Применение современных цифровых технологий в предиктивной аналитике факторов риска преждевременной смерти от социально значимых неинфекционных заболеваний (обзор литературы)

Обложка

Цитировать

Полный текст

Аннотация

Эффективность реализации Концепции предиктивной, превентивной и персонализированной медицины напрямую связана с развитием и масштабированием процесса цифровизации здравоохранения, среди которых одну из лидирующих позиций занимают технологии искусственного интеллекта (ИИ-технологии). В полной мере это относится к проблеме предиктивной аналитики факторов риска (ФР) преждевременной смерти от социально значимых неинфекционных заболеваний (НИЗ).

Целью работы являлось обобщение современного отечественного и зарубежного опыта использования ИИ-технологий и машинного обучения (МО) в предиктивном анализе ФР преждевременной смерти от социально значимых НИЗ.

Поиск публикаций проводили по базам данных РИНЦ, КиберЛенинка, eLibrary и PubMed, содержащих российские и зарубежные источники научной информации за 2011–2021 гг.

В статье кратко сообщается о глобальных ФР преждевременной смерти от НИЗ, основное место среди которых занимают болезни системы кровообращения. Рассмотрены недостатки используемых в массовых обследованиях калькуляторов для определения суммарного риска фатальных сердечно-сосудистых событий (ССС): Фрамингемского и шкалы SCORE. Показано, что индивидуальная прогностическая эффективность калькуляторов может быть повышена за счёт технологий МО, использующих при обучении большие данные о состоянии здоровья населения определённых регионов, цифровизации медицинских изображений и расширения структурированных баз спектра ФР, дающего возможность распознавать и учитывать сложные взаимосвязи между множественными, коррелированными и нелинейными ФР и исходами ССС. Даны примеры прогностической эффективности моделей МО. Особое внимание уделено ИИ-технологиям и глубокому МО в стратификации риска и исходов ССС на основании аналитики изображений глазного дна.

Заключение. Внедрение ИИ-технологий и МО в клиническую практику открывает перспективу достижения эффективной индивидуализированной стратификации риска преждевременной смерти от хронических НИЗ и их персонифицированной факторной профилактики за счёт своевременной оптимизации модифицируемых ФР социально значимых заболеваний.

Участие авторов:
Безрукова Г.А. — концепция исследования, сбор и обработка материала, написание текста, составление списка литературы, редактирование;
Новикова Т.А. — сбор и обработка материала, написание текста, составление списка литературы.
Все соавторы — утверждение окончательного варианта статьи, ответственность за целостность всех частей статьи.

Финансирование. Исследование не имело спонсорской поддержки.

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов в связи с публикацией данной статьи.

Поступила 12.08.2022
Принята в печать 07.09.2022
Опубликована 12.12.2022

Об авторах

Галина Александровна Безрукова

Саратовский медицинский научный центр гигиены ФБУН «Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения»

Автор, ответственный за переписку.
Email: bezrukovagala@yandex.ru
ORCID iD: 0000-0001-9296-0233

Доктор мед. наук, доцент, гл. науч. сотр. отдела медицины труда Саратовского медицинского научного центра гигиены ФБУН «Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения», 410022, Саратов.

e-mail: bezrukovagala@yandex.ru

Россия

Т. А. Новикова

Саратовский медицинский научный центр гигиены ФБУН «Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения»

Email: noemail@neicon.ru
ORCID iD: 0000-0003-1463-0559
Россия

Список литературы

  1. Вялков А.И., Гундаров И.А., Полесский В.А. Персонализированная профилактика в первичном звене здравоохранения: обоснование, организационно-функциональная модель, инновационные технологии. Главврач. 2017; (3): 17-34.
  2. Сучков С.В., Абэ Х., Антонова Е.Н., Барах П., Величковский Б.Т., Галагудза М.М. и др. Персонализированная медицина как обновляемая модель национальной системы здравоохранения. Часть 1. Стратегические аспекты инфраструктуры. Российский вестник перинатологии и педиатрии. 2017; 62(3): 7-14. https://doi.org/10.21508/1027-4065-2017-62-3-7-14
  3. Заболотная Н.В., Гатилова И.Н., Заболотный А.Т. Цифровизация здравоохранения: достижения и перспективы развития. Экономика. Информатика. 2020; 47(2): 380-9. https://doi.org/10.18413/2687-0932-2020-47-2-380-389
  4. Ahmad Z., Rahim S., Zubair M., Abdul-Ghafar J. Artificial intelligence (AI) in medicine, current applications and future role with special emphasis on its potential and promise in pathology: present and future impact, obstacles including costs and acceptance among pathologists, practical and philosophical considerations. A comprehensive review. Diagn. Pathol. 2021; 16(1): 24. https://doi.org/10.1186/s13000-021-01085-4
  5. Фершт В.М., Латкин А.П., Иванова В.Н. Современные подходы к использованию искусственного интеллекта в медицине. Территория новых возможностей. Вестник Владивостокского государственного университета экономики и сервиса. 2020; 12(1): 121-30. https://doi.org/10.24866/VVSU/2073-3984/2020-1/121-130
  6. Куленцан А.Л., Марчук Н.А. Анализ динамики заболеваемости населения социально-значимыми болезнями в РФ. Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. 2020; (3): 67-70
  7. WHO. World Health Statistics 2020: monitoring health for the SDGs, sustainable development goals; 2020. Available at: https://apps.who.int/iris/handle/10665/332070
  8. Lin X., Xu Y., Pan X., Xu J., Ding Y., Sun X., et al. Global, regional, and national burden and trend of diabetes in 195 countries and territories: an analysis from 1990 to 2025. Sci. Rep. 2020; 10(1): 14790. https://doi.org/10.1038/s41598-020-71908-9
  9. Дедов И.И., Шестакова М.В., Викулова О.К., Железнякова А.В., Исаков М.А. Сахарный диабет в Российской Федерации: распространенность, заболеваемость, смертность, параметры углеводного обмена и структура сахароснижающей терапии по данным Федерального регистра сахарного диабета, статус 2017 г. Сахарный диабет. 2018; 21(3): 144-59. https://doi.org/10.14341/DM9686
  10. Abbafati C., Machado D.B., Cislaghi B., Salman O.M., Karanikolos M., Mckee M., et al. Global burden of 87 risk factors in 204 countries and territories, 1990-2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet. 2020; 396(10258): 1223-49. https://doi.org/10.1016/S0140-6736(20)30752-2
  11. Задворная О.Л., Борисов К.Н. Развитие стратегий профилактики неинфекционных заболеваний. Медицинские технологии. Оценка и выбор. 2019; (1): 43-9. https://doi.org/10.31556/2219-0678.2019.35.1.043-049
  12. Бойцов С.А., Деев А.Д., Шальнова С.А. Смертность и факторы риска развития неинфекционных заболеваний в России: особенности, динамика, прогноз. Терапевтический архив. 2017; 89(1): 5-13. https://doi.org/10.17116/terarkh20178915-13
  13. Кобякова О.С., Куликов Е.С., Малых Р.Д., Черногорюк Г.Э., Деев И.А., Старовойтова Е.А. и др. Стратегии профилактики хронических неинфекционных заболеваний: современный взгляд на проблему. Кардиоваскулярная терапия и профилактика. 2019; 18(4): 92-8. https://doi.org/10.15829/1728-8800-2019-4-92-98
  14. Митрофанов И.М. Интегральные показатели риска хронических невоспалительных заболеваний (ХНИЗ): используемые методы и возможные подходы. Доступно: https://conf.nsc.ru/files/conferences/ictm-2013/presentation/168009/168010/2013-06-07_MitrophanovIM.pdf
  15. Куликов В.А. Фрамингемское исследование сердца: 65 лет изучения причин атеросклероза. Вестник Витебского государственного медицинского университета. 2012; 11(2): 16-24.
  16. Goh L.G.H., Welborn T.A., Dhaliwal S.S. Independent external validation of cardiovascular disease mortality in women utilising Framingham and SCORE risk models: A mortality follow-up study. BMC Women’s Health. 2014; 14: 118. https://doi.org/10.1186/1472-6874-14-118
  17. Krittanawong C., Virk H.U.H., Bangalore S., Wang Z., Johnson K.W., Pinotti R., et al. Machine learning prediction in cardiovascular diseases: A meta-analysis. Sci. Rep. 2020; 10(1): 16057. https://doi.org/10.1038/s41598-020-72685-1
  18. Bates D.W., Saria S., Ohno-Machado L., Shah A., Escobar G. Big data in health care: using analytics to identify and manage high-risk and high-cost patients. Health Aff. (Millwood). 2014; 33(7): 1123-31. https://doi.org/10.1377/hlthaff.2014.0041
  19. Швец Д.А., Поветкин С.В. Сравнительный обзор использования методов машинного обучения для прогнозирования сердечно-сосудистого риска. Вестник новых медицинских технологий. 2020; (5): 1-11. https://doi.org/10.24411/2075-4094-2020-16711
  20. Sajeev S., Champion S., Beleigoli A., Chew D., Reed R.L., Magliano D.J., et al. Predicting Australian adults at high risk of cardiovascular disease mortality using standard risk factors and machine learning.Int. J. Environ. Res. Public Health. 2021; 18(6): 3187. https://doi.org/10.3390/ijerph18063187
  21. Kakadiaris I.A., Vrigkas M., Yen A.A., Kuznetsova T., Budoff M., Naghavi M. Machine learning outperforms ACC/AHA CVD risk calculator in MESA. J. Am. Heart Assoc. 2018; 7(22): e009476. https://doi.org/10.1161/JAHA.118.009476
  22. Суджаева О.А. Некоторые вопросы сердечно-сосудистой профилактики с учетом новых Рекомендаций Европейского общества кардиологов. Медицинские новости. 2017; (2): 39-45
  23. Takura T., Hirano Goto K., Honda A. Development of a predictive model for integrated medical and long-term care resource consumption based on health behaviour: application of healthcare big data of patients with circulatory diseases. BMC Med. 2021; 19(1): 15. https://doi.org/10.1186/s12916-020-01874-6
  24. Берштейн Л.Л., Головина А.Е., Катамадзе Н.О., Бондарева Е.В., Сайганов С.А. Оценка точности прогнозирования сердечно-сосудистых событий с помощью шкалы SCORE и ультразвуковой визуализации атеросклеротической бляшки среди пациентов многопрофильного стационара Санкт-Петербурга: данные среднесрочного наблюдения. Российский кардиологический журнал. 2019; 24(5): 20-5. https://doi.org/10.15829/1560-4071-2019-5-20-25
  25. Гусев А.В., Гаврилов Д.В., Корсаков И.Н., Серова Л.М., Новицкий Р.Э., Кузнецова Т.Ю. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний. Врач и информационные технологии. 2019; (3): 41-7.
  26. Сарычева А.А., Небиеридзе Д.В., Камышова Т.В. Можно ли улучшить приверженность к лечению артериальной гипертонии и дислипидемий у пациентов без клинических проявлений атеросклероза? Рациональная фармакотерапия в кардиологии. 2017; 13(5): 602-8. https://doi.org/10.20996/1819-6446-2017-13-5-602-608
  27. Гаврилов Д.В., Серова Л.М., Корсаков И.Н., Гусев А.В., Новицкий Р.Э., Кузнецова Т.Ю. Предсказание сердечно-сосудистых событий при помощи комплексной оценки факторов риска с использованием методов машинного обучения. Врач. 2020; 31(5): 41-46. https://doi.org/10.29296/25877305-2020-05-08
  28. Webiomed. Платформа предиктивной аналитики и управления рисками в здравоохранении на основе машинного обучения. Доступно: https://webiomed.ai/media/docs/skachat-prezentatsiiu-o-sisteme.pdf
  29. Patel B., Sengupta P. Machine learning for predicting cardiac events: what does the future hold? Exp. Rev. Cardiovasc. Ther. 2020; 18(2): 77-84. https://doi.org/10.1080/14779072.2020.1732208
  30. De Boever P., Louwies T., Provost E., Int Panis L., Nawrot T.S. Fundus photography as a convenient tool to study microvascular responses to cardiovascular disease risk factors in epidemiological studies. J. Vis. Exp. 2014; (92): e51904. https://doi.org/10.3791/51904
  31. De Silva D.A., Manzano J.J., Woon F.P., Liu E.Y., Lee M.P., Gan H.Y., et al. Associations of retinal microvascular signs and intracranial large artery disease. Stroke. 2011; 42(3): 812-4. https://doi.org/10.1161/STROKEAHA.110.589960
  32. Serre K., Sasongko M.B. Modifiable lifestyle and environmental risk factors affecting the retinal microcirculation. Microcirculation. 2012; 19(1): 29-36. https://doi.org/10.1111/j.1549-8719.2011.00121.x
  33. Seidelmann S.B., Claggett B., Bravo P.E., Gupta A., Farhad H., Klein B.E., et al. Retinal vessel calibers in predicting long-term cardiovascular outcomes: the atherosclerosis risk in communities study. Circulation. 2016; 134(18): 1328-38. https://doi.org/10.1161/CIRCULATIONAHA.116.023425
  34. Guo S., Yin S., Tse G., Li G., Su L., Liu T. Association between caliber of retinal vessels and cardiovascular disease: a systematic review and meta-analysis. Curr. Atheroscler. Rep. 2020; 22(4): 16. https://doi.org/10.1007/s11883-020-0834-2
  35. Cheung C.Y., Xu D., Cheng C.Y., Sabanayagam C., Tham Y.C., Yu M., et al. A deep-learning system for the assessment of cardiovascular disease risk via the measurement of retinal-vessel calibre. Nat. Biomed. Eng. 2021; 5(6): 498-508. https://doi.org/10.1038/s41551-020-00626-4
  36. Poplin R., Varadarajan A.V., Blumer K., Liu Y., McConnell M.V., Corrado G.S., et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat. Biomed. Eng. 2018; 2(3): 158-64. https://doi.org/10.1038/s41551-018-0195-0
  37. Kim Y.D., Noh K.J., Byun S.J., Lee S., Kim T., Sunwoo L., et al. Effects of hypertension, diabetes, and smoking on age and sex prediction from retinal fundus images. Sci. Rep. 2020; 10(1): 4623. https://doi.org/10.1038/s41598-020-61519-9

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Безрукова Г.А., Новикова Т.А., 2022

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.
СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ:  ПИ № ФС77-50668 от 13.07.2012 г.