|
ИСТИНА |
Войти в систему Регистрация |
ИСТИНА ПсковГУ |
||
ПРОГНОЗИРОВАНИЕ КОНЦЕНТРАЦИИ ЛИПОПРОТЕИНОВ НИЗКОЙ ПЛОТНОСТИ С ПОМОЩЬЮ ИНСТРУМЕНТОВ МАШИННОГО ОБУЧЕНИЯтезисы доклада
- Авторы: Гимадиев Ринат Рашитович, Варакина-Митрай К.А., Щеголев О.Б., Вареха Н.В., Радченко А.В., Артемьева О.А.
- Сборник: Сборник Тезисов. Вычислительная биология и искусственный интеллект для персонализированной медицины-2024
- Тезисы
- Год издания: 2024
- Место издания: ГНЦ РФ ФГБУ «НМИЦ эндокринологии» Минздрава России Москва
- Первая страница: 40
- Последняя страница: 41
- DOI: 10.14341/bio-aug7-9-2024-23
- Аннотация: Введение: Исследование холестерола-липопротеинов низкой плотности (ЛПНП) используется для оценки риска сердечно-сосудистых заболеваний. В 1972 году на основе анализа 448 пациентов Фридвальд предложил формулу для оценки концентрации ЛПНП на основе других рутинных измерений холестерина: ЛПНП (ммоль/л) = холестерин общий – липопротеины высокой плотности (ЛПВП) – (триглицериды/2,2). Хотя с момента его первого использования прошло почти 50 лет, оригинальное уравнение Фридвальда до сих пор широко используется в повседневной практике наряду с прямым измерением аналита. Однако существуют ограничения, которые необходимо учитывать при его использовании. Например, оценка уровня ЛПНП становится недостоверной, когда уровень триглицеридов (ТГ) превышает 4,5 ммоль/л. Также сообщалось, что результаты расчета зависят от наличия диабета, заболеваний печени или взятия крови не натощак. Из-за этих ограничений постоянно предпринимаются попытки внести коррективы в уравнение Фридвальда или разработать более сложное уравнение для оценки ЛПНП. Кроме того, биохимические показатели обмена липидов являются дорогостоящими, трудоемкими и не всегда доступными для медицинских учреждений. Последние годы внимание исследователей было сосредоточено на изучении регрессионных моделей с помощью инструментов машинного обучения (МО). Модели МО способны обучаться на основе входящих данных лабораторных исследований, запоминать информацию и строить прогнозы. Именно поэтому важна разработка программного обеспечения на основе нейронных сетей для диагностики дислипидемий и прогнозирования концентраций показателей липидного спектра. Ключевые слова: Липопротеины низкой плотности, липопротеины высокой плотности, триглицериды, холестерин общий, уравнение Фридвальда, искусственный интеллект, машинное обучение. Цель исследования: Изучить эффективность модели регрессии для оценки уровня ЛПНП и сравнить ее точность с расчетом по уравнению Фридвальда. Материалы и методы: Датасет составил 638 234 обезличенных лабораторных отчета из базы данных сетевых клинико-диагностических лабораторий, включая пол и возраст пациентов. Холестерин общий, ТГ, ЛПВП и ЛПНП были выполнены на анализаторах клинической химии, таких как Roche, Abbott, Beckman Coulter, Mindray. В задаче регрессии использовались линейная регрессия и градиентный бустинг. Результаты: Выявлена высокая корреляция между прогнозируемым и измеренным уровнем ЛПНП (r=0,978), корреляция между рассчитанным по уравнению Фридвальда и измеренным уровнем составила 0,967. На всем линейном диапазоне измерения аналита модель регрессии обладает более высокой точностью в прогнозе уровня ЛПНП (R2=0,951, средняя абсолютная ошибка (MAE) = 0,148 ммоль/л) по сравнению с расчетом уровня ЛПНП по Фридвальду (R2=0,900, MAE=0,161 ммоль/л). Такая же тенденция наблюдалась при значениях ТГ<4,5 ммоль/л: R2=0,955, MAE=0,143 против R2=0,943, MAE=0,144. Выводы: Полученные нами данные согласуются с результатами зарубежных исследований (Gyu Chul Oh et al., Hikmet Can Çubukçu et al., Lei Chen et al.). Таким образом, прогнозирование уровня ЛПНП с помощью МО является более надежным методом по сравнению с методом Фридвальда и может быть внедрено в лабораторные информационные системы медицинских лабораторий. Кроме того, этот расчетный показатель может быть полезен в качестве дополнительного инструмента внутрилабораторного контроля качества.
- Добавил в систему: Гимадиев Ринат Рашитович