Применение методов математического моделирования для прогнозирования осложнений гипертонической болезни
https://doi.org/10.25881/18110193_2022_1_4
Аннотация
Гипертоническая болезнь является многофакторным заболеванием, при котором наблюдается повышение артериального давления. Избыточное давление может приводить к ишемической болезни сердца, инсульту, заболеваниям почек и другим патологиям. Частота осложнений гипертонической болезни во многом зависит от точности прогноза их развития. Врач, имея информацию о вероятности развития того или иного осложнения, может назначить пациенту соответствующую профилактику и снизить риск возникновения сердечно-сосудистого события. Для прогнозирования используются различные математические модели и компьютерные программы. Стандартные подходы к прогнозированию риска сердечно-сосудистых заболеваний имеют невысокую точность. В настоящее время всё чаще для подобных целей используются методы машинного обучения, которые имеют высокую прогностическую ценность для оценки риска развития осложнений гипертонической болезни. Данный обзор посвящён описанию многообразия методов, используемых для указанной цели.
Ключевые слова
Об авторах
К. О. Туценко
ФГБОУ ВО «Красноярский государственный медицинский университет им. проф. В.Ф. Войно-Ясенецкого»
Россия
Россия
Туценко К.О.
г. Красноярск
А. Н. Наркевич
ФГБОУ ВО «Красноярский государственный медицинский университет им. проф. В.Ф. Войно-Ясенецкого»
Россия
Россия
Наркевич А.Н., д.м.н.
г. Красноярск
Д. А. Россиев
ФГБОУ ВО «Красноярский государственный медицинский университет им. проф. В.Ф. Войно-Ясенецкого»
Россия
Россия
Россиев Д.А., д.м.н., профессор
г. Красноярск
О. В. Ипатюк
УН «Пальмира»
Россия
Россия
Ипатюк О.В.
г. Красноярск
С. М. Авдеев
ИП Авдеев Сергей Максимович
Россия
Россия
Авдеев С.М.
г. Красноярск
Список литературы
1. Информационный бюллетень Всемирной организации здравоохранения. C. 17–24. https://www.who.int/ru/news-room/fact-sheets/detail/hypertension/
2. Искаков Е.Б. Распространенность факторов риска развития сердечно-сосудистых заболеваний // Медицина и экология. — 2017. — №3(84).
3. Леонов В.П., Шнейдер В.Э. Пример использования логистической регрессии для расчета прогноза исхода оперативного лечения. http://www.biometrica.tomsk.ru/biometrica.tomsk.ru/logit_7.htm.
4. Ардашев В.Н., Фурсов А.Н., Конев А.В. и др. Прогнозирование развития инфаркта миокарда у больных гипертонической болезнью // Российский кардиологический журнал. — 2004. — №2. — С.11-15.
5. Суспицына И.Н., Сукманова И.А. Факторы риска и прогнозирование развития инфаркта миокарда у мужчин различных возрастных групп // Российский кардиологический журнал. — 2016. — №8(136). С. 58–63.
6. Голощапов-Аксёнов Р.С. Информативность факторов риска в прогнозировании инфаркта миокарда // Здравоохранение Российской Федерации. — 2019. — Т.63. — №2. – С. 60–65.
7. Яскевич Р.А. Применение методов математического моделирования в прогнозе тяжести клинического течения артериальной гипертонии у мужчин // Современные проблемы науки и образования. — 2016. — №6. — С.62.
8. Kawai T, Ohishi M, Ito N, et al. Alteration of vascular function is an important factor in the correlation between visit-to-visit blood pressure variability and cardiovascular disease. Journal of Hypertension. 2013; 31: 1387-1395.
9. Chi X, Wang X, Guo Z, et al. Relationships between blood pressure variability and silent cerebral infarction in patients with primary hypertension. Artery Research. 2018; 24: 40-46.
10. Tao Y, Xu J, Song B, Xie X, et al. Short-term blood pressure variability and long-term blood pressure variability: which one is a reliable predictor for recurrent stroke. Journal of Human Hypertension. 2017; 31(9): 568-573.
11. Palatini P, Saladini F, Mos L, et al. Short-term blood pressure variability outweighs average 24-h blood pressure in the prediction of cardiovascular events in hypertension of the young. Journal of Human Hypertension. 2019; 37(7: 1419-1426.
12. Mehlum MH, Liestøl K, Kjeldsen SE, et al. Blood pressure variability and risk of cardiovascular events and death in patients with hypertension and different baseline risks. European Heart Journal. 2018; 39(24): 2243-2251.
13. Arashi H, Ogawa H, Yamaguchi J, Kawada-Watanabe E, Hagiwara N. Impact of visit-to-visit variability and systolic blood pressure control on subsequent outcomes in hypertensive patients with coronary artery disease (from the HIJ-CREATE substudy). American Journal of Cardiology. 2015; 116(2): 236-42.
14. Hansen TW, Thijs L, Li Y, Boggia J, et al. International Database on Ambulatory Blood Pressure in Relation to Cardiovascular Outcomes Investigators. Prognostic value of reading to-reading blood pressure variability over 24 h in 8938 subjects from 11 populations // Hypertension. 2010; 55: 10491057.
15. Ayala Solares JR, Canoy D, Raimondi FED, et al. Long-Term Exposure to Elevated Systolic Blood Pressure in Predicting Incident Cardiovascular Disease: Evidence From Large-Scale Routine Electronic Health Records. Journal of the American Heart Association. 2019; 8(12): e012129.
16. Adamsson Eryd S, Gudbjörnsdottir S, Manhem K, et al. Blood pressure and complications in individuals with type 2 diabetes and no previous cardiovascular disease: national population based cohort study. British Medical Journal. 2016; 354: i4070.
17. Мартыненко А.М., Давыдова А.В. Изменения АДФ-агрегации тромбоцитов и фатальные осложнения у больных гипертонической болезнью // Международный студенческий научный вестник. — 2017. — №6. — С.1.
18. Huang S, Xie X, Sun Y, et al. Development of a nomogram that predicts the risk for coronary atherosclerotic heart disease. Aging. 2020; 12(10): 9427. – 39.
19. Ambale-Venkatesh B, Yang X, Wu CO, et al. Cardiovascular Event Prediction by Machine Learning: The Multi-Ethnic Study of Atherosclerosis. Circulation Research. 2017; 121(9): 1092-1101.
20. Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Can machine-learning improve cardiovascular risk prediction using routine clinical data? Public Library of Science One. 2017; 12(4): e0174944.
21. Dimopoulos AC, Nikolaidou M, Caballero FF, et al. Machine learning methodologies versus cardiovascular risk scores, in predicting disease risk. BMC Medical Research Methodology. 2018; 18(1): 179.
22. Groenhof TKJ, Rittersma ZH, Bots ML, Brandjes M, Jacobs JJL, Grobbee DE, et. al. A computerised decision support system for cardiovascular risk management ‘live’ in the electronic health record environment: development, validation and implementation-the Utrecht Cardiovascular Cohort Initiative. Netherlands Heart Journal. 2019; 27(9): 435-442.
23. Du Z, Yang Y, Zheng J, et al. Accurate prediction of coronary heart disease for patients with hypertension from electronic health records with big data and machine-learning methods: model development and performance evaluation. Journal of Medical Internet Research Medical Informatics. 2020; 8(7): е17257.
24. Mandair D, Tiwari P, Simon S, Colborn KL, Rosenberg MA. Prediction of incident myocardial infarction using machine learning applied to harmonized electronic health record data. BMC medical informatics and decision making. 2020; 20(1): 1-10.
25. Wu Y, Fang Y. Stroke Prediction with Machine Learning Methods among Older Chinese. International Journal of Environmental Research and Public Health. 2020; 17(6): 1828.
26. Мамаев А.Н., Кудлай Д.А. Статистические методы в медицине. // Практическая медицина. — 2021.
27. Гусев А.В., Добриднюк С.Л. Искусственный интеллект в медицине и здравоохранении // Информационное общество. — 2017. — №4-5. — С.78-93.
Рецензия
Для цитирования:
Туценко К.О., Наркевич А.Н., Россиев Д.А., Ипатюк О.В., Авдеев С.М. Применение методов математического моделирования для прогнозирования осложнений гипертонической болезни. Врач и информационные технологии. 2022;(1):4-11. https://doi.org/10.25881/18110193_2022_1_4
For citation:
Tutsenko K.O., Narkevich A.N., Rossiev D.A., Ipatyuk O.V., Avdeev S.M. Application of mathematical modeling for prediction of complications of hypertension. Medical Doctor and Information Technologies. 2022;(1):4-11. (In Russ.) https://doi.org/10.25881/18110193_2022_1_4
Просмотров:
11
Послать статью по эл. почте 