвета артерии, но и структуры сосудистой стенки, состава АБ. Точная количественная оценка и детальный качественный анализ состояния коронарных артерий позволяет оценить степень атеросклеротического поражения и выбрать наиболее оптимальный метод лечения.

Прогноз заболевания в кардиологии рассматривается в различных ракурсах (инструментальные исследования, инвазивные и неинвазивные исследования, биологические маркеры и т.д.), однако каждое десятилетие, основываясь на существующих диагностических и лечебных возможностях, вносит свои коррективы в используемые подходы, развивает и углубляет их. Одним из наиболее сложных вопросов проблемы прогнозирования ИМ является прогнозирование рецидива и отдаленного исхода заболевания, которое позволяет адекватно оценивать тяжесть состояния больного ИМ и оптимизировать проспективную коррекцию лечебно-реабилитационных мероприятий ИМ уже в его раннем периоде.

Для прогноза ИМ врач должен переработать большой объём разнородных данных и правильно их интерпретировать. Процесс установки прогноза таким методом является очень трудоёмким, в то время как сам прогноз остаётся достаточно субъективным. Следовательно, необходимо разработать единый метод оценки тяжести ИМ и прогнозирования его отдаленных исходов с использованием математических методов, определяющих вес каждого влияющего на прогноз признака и сводящих сумму отягощающих факторов к единому показателю. Отсюда вытекает необходимость изучения структуры и эффективной классификации переменных ФР. С этой целью в настоящее время применяют машинные методы интеллектуальной обработки данных (Data Mining), на основе которых формируют экспертные медицинские системы.

В основе интеллектуальных систем (ИС) лежит понятие искусственного интеллекта (ИИ).

В творческих задачах алгоритм решения заранее не известен и задача априорно предполагает наличие выбора в условиях неопределенности. Можно выделить ряд причин существования этой неопределённости:

1) неясность цели - часто цель уточняется в процессе решения;

2) неопределенность всех способов достижения цели, т.е. наложенные ограничения не запрещают использования любых методов, явно никак не относящихся к данной задаче;

3) неясность условий задачи возникает из-за ненадежных данных или знаний, изменяющихся во времени;

4) неоднозначность в постановке задачи;

5) невозможность учета всех факторов и большое пространство поиска.

Программную систему, решающую творческие задачи, либо «мыслящую» как человек, называют интеллектуальной, а обобщенную способность системы распознавать, обучаться и запоминать - интеллектуальностью. В общем случае под ИС понимают организационно-техническую систему, состоящую из интеллектуального комплекса средств поддержки принятия решений взаимосвязанного и взаимодействующего с пользователями и сетями ЭВМ и выполняющую решения заданных задач [76]. Внутренняя структура ИС формируется под воздействием внешней среды из образов, представляющих собой абстракцию объектов реального мира.

Один из первых способов прогнозирования повторного инфаркта миокарда (ПИМ), вошедших в клиническую практику, описан в работе Ю.М. Бала [70]. Прогнозирование реализовывалось с помощью модифицированного метода Шейнмана-Завьялова, а веса определялись путём построения раздвигающей метрики.

Другой метод прогноза ПИМ описан в работах Н.М. Устинсковой и А.Л. Сыркина [101, 102]. Их ИС основывалась на дискриминантной функции, полученной по методу Байеса, а при проверке решающего правила использовался скользящий контроль. Существенными недостатками метода прогноза ближайшего исхода (будет выписан больной из стационара или умрет) у больных ПИМ, оставшихся в живых через 72 часа после возникновения ПИМ, следует считать многочисленность признаков, определяющих заболевание, субъективность ряда признаков, а также то, что достоверность отобранных наиболее информативных признаков неоднородна.

Е.Н. Амосова [5] в своем исследовании отмечает несомненный практический и теоретический интерес прогнозирования развития рецидивов, поскольку этот вопрос фактически не изучен, и считает, что большее внимание стоит уделить определению факторов возникновения рецидивов.

В работе [104] была получена линейная дискриминантная функция, описывающая риск развития ПИМ в ближайшие три пода после исследования. Преимуществом метода является доступность в выявлении группы пациентов высокого риска ПИМ и возможность оценки риска в динамике в зависимости от состояния миокарда левого желудочка. Однако процент постановки неверного прогноза остаётся достаточно высоким (14%).

Помимо инструментальных методов обследования существуют различные шкалы оценки риска развития ССО [6]. В модели оценки риска PURSUIT учитываются такие критерии, как возраст, ЧСС, увеличенное систолическое артериальное давление (АД), депрессия сегмента ST, признаки сердечной недостаточности, наличие кардиальных энзимов в сыворотке крови.

Также известна модель оценки риска GRACE, которой чаще отдают предпочтение европейские кардиологи. С помощью этой модели можно оценить риск внутрибольничной летальности, смертности и развития ИМ, а также смерти и развития ИМ в течение полугода, определить наиболее подходящий для данного пациента с острым коронарным синдромом (ОКС) способ лечения и его интенсивность.

Шкала GRACE (Global Registry of Acute Coronary Events) позволяет оценить риск летальности и развития ИМ как на госпитальном этапе, так и в течение последующего полугодия, а также определить оптимальный способ лечения конкретного больного. Согласно шкале GRACE, выделяют 3 категории риска у больных с ОКС с элевацией сегмента SU Так как шкала GRACE основана на прямых сравнениях, она рекомендуется как наилучшая при ОКС для использования при поступлении больного и выписке в рутинной практике. При

помощи данной шкалы оценивается риск развития ближайших (в процессе госпитального лечения) негативных сердечно-сосудистых исходов (смерть, ИМ) при условии выбора консервативной стратегии лечения.

Стратификация риска в шкале GRACE основана на:

• Клинических характеристиках:

■ Возраст,

■ ЧСС,

■ Систолическое АД,

■ Степень сердечной недостаточности по классификации Killip;

• Наличие остановка сердца на момент поступления пациента;

• Оценке изменений на ЭКГ;

• Биохимических маркеров:

■ Кардиоспецифические ферменты,

■ Уровень креатинина сыворотки.

Оценочная шкала TIMI (Thrombolysis In Myocardial Infarction), предложенная E.M. Antman и соавт. в 2000 г., представляет собой простой и достаточно популярный инструмент для оценки риска. Для определения степени риска необходимо использовать 7 критериев. Наличие каждого из критериев оценивается в 1 балл. Соответственно, чем большее количество баллов получает пациент, тем выше для него риск смерти и сердечно-сосудистых событий.

Шкала риска TIMI для нестабильной стенокардии и ОИМ без элевации сегмента ST разработана в исследованиях и опробована на разных пациентах для оценки эффективности лечения различных групп риска. Она менее точна в предсказании неблагоприятных событий, но простота делает ее полезной. Для ИМ с подъемом сегмента ST шкала TIMI представляет усложненную интегрированную шкалу, по которой можно легко оценить состояние пациента при поступлении. Эта шкала распределяет больных на основе анамнестических данных в дополнении к факту подъема сегмента ST или БЛНИГ на ЭКГ, а также времени реперфузии более 4 ч. Среди больных без реперфузии миокарда шкала риска недооценивала вероятность смерти и обеспечивала более низкую

прогностическую ценность. Несмотря на это, данная шкала - простая и надежная для сортировки пациентов на разные категории риска.

Очень часто для прогнозирования ПИМ используют искусственные нейронные сети (ИНС) [54, 61, 75, 110]. ИНС, как и живые биологические нейронные сети, являются структурой для обработки информации и способны обучаться на заданных им примерах и, таким образом, настраиваться на решение поставленных задач. Кроме того, они обобщают полученную информацию, т. е. дают правильные ответы при предъявлении «незнакомых» данных. В результате возможно построение модели, включающей в себя наиболее существенные диагностические признаки, которые обладают высокой информативностью (чувствительностью, специфичностью, точностью). Иными словами, машинная ИС на 1-м этапе обрабатывает базу данных, обучается распознавать заданную цель (например, диагноз), на 2-м принимает решения о принадлежности симптомов и признаков к тому или иному классу и таким образом «ставит диагноз».

Метод опорных векторов относится к семейству линейных классификаторов (разделяющих набор объектов на группы с помощью линии). Он позволяет классифицировать признаки путем поиска гиперплоскости, разделяющей переменные величины, которые принадлежат к разным классам, с максимальным зазором в этом пространстве. Реализуя этот метод, математическая программа строит на границах классов 2 гиперплоскости, параллельные разделяющей, и решает вопрос, к какому классу относится новый объект. Чем больше расстояние между этими гиперплоскостями, тем меньше средняя ошибка классификатора.

Рассмотренные методы имеют ряд существенных недостатков:

- Определение индивидуального прогноза у большей части остается неудовлетворительным.

- Практически нет единых систем прогнозирования возникновения и исхода заболевания.

- Составление прогноза является трудоемкой работой для врача.

1.4