Аннотация:Современные исследования показывают, что изменения микроциркуляции и микрореологии крови, включая свойства эритроцитов и тромбоцитов, могут играть важную роль в развитии и прогрессировании сердечно-сосудистых заболеваний (ССЗ) [1-3]. Цель данной работы состояла в количественной оценке и корреляционном анализе изменений микрореологических свойств крови и параметров капиллярного кровотока у пациентов с сердечно-сосудистыми заболеваниями для дальнейшего выявления диагностически значимых маркеров методами машинного обучения. Всего в исследовании принимал участие 351 пациент с различными ССЗ и 25 здоровых доноров. Пробы крови забирались натощак из локтевой вены пациента в пробирки объемом 4 мл с антикоагулянтами ЭДТА К2 или ЭДТА К3. Количественная оценка агрегации и деформируемости эритроцитов проводилась in vitro с помощью методов диффузного светорассеяния и лазерной эктацитометрии от образцов цельной крови и разбавленной суспензии эритроцитов соответственно, реализованных в приборе RheoScan-AnD300 (RheoMediTech, Республика Корея). Параметры кинетики агрегации тромбоцитов оценивались по сигналу светорассеяния от суспензии этих клеток с помощью лазерного анализатора агрегации тромбоцитов АЛАТ-2 (НПФ «Биола», Россия) при индукции их агрегации аденозиндифосфатом в концентрации 1 и 5 мкМ в обогащенной тромбоцитами плазме. Оценка параметров микроциркуляции проводилась посредством программной обработки изображений и видеофрагментов, полученных с помощью оптического капилляроскопа Капиляроскан-1 (AET, Россия), оснащенного высокоскоростной ПЗС-камерой, при визуализации капилляров ногтевого ложа пальцев руки пациента.Анализ важности признаков моделей машинного обучения как диагностически значимых маркеров методом SHAP показал, что для алгоритмов “случайный лес” и “Catboost” наиболее значимыми являются такие параметры как: диаметр переходного отдела, измеряемый с помощью оптического капилляроскопа, деформируемость и агрегация эритроцитов, тогда как алгоритмы K-ближайших соседей, логистической регрессии и алгоритм деревьев преимущественно опирались на параметры агрегации тромбоцитов и эритроцитов. Однако стоит отметить, что набор параметров, который оказывал значительное влияние на выход модели, преимущественно совпадает для каждого алгоритма машинного обучения. При этом как сложные, так и базовые алгоритмы достигли 100% точности при бинарной классификации здоровых доноров и пациентов с ССЗ. Таким образом, с помощью машинного обучения определены наиболее значимые параметры крови, получаемые оптическими методами, которые могут влиять на развитие и прогрессирование ССЗ.Работа выполнена при финансовой поддержке гранта РНФ № 25-15-00172.
