Оценка биологического возраста на основе данных ЭхоКГ

Актуальность. Известно, что хронологический возраст может отличаться от биологического. В отличие от хронологического возраста, который достаточно легко определить, биологический возраст является скорее соответствием возрасту состояния здоровья по совокупной оценке морфологических, физиологических и биохимических состояний множества систем организма человека. В биологический возраст заключены как генетическая, так и онтологическая компонента, учитывающая образ жизни конкретного человека и амортизацию его организма. Вычисление биологического возраста является более сложным и в то же время персонифицированным подходом для оценки состояния организма по сравнению с хронологическим возрастом. До сих пор не существует единой формулы для определения биологического возраста человека, однако предприняты попытки для создания локальных оценок, обычно учитывающих состояние какого-либо органа или системы в организме. Одной из таких локальных оценок может быть исследование сердечно-сосудистой системы пациента, и одним из наиболее информативных инструментальных диагностик является эхокардиография (ЭхоКГ). Как правило, при проведении ЭхоКГ оцениваются морфологические и функциональные изменения сердца, рассчитываются показатели, отражающие размеры стенок, объемы камер, скорости кровотока и т. д.

Целью работы явилось создание и обучение предиктивной модели с использованием алгоритма нейронных сетей для оценки биологического возраста на основе данных ЭхоКГ.

Материалы и методы. В исследование вошли данные ЭхоКГ 303 пациентов РГНКЦ (ФГАОУ ВО РНИМУ им. Н.И. Пирогова Минздрава России), не имеющих хронических заболеваний. Возраст пациентов составил от 23 до 82 лет у женщин и от 25 до 72 лет у мужчин. Статистический анализ произведен в статистической среде R. Показатели, имеющие ненормированную на размеры тела оценку (см, мм, л, мл), подлежали нормировке на рост (см). В качестве непараметрического теста применен корреляционный анализ Спирмена для расчета силы взаимосвязи между переменными (оценками ЭхоКГ) и возрастом. Исследуемая выборка данных была разделена на обучающий и тестовый наборы данных. В качестве модели была создана архитектура полносвязной нейронной сети (FCNN) при использовании библиотеки Keras. Архитектура модели является глубокой сетью, содержащей 10 скрытых слоев. Метриками качества модели во время обучения являлись MAE (Средняя абсолютная ошибка), MSE (Среднеквадратичная ошибка), RMSE (Корень из среднеквадратичной ошибки), R2 (Коэффициент детерминации R-квадрат) и ε_acc (ε-точность или эпсилон точность, где ε = 10, т. е. ± 10 лет является спредом при оценке точности).

Результаты. Первым этапом была произведена оценка способности данных ЭхоКГ описывать возраст человека. Для этого проведен непараметрический корреляционный анализ для групп мужчин и женщин по отдельности. Из 48 определен топ-15 показателей, которые продемонстрировали корреляцию с возрастом более чем |0,55|. Из них в наиболее распространенный протокол исследования входят 8: E_A, IVS, LV_PW, LV_CO, LV_EDV, RWT. А также H_RWT и L_E_A, которые вычисляются из RWT и E_A соответственно. Поскольку корреляция отобранных параметров по своей силе варьирует в зависимости от пола (однако сохраняет направление зависимости), были построены две модели — для мужчин и для женщин. В результате на основе этих параметров мы определили возможные комбинации и обучили модели на их основе в трех режимах: общая, для мужчин, для женщин. По результатам обучения несколько моделей продемонстрировали наиболее высокую точность оценки возраста. Лучшие модели были объединены в две итоговые комплексные модели для каждого пола. В результате предиктивные модели возраста предусматривают в качестве входных данных 5 оценок ЭхоКГ: LV_CO (сердечный выброс, л/мин), E_A (E/A, отношение максимальных скоростей потоков в 1-ю и 2-ю фазы), RWT (отношение толщины стенок), IVS (толщина межжелудочковой перегородки, см), LV_PW (толщина задней стенки левого желудочка, см) и их двух производных H_RWT (RWT ≥ 0,42) и L_E_A (E_A < 1); рост (см) и пол исследуемого. Модель, предназначенная для предсказания возраста у мужчин, имеет следующие показатели качества: MAE = 4,92, MSE = 38,33, RMSE = 6,16, R2 = 0,78, ε_acc = 0,88; для женщин: MAE = 5,09, MSE = 39,42, RMSE = 6,28, R2 = 0,77, ε_acc = 0,89.

Выводы. Таким образом, построены и обучены две модели для предсказания возраста у мужчин и женщин, использующие в качестве предикторов 5 оценок ЭхоКГ.