Использование моделей машинного обучения для поиска новых лабораторных маркеров возраст-ассоциированных заболеваний

ВВЕДЕНИЕ. Глобальное старение населения ведет к росту возраст-ассоциированных заболеваний, таких как артериальная гипертензия. Существующие диагностические методы ограничены недостаточной чувствительностью клинико-лабораторных маркеров и ограничениями традиционных статистических методов, что подчеркивает необходимость новых подходов к анализу медицинских данных. Цель исследования — выявить новые лабораторные маркеры артериальной гипертензии с помощью моделей машинного обучения и сравнить их эффективность с традиционными методами. Проанализированы клинико-лабораторные данные 2228 пациентов старше 65 лет, обратившихся за медицинской помощью в клинику МНОИ МГУ. Были использованы логистическая регрессия с регуляризацией, случайный лес и градиентный бустинг. Эффективность оценивалась по AUC ROC, а вклад признаков — через SHAP-анализ. Модели машинного обучения превзошли традиционную логистическую регрессию. Градиентный бустинг достиг AUC ROC 0,85 против 0,78 у регрессионных методов. Ключевыми признаками АГ оказались возраст, показатель RDW-SD и уровень креатинина, тогда как традиционные методы фокусировались преимущественно на возрасте. Выводы подтверждают высокий потенциал методов машинного обучения в диагностике возраст-ассоциированных заболеваний. Модели обеспечивают более высокую точность и выявляют сложные взаимосвязи между показателями, что может улучшить раннюю диагностику и оптимизировать диагностические алгоритмы. Старение населения является глобальной демографической тенденцией, приводящей к росту и распространенности возраст-ассоциированных заболеваний [1]. Ранняя и точная диагностика данных заболеваний приобретает особую актуальность для эффективного лечения и снижения рисков осложнений у пожилых пациентов. Однако современные диагностические алгоритмы часто ограничены недостаточной чувствительностью и специ­ фичностью клинико-лабораторных маркеров, а стандартные методы анализа данных могут не всегда выявлять скрытые или нелинейные зависимости, существенные для диагностики и оценки прогноза [2]. В связи с этим возникает необходимость в разработке новых подходов к интерпретации медицинских данных и выявлению более точных диагностических критериев. Развитие методов машинного обучения (МО) и искусственного интеллекта открывает новые возможности для анализа больших и сложных массивов медицинской информации. Эти методы способны обнаруживать сложные и нелинейные взаимосвязи между различными параметрами, что может значительно расширить понимание патогенеза, повысить точность диагностики и эффективность лечения возраст-ассоциированных заболеваний в условиях глобального старения населения [3, 4].

ЦЕЛЬ ИССЛЕДОВАНИЯ. Поиск новых лабораторных маркеров, ассоциированных с артериальной гипертонией (АГ) с использованием моделей МО, а также оценка их эффективности в сравнении с традиционными статистическими методами.

МАТЕРИАЛЫ И МЕТОДЫ. В исследовании проведен ретроспективный анализ базы данных, включающей клинико-лабораторные показатели 2228 пациентов в возрасте старше 65 лет, прикрепленных к МНОИ МГУ им. М.В. Ломоносова и обращавшихся за медицинской помощью или обследованных в рамках профилактических осмотров в период с 2020 по 2021 год. Предварительная обработка данных включала удаление пропусков, обработку выбросов и нормализацию признаков. В представленном пилотном исследовании для отработки инструментов анализа в качестве целевой переменной рассматривался диагноз АГ. Использовалась бинарная логистическая регрессия, как стандартный и общепринятый метод поиска маркеров заболеваний, и модели МО, которые включали логистическую регрессию с регуляризацией, модель случайного леса и градиентный бустинг. Производительность методов оценивали с помощью AUC ROC. Вклад каждого признака интерпретировали путем SHAP-анализа.

РЕЗУЛЬТАТЫ. Модели МО показали превосходство по сравнению с традиционной логистической регрессией. Градиентный бустинг достиг AUC ROC 0,85, в то время как логистическая регрессия продемонстрировала AUC ROC 0,78 (рис. 1). Важнейшими признаками, ассоциированными с наличием АГ, стали возраст, показатель ширины распределения эритроцитов (RDW-SD) и уровень креатинина, в то время как стандартный регрессионный анализ опирался преимущественно на возраст (рисунки 2, 3). Возраст и уровень креатинина ожидаемо стали значимыми факторами, в то время как показатель RDW-SD, который обычно оценивается при анемиях и ассоциируется с состоянием эритропоэза, был также определен значимым маркером АГ. Полученные данные могут свидетельствовать о более широкой связи воспалительных процессов и состоянии эритропоэза с развитием АГ.

ВЫВОДЫ. Результаты исследования демонстрируют высокий потенциал применения моделей МО в медицинской диагностике для поиска новых лабораторных маркеров возраст-ассоциированных заболеваний. Методы МО не только обеспечивают более высокую точность предсказаний, но и позволяют выявлять сложные, ранее неизвестные взаимосвязи между клинико-лабораторными показателями и развитием и прогрессированием заболеваний. В отличие от традиционных статистических методов они учитывают нелинейные и многомерные взаимодействия между признаками. Полученные результаты могут служить основой для проведения дальнейших клинических исследований, направленных на подтверждение выявленных ассоциаций и разработку новых мишеней для вмешательств, а в перспективе — на изменение диагностических и терапевтических подходов. Применение моделей в клинической практике может способствовать улучшению процедуры ранней диагностики возраст-ассоциированных заболеваний, снижению заболеваемости и смертности, а также улучшению качества жизни пациентов.

1. World Health Organization. Global Report on Ageism. Geneva: WHO; 2021.

2. Farrag M.A., Al-Harthi R., Saeed M., et al. Machine Learning Applications in Geriatrics: A Systematic Review. Journal of the American Medical Directors Association. 2021;22(8):1621–1627.e1.

3. Wang F., Preininger A. AI in Health: State-of-the-Art, Challenges, and Future Directions. Yearbook of Medical Informatics. 2020;29(1):16–26.

4. Mesko B., Gorog M. A Short Guide for Medical Professionals in the Era of Artificial Intelligence. NPJ Digital Medicine. 2020;3:126.