Использование искусственной нейронной сети для прогнозирования развития коронарной микрососудистой обструкции (феномена no-reflow) в ходе выполнения чрескожных коронарных вмешательств у пациентов с инфарктом миокарда

А.А. Фролов, И.Г. Починка, Б.Е. Шахов, А.С. Мухин, И.А. Фролов, М.К. Баринова, Е.Г. Шарабрин

Ключевые слова: инфаркт миокарда; коронарная микрососудистая обструкция; no-reflow; чрескожное коронарное вмешательство; искусственная нейронная сеть; логистическая регрессия; машинное обучение.

2021, том 13, номер 6, стр. 6.

DOI: https://doi.org/10.17691/stm2021.13.6.01

Полный текст статьи

html pdf

1857

1547

Аннотация
Список литературы
Как цитировать в References

Цель исследования — разработать, оценить и валидизировать искусственную нейронную сеть для прогнозирования развития коронарной микрососудистой обструкции (КМСО) в ходе выполнения чрескожных коронарных вмешательств (ЧКВ) у пациентов с инфарктом миокарда (ИМ) на основании показателей, рутинно доступных в операционной на момент выбора хирургической тактики.

Материалы и методы. Из базы данных Городской клинической больницы №13 Н. Новгорода ретроспективно отобран 5621 пациент с ИМ и экстренным ЧКВ, из них 3935 мужчин (70%) и 1686 женщин (30%), средний возраст — 61,5±10,8 года. У 201 пациента (4%) зарегистрирована КМСО (кровоток в инфаркт-ответственной артерии после ЧКВ — менее 3 баллов по шкале TIMI flow grade). Оценивали следующие входные показатели: возраст, пол, коронарный анамнез, предшествующая реваскуляризация, наличие подъема сегмента ST, класс острой сердечной недостаточности, факт проведения системной тромболитической терапии и ее эффективность, время «симптом–баллон», тяжесть коронарного тромбоза и атеросклеротического поражения, число стентов и количество прооперированных коронарных артерий. Выборка разделена на группы: для обучения (n=4060), тестирования (n=717) и независимой валидации (n=844).

Результаты. С целью прогнозирования КМСО на основе подвыборок для обучения и тестирования разработана искусственная нейронная сеть по типу полносвязного многослойного перцептрона с прямым распространением сигнала и двумя скрытыми слоями (площадь под ROC-кривой — 0,69). Сеть протестирована на независимой подвыборке (площадь под ROC-кривой — 0,64; прогностическая ценность отрицательного результата — 97,4%; прогностическая ценность положительного результата — 14,6%).

Заключение. Разработанная искусственная нейронная сеть, позволяющая использовать рутинно доступные на момент выбора хирургической тактики показатели, дает возможность прогнозировать развитие КМСО в ходе выполнения ЧКВ у пациентов с ИМ с достаточной для практического применения точностью.

Gupta S., Gupta M.M. No reflow phenomenon in percutaneous coronary interventions in ST-segment elevation myocardial infarction. Indian Heart J 2016; 68(4): 539–551, https://doi.org/10.1016/j.ihj.2016.04.006.
Niccoli G., Scalone G., Lerman A., Crea F. Coronary microvascular obstruction in acute myocardial infarction. Eur Heart J 2016; 37(13): 1024–1033, https://doi.org/10.1093/eurheartj/ehv484.
Wang J.W., Zhou Z.Q., Chen Y.D., Wang C.H., Zhu X.L. A risk score for no reflow in patients with ST-segment elevation myocardial infarction after percutaneous coronary intervention. Clin Cardiol 2015; 38(4): 208–215, https://doi.org/10.1002/clc.22376.
Thygesen K., Alpert J.S., Jaffe A.S., Chaitman B.R., Bax J.J., Morrow D.A., White H.D.; ESC Scientific Document Group. Fourth universal definition of myocardial infarction (2018). Eur Heart J 2018; 40(3): 237–269, https://doi.org/10.1093/eurheartj/ehy462.
The TIMI Study Group. The thrombolysis in myocardial infarction (TIMI) trial. Phase I findings. N Engl J Med 1985; 312(14): 932–936, https://doi.org/10.1056/nejm198504043121437.
Gibson C.M., de Lemos J.A., Murphy S.A., Marble S.J., McCabe C.H., Cannon C.P., Antman E.M., Braunwald E. Combination therapy with abciximab reduces angiographically evident thrombus in acute myocardial infarction: a TIMI 14 substudy. Circulation 2001; 103(21): 2550–2554, https://doi.org/10.1161/01.cir.103.21.2550.
Alasadi S.A., Bhaya W.S. Review of data preprocessing techniques in data mining. J Eng Appl Sci 2017; 12(16): 4102–4107.
Kaur H., Pannu H.S., Malhi A.K. A systematic review on imbalanced data challenges in machine learning: applications and solutions. ACM Comput Surv 2019; 52(4): 1–36, https://doi.org/10.1145/3343440.
Pang B., Nijkamp E., Wu Y.N. Deep learning with TensorFlow: a review. J Educ Behav Stat 2020; 45(2): 227–248, https://doi.org/10.3102/1076998619872761.
Susan S., Kumar A. The balancing trick: optimized sampling of imbalanced datasets — a brief survey of the recent state of the art. Eng Reports 2020; 3(4): e12298, https://doi.org/10.1002/eng2.12298.
Ramchoun H., Amine M., Idrissi J., Ghanou Y., Ettaouil M. Multilayer perceptron: architecture optimization and training. Int J Interact Multimed Artif Intell 2016; 4(1): 26–30, https://doi.org/10.9781/ijimai.2016.415.
Liu X., Pan Z., Yang H., Zhou X., Bai W., Niu X. An adaptive moment estimation method for online AUC maximization. PLoS One 2019; 14(4): e0215426, https://doi.org/10.1371/journal.pone.0215426.
Ramos D., Franco-Pedroso J., Lozano-Diez A., Gonzalez-Rodriguez J. Deconstructing cross-entropy for probabilistic binary classifiers. Entropy (Basel) 2018; 20(3): 208, https://doi.org/10.3390/e20030208.
Burnaev E.V., Erofeev P.D. The influence of parameter initialization on the training time and accuracy of a nonlinear regression model. J Commun Technol Electron 2016; 61(6): 646–660, https://doi.org/10.1134/s106422691606005x.
Ying X. An overview of overfitting and its solutions. J Phys: Conf Ser 2019; 1168: 022022, https://doi.org/10.1088/1742-6596/1168/2/022022.
Ranganathan P., Pramesh C.S., Aggarwal R. Common pitfalls in statistical analysis: measures of agreement. Perspect Clin Res 2017; 8(4): 187–191, https://doi.org/10.4103/picr.picr_123_17.
Niccoli G., Montone R.A., Ibanez B., Thiele H., Crea F., Heusch G., Bulluck H., Hausenloy D.J., Berry C., Stiermaier T., Camici P.G., Eitel I. Optimized treatment of ST-elevation myocardial infarction the unmet need to target coronary microvascular obstruction as primary treatment goal to further improve prognosis. Circ Res 2019; 125(2): 245–258, https://doi.org/10.1161/circresaha.119.315344.
Karamasis G.V., Kalogeropoulos A.S., Gamma R.A., Clesham G.J., Marco V., Tang K.H., Jagathesan R., Sayer J.W., Robinson N.M., Kabir A., Aggarwal R.K., Kelly P.A., Prati F., Keeble T.R., Davies J.R. Effects of stent postdilatation during primary PCI for STEMI: insights from coronary physiology and optical coherence tomography. Catheter Cardiovasc Interv 2021; 97(7): 1309–1317, https://doi.org/10.1002/ccd.28932.
Karathanos A., Lin Y., Dannenberg L., Parco C., Schulze V., Brockmeyer M., Jung C., Heinen Y., Perings S., Zeymer U., Kelm M., Polzin A., Wolff G. Routine glycoprotein IIb/IIIa inhibitor therapy in ST-segment elevation myocardial infarction: a meta-analysis. Can J Cardiol 2019; 35(11): 1576–1588, https://doi.org/10.1016/j.cjca.2019.05.003.

Frolov А.А., Pochinka I.G., Shakhov B.Е., Mukhin А.S., Frolov I.А., Barinova М.K., Sharabrin Е.G. Using an Artificial Neural Network to Predict Coronary Microvascular Obstruction (No-Reflow Phenomenon) during Percutaneous Coronary Interventions in Patients with Myocardial Infarction. Sovremennye tehnologii v medicine 2021; 13(6): 6, https://doi.org/10.17691/stm2021.13.6.01