Разработка моделей искусственного интеллекта для краткосрочного прогнозирования гипертонических кризов высокого риска в условиях первичной медицинской помощи.
Ключевые слова:
Искусственный интеллект, гипертонический криз, машинное обучение, первичная медицинская помощь, прогнозирование риска, кардиология.Аннотация
Гипертонический криз остается одной из ведущих причин сердечно-сосудистых осложнений. Традиционные шкалы оценки риска ориентированы на долгосрочные последствия и не позволяют прогнозировать острые события в первичном звене здравоохранения. Цель: Разработать и валидировать модель машинного обучения для краткосрочного (7-дневного) прогнозирования гипертонических кризов. Методы: Было проведено ретроспективное когортное исследование с использованием электронных медицинских карт 50 пациентов с эссенциальной гипертензией. Были сравнены три различных алгоритма (логистическая регрессия, случайный лес, XGBoost). В качестве основных факторов были выбраны гемодинамическая вариабельность, биохимические маркеры и приверженность к медикаментозному лечению.
Библиографические ссылки
World Health Organization (WHO). Hypertension: Key Facts. WHO, Geneva, 2023. Available at: https://www.who.int/news-room/fact-sheets/detail/hypertension
Whelton PK, Carey RM, Aronow WS, et al. 2017 ACC/AHA/AAPA/ABC/ACPM/AGS/APhA/ASH/ASPC/NMA/PCNA Guideline for the Prevention, Detection, Evaluation, and Management of High Blood Pressure in Adults. Hypertension. 2018;71(6):e13-e115.
Visseren FLJ, Mach F, Smulders YM, et al. 2021 ESC Guidelines on cardiovascular disease prevention in clinical practice. Eur Heart J. 2021;42(34):3227-3337.
Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial Intelligence in Precision Cardiovascular Medicine. J Am Coll Cardiol. 2017;69(21):2657-2664.
Johnson KW, Glicksberg BS, Johnson NO, et al. Automated machine learning to predict the progression of arterial hypertension. AMIA Annu Symp Proc. 2018;2018:1342-1351.
Varounis C, Katsi V, Nihoyannopoulos P, Lekakis J, Tousoulis D. Cardiovascular Hypertensive Crisis: Recent Evidence and Review of the Literature. Front Cardiovasc Med. 2017;3:51.
Chen T, Guestrin C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016:785-794.
Parati G, Stergiou GS, Dolan E, Bilo G. Blood pressure variability: clinical relevance and application. J Clin Hypertens (Greenwich). 2018;20(7):1133-1137.
Stevens SL, Wood S, Koshiaris C, et al. Blood pressure variability and cardiovascular disease: systematic review and meta-analysis. BMJ. 2016;354:i4098.
Burnier M, Egan BM. Adherence in Hypertension: A Review of Prevalence, Risk Factors, Impact, and Management. Circ Res. 2019;124(7):1124-1140.
(+998)90 142-39-38
m.z.abdutolibov@gmail.com
@universal_jurnal
Андижанская область, Мархаматский район, ул. Кашкар 189