Алгоритмы прогнозирования фибрилляции предсердий и внутригоспитальной летальности у больных ишемической болезнью сердца после коронарного шунтирования тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Рублев Владислав Юрьевич

• Рублев Владислав Юрьевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Рублев Владислав Юрьевич

ВВЕДЕНИЕ

ГЛАВА 1 СОВРЕМЕННЫЕ ПРЕДСТАВЛЕНИЯ О СТРАТИФИКАЦИИ РИСКОВ ОСЛОЖНЕНИЙ У БОЛЬНЫХ ИБС ПОСЛЕ КШ (ОБЗОР ЛИТЕРАТУРЫ)

1.1 Методы машинного обучения в прогнозировании ближайших и отдаленных результатов реваскуляризации миокарда

1.2 Клинико-патофизиологические и прогностические аспекты фибрилляции предсердий после КШ

1.3 Прогнозирование рисков внутригоспитальной летальности у больных ИБС после КШ

ГЛАВА 2 МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЯ

2.1 Клиническая характеристика больных

2.2 Методы исследования

ГЛАВА 3 АЛГОРИТМ ОТБОРА ПРЕДИКТОРОВ И ПРОГНОЗИРОВАНИЕ ПОСЛЕОПЕРАЦИОННОЙ ФИБРИЛЛЯЦИИ ПРЕДСЕРДИЙ У БОЛЬНЫХ ИБС ПОСЛЕ КШ

3.1 Алгоритм отбора предикторов фибрилляции предсердий у больных ИБС после КШ

3.2 Прогностические модели фибрилляции предсердий у больных ИБС после КШ

ГЛАВА 4 АЛГОРИТМ ОТБОРА ПРЕДИКТОРОВ И ПРОГНОЗИРОВАНИЕ ВНУТРИГОСПИТАЛЬНОЙ ЛЕТАЛЬНОСТИ У БОЛЬНЫХ ИБС ПОСЛЕ КШ

4.1 Отбор предикторов внутригоспитальной летальности у больных ИБС после КШ

4.2 Прогнозирование внутригоспитальной летальности у больных ИБС после КШ

4.2.1 Анализ прогностической точности модели ЕигоБСОКЕП и её модификаций

на анализируемой выборке

4.2.2. Авторские прогностические модели ВГЛ

ЗАКЛЮЧЕНИЕ

ВЫВОДЫ

ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Алгоритмы прогнозирования фибрилляции предсердий и внутригоспитальной летальности у больных ишемической болезнью сердца после коронарного шунтирования»

ВВЕДЕНИЕ

Актуальность и степень разработанности темы исследования

Ишемическая болезнь сердца (ИБС) остается одной из ведущих причин инвалидизации и смертности взрослого населения во многих странах мира [102, 132]. В Российской Федерации наблюдается высокий уровень смертности от болезней системы кровообращения, составляющий около 599 человек на 100 тыс. населения, при этом более половины (53%) смертей приходится на ИБС [1, 7]. Согласно отчету Американской ассоциации сердца за 2019 год, количество пациентов, страдающих ИБС в США, составляло 18,2 млн человек, а годовая смертность превысила 3 миллиона человек [27]. Несмотря на большую вариативность медикаментозного сопровождения данной нозологии, основным методом лечения остается процедура хирургической реваскуляризации миокарда, осуществляемая либо эндоваскулярным способом, либо в ходе открытого кардиохирургического вмешательства. Последнее, представленное процедурой коронарного шунтирования (КШ), несмотря на широкое внедрение эндоваскулярных технологий, до сих пор остается высокоэффективной методикой лечения больных ИБС, в частности при комбинированном повреждении нескольких коронарных бассейнов, значительно повышая качество и продолжительность жизни пациентов [4, 7, 88, 102]. Одним из наиболее распространённых осложнений КШ является развитие послеоперационной фибрилляции предсердий (ПОФП), которая регистрируется у 35-40% пациентов. По данным литературы возникновение ПОФП, является потенцирующим фактором риска, повышающим вероятность развития таких клинических событий, как: кровотечение, острая почечная недостаточность, ишемический инсульт, асистолия. Вероятность неблагоприятных исходов на фоне ПОФП, так же значимо повышается, что отражается в двукратном повышении показателя смертности на 30-дневном и 6-месячном горизонтах наблюдений [34]. В настоящее время отсутствует унифицированная патофизиологическая модель, подробно объясняющая процесс возникновения ПОФП, но высказываются предположения,

что пусковым механизмом является комплексное взаимодействие факторов местного и системного воспалительного процесса. Согласно доступным источникам, внутригоспитальная летальность (ВГЛ) после изолированного КШ составляет 1-3% у пациентов в возрасте до 70 лет и 5-6% у лиц старшей возрастной группы. При комбинированных кардиохирургических вмешательствах уровень летальности составляет 6%, независимо от возраста пациентов [94]. Так как послеоперационная смертность служит показателем качества кардиохирургической помощи, в последние годы увеличилось число исследований, направленных на разработку новых прогностических шкал с более высокой предсказательной ценностью, чем их классические аналоги: Society of Thoracic Surgeons Score (STS Score) и EuroSCORE II [142]. Последние демонстрировали сопоставимую предсказательную ценность у различных исследуемых кардиохирургических больных [20]. Однако, с учетом резкого повышения вычислительных мощностей, количества накопленных данных и отсутствия оптимальной прогностической технологии наблюдается рост интереса исследователей к современным алгоритмам машинного обучения (МО), позволяющим улучшать уже известные и разрабатывать новые модели оценки риска ПОФП и ВГЛ после КШ. Наряду с использованием традиционных статистических методов, применяемых, в том числе в классических прогностических моделях, для построения и разработки новых используют такие инструменты МО, как: стохастический градиентный бустинг (СГБ), машина опорных векторов, случайный лес (СЛ), искусственные нейронные сети (ИНС) и др. [70].

Результаты актуальных исследований отражают мнение профессионального сообщества и подтверждают, что исключительно через междисциплинарную кооперацию специалистов здравоохранения и высококвалифицированных консультантов по технологиям МО и искусственного интеллекта удастся реализовать накопленный научно-технический потенциал, приводя, в конечном счете, не только к повышению качества прогнозирования и контроля факторов

риска, но и к созданию эффективных инструментов поддержки клинических решений, востребованных в рутинной врачебной практике [124].

Цель исследования состояла в прогнозировании рисков фибрилляции предсердий и внутригоспитальной летальности у больных ИБС после КШ на основе методов машинного обучения.

Задачи исследования

1. Разработать алгоритм отбора предикторов фибрилляции предсердий у больных ИБС после КШ, определить диапазоны их значений, обладающие наибольшей прогностической ценностью и оценить степень влияния на конечную точку исследования по результатам расчета весовых коэффициентов.

2. С помощью методов МО (многофакторной логистической регрессии и искусственных нейронных сетей) разработать прогностические модели фибрилляции предсердий у больных ИБС в послеоперационном периоде КШ и по результатам валидации и сравнительного анализа метрик качества выделить лучшую из них. Определить относительный вклад отдельных предикторов в реализацию риска ПОФП.

3. Для оценки вероятности ВГЛ после КШ оценить предиктивный потенциал показателей, характеризующих дооперационный клинико-функциональный статус больных ИБС, определить их прогностически значимые диапазоны и степень влияния на конечную точку исследования по результатам анализа весовых коэффициентов.

4. На основе методов МО (многофакторной логистической регрессии, случайного леса и стохастического градиентного бустинга) разработать прогностические модели ВГЛ у больных ИБС после КШ и выделить лучшую из них по результатам валидации и сравнительного анализа метрик качества. Установить относительный вклад отдельных предикторов в реализацию риска ВГЛ.

Научная новизна исследования

Впервые, с помощью комплексного анализа дооперационных параметров клинко-функционального статуса пациентов с ИБС, был создан многоступенчатый алгоритм отбора предикторов развития ПОФП и ВГЛ после КШ. Алгоритм включал процедуры выделения прогностически значимых диапазонов или критериальных границ анализируемых факторов, обладающих наибольшим предиктивным потенциалом, а также расчет коэффициентов, отражающих значимость влияния отдельных признаков на конечные точки исследования. Впервые, выполнена верификация комплекса факторов с наибольшей предсказательной ценностью для прогнозирования ПОФП. Такими факторами оказались: возраст пациентов (>55 года для мужчин, >60 лет - для женщин); наличие ХСН Ш-1У ФК; показатели ЭКГ: PQ 170-210 мс, ОЯБ 50-80 мс, ЯЯ >1100 мс, QT (>420 мс для мужчин; >440 мс - для женщин); показатели трансторакальной эхокардиографии: произведение линейных размеров ЛП > 160 мм2 и ПП > 150 мм2, наличие недостаточности трикуспидального клапана, ФВ 45-60% и КСР ЛЖ > 49 мм. При этом, разработанная на основе ИНС предиктивная модель развития ПОФП показывала более высокие результаты точности, по сравнению с моделью, построенной с помощью многофакторной логистической регрессии (МЛР) ( (АиС 0,77 vs АиС 0,75). Впервые был определен относительный вклад отдельных предикторов в реализацию риска ПОФП. На конечную точку исследования превалирующее влияние оказывали 3 фактора: КСР ЛЖ> 49 мм (21%), PQ 170-210 мс (20%), произведение линейных размеров ПП> 150 мм2 (17,3%). Впервые для прогнозирования ВГЛ был верифицирован комплекс факторов с наибольшей предсказательной ценностью. К ним относились продольный размер правого предсердия, недавно перенесенный ИМ, ХСН Ш-1У ФК, заболевания периферических артерий, стабильная стенокардия Ш-1У ФК, возраст больных > 60 лет, ФВ < 30%, СДЛА 31-55 мм.рт.ст., срочность КШ, ИОТ < 0.21 отн.ед. или ИОТ > 0.5 отн.ед. индекс коморбидности Чарлсона > 4 усл.ед и длительность интервала ЯЯ > 1200 мс. Прогностическая модель ВГЛ на основе МЛР отличалась большей точностью (АиС 0,87) в сравнении с СЛ и СГБ (АиС 0,85 и 0,86, соответственно). Впервые верифицирован относительный вклад отдельных

предикторов в реализацию риска ВГЛ. На конечную точку исследования превалирующее влияние оказывали 3 фактора: недавно перенесенный ИМ (24,5%), продольный размер ПП (9,5%), ХСН Ш-1У ФК (8,2%).

Практическая значимость

Практическая значимость работы заключается в совершенствовании подходов к стратификации рисков ПОФП и ВГЛ у больных ИБС в послеоперационном периоде КШ. Использование для решения этой задачи современных методов МО позволило разработать прогностические модели, отличающиеся от скрининговой системы Еш^СОЯЕ II более высокой точностью. На основе полученных данных были разработаны программы для ЭВМ: «Сервис оценки риска внутригоспитальной летальности после аортокоронарного шунтирования» (свидетельство о государственной регистрации №2020660941 от 15.09.2020) и «Программа для отбора предикторов и прогнозирования фибрилляции предсердий у больных ишемической болезнью сердца после коронарного шунтирования» (свидетельство о государственной регистрации №2021618886 от 07.06.2021). Изучаемая когорта пациентов оформлена в виде базы данных (свидетельство о государственной регистрации №2022621907 от 02.08.2022). Результаты исследования внедрены в программы учебного процесса специалитета и ординатуры Школы медицины ДВФУ и в практическую деятельность Государственного бюджетного учреждения здравоохранения «Приморская краевая клиническая больница №1 ».

Основные положения, выносимые на защиту:

1. Алгоритмы отбора предикторов ПОФП и ВГЛ у больных ИБС после КШ, разработанные на основе комплексного анализа данных дооперационного клинико-функционального статуса больных, позволяют повысить точность прогнозирования неблагоприятных событий в послеоперационном периоде реваскуляризации миокарда.

2. Прогностическая модель ПОФП на основе ИНС является надежным инструментом для оценки риска данного осложнения. Структура модели включает 10 предикторов: возраст больных (55-74 года для мужчин, 60-78 лет - для женщин),

длительность интервалов RR >1100 мс, PQ 170-210 мс, QT (>420 мс для мужчин, >440 мс для женщин), комплекса QRS 50-80 мс, произведение линейных размеров ЛП >160 мм2 и ПП >150 мм2, КСР ЛЖ >49 мм, наличие НТК, ХСН III-IV ФК с сохраненной или промежуточной ФВ.

3. Прогностическая модель ВГЛ после КШ, разработанная на основе МЛР, демонстрировала более высокую точность по сравнению с другими методами МО. В её структуру вошли 12 предикторов: продольный размер правого предсердия, недавно перенесенный ИМ, ХСН III-IV ФК, заболевания периферических артерий, стабильная стенокардия III-IV ФК, возраст больных >60 лет, ФВ<30%, СДЛА 3155 мм.рт.ст., срочность оперативного вмешательства, ИОТ <0.21 отн.ед. или ИОТ >0.5 отн.ед., индекс коморбидности Чарлсона >4 усл.ед. и длительность интервала RR >1200 мс.

Апробация результатов исследования

Материалы и отдельные положения диссертации были представлены на 17-ой национальной конференции по искусственному интеллекту с международным участием (КИИ-2019), 4th international conference on Computer Science and Application Engineering (CSAE 2020); 18-ой национальной конференции по искусственному интеллекту с международным участием (КИИ-2020); научно-практической конференции "Инновации и технологии в биомедицине" 2020; Х -й международной научно-технической конференции интегрированные модели и мягкие вычисления в искусственном интеллекте (ИММВ-2021); научно-практической конференции "Инновации и технологии в биомедицине" 2021; ежегодной всероссийской научно-практической конференции и 61 -ой сессии ФГБУ "НМИЦ кардиологии" Минздрава России (Кардиология на марше 2021); XI-й международной научно-технической конференции интегрированные модели и мягкие вычисления в искусственном интеллекте (ИММВ-2022); Актуальные вопросы сердечно-сосудистой хирургии. Куликовские чтения II. (г.Благовещенск, 2022); CHEST Congress 2022 (г.Болонья, Италия 2022). Получено 2 свидетельства о государственной регистрации программ для ЭВМ и 1 свидетельство о государственной регистрации базы данных.

Публикация материалов исследования

В контексте диссертационной тематики было опубликовано 27 печатных работ. Среди них 16 статей были опубликованы в изданиях, которые индексируются базами Scopus и Web of Science, из которых 11 статей в журналах, рекомендованных ВАК РФ. 14 работ были представлены в виде материалов сборников научно-практических конференций.

Степень достоверности

Научные положения и выводы диссертации аргументированы, обоснованы и достоверны. Фактические материалы, представленные в диссертации, целиком соответствуют первичной документации. Достоверность полученных результатов и выводов основана на достаточном объеме выборки, использовании современных технологий математической статистики и машинного обучения.

Объем и структура диссертации

Структура диссертационного исследования включает следующие разделы: введение, обзор литературы, материалы и методы исследования, две главы описывающих результаты собственных исследований, заключение, выводы, практических рекомендации и список используемой литературы. Общий объем текста диссертации составляет 115 страниц машинописного текста. В работе приведены 12 таблиц и 11 рисунков. Список литературы содержит 143 источника, среди которых 19 отечественных и 124 зарубежных.

ГЛАВА 1 СОВРЕМЕННЫЕ ПРЕДСТАВЛЕНИЯ О СТРАТИФИКАЦИИ РИСКОВ ОСЛОЖНЕНИЙ У БОЛЬНЫХ ИБС ПОСЛЕ

КШ (ОБЗОР ЛИТЕРАТУРЫ)

Согласно результатам проспективных исследований ИБС в странах развитой экономики выявляется у 5-8% мужчин средней возрастной группы (20 - 44 лет) и у 18-25% мужчин в возрасте 45 - 69 лет. В женской популяции ИБС встречается несколько реже, не превышая 13-15% в старшей возрастной группе [133]. В Российской Федерации наблюдается высокий уровень смертности от сердечно -

сосудистых заболеваний, который составляет 599 человек на 100 тыс. населения. Из этого числа более половины (53%) смертей приходится на ИБС [3, 7]. В отчете Американской ассоциации сердца за 2019 год отмечается, что в США было зарегистрировано 18,2 миллиона человек, страдающих ИБС. При этом ежегодный уровень смертности среди этой группы пациентов превышал 3 миллиона человек [27]. При этом в группе таких пациентов фиксируется высокий риск ранней потери трудоспособности и инвалидизации, что определяет социально-экономическую значимость исследований, направленных на оптимизацию мероприятий по её профилактике, совершенствованию алгоритмов диагностики, консервативного и хирургического лечения данного заболевания.

Хирургическая реваскуляризация миокарда и фармакологическая коррекция представляются синергическими методиками лечения больных ИБС. Для пациентов со стабильной стенокардией показанием к инвазивной реваскуляризации может послужить недостаточная эффективность лекарственной терапии, наличие множественных окклюзий коронарных артерий (КА), диффузные гемодинамически значимые дистальные стенозы, стеноз ствола левой или единственной не окклюзированной КА, область ишемии левого желудочка более 10% или наличие выраженной клиники стенокардии, не поддающейся контролю за счет медикаментозной терапии при любом стенозе более 50% по данным коронарографического исследования [1]. Как и в случае любого оперативного вмешательства при КШ существует определенный риск развития осложнений. Ранние послеоперационные нарушения, чаще всего ухудшают работу сердечнососудистой системы (40%), органов дыхания (34%) и процесса заживления послеоперационных ран (23%) [4]. Типичными вариантами подобных осложнений являются нарушения сердечного ритма, периоперационый инфаркт миокарда (ИМ), цереброваскулярные расстройства, нарушение функции почек, нозокомиальные пневмонии, раневые инфекции, диастаз грудины [10]. Согласно результатам доступных исследований, частота неврологических осложнений варьирует от 0,8 до 15%, а ишемический инсульт с выраженным неврологическим дефицитом определяется у 2%-6% больных. При этом отмечается, что около 70%

цереброваскулярных осложнений развиваются во время операции [15]. Возникновение послеоперационных осложнений пролонгирует длительность пребывания пациентов в стационаре, приводит к повторным госпитализациям в отделения интенсивной терапии (около 5% случаев после КШ) и повышает риск развития неблагоприятных сердечно-сосудистых событий в отдаленном периоде [7]. Высокая частота осложнений после КШ объясняется тяжестью соматического состояния пациентов перед операцией, сложностью хирургического вмешательства и необходимостью применения искусственного кровообращения (ИК) в большинстве случаев.

Современные рандомизированные клинические исследования (РКИ), сравнивающие различные стратегии реваскуляризации миокарда показали, что КШ до сих пор остается технологией выбора у больных с изолированным стенозом ствола левой КА или со сложным многососудистым поражением коронарного русла. Так, согласно результатам РКИ SYNTAX - около 71% больных, страдающих стабильной формой ИБС, являются потенциальными кандидатами на КШ. Это исследование легло в основу клинической шкалы SYNTAX Score, позволяющей с помощью результатов однократного ангиографичесского исследования, без учета клинического статуса больного, оценить степень патологических изменений в коронарном русле. Таким образом пациентов с ИБС предлагается разделять на три группы: с низкой, средней и высокой степени риска, при этом подразумевается, что при высокой (более 33 баллов SYNTAX Score) у больных имеется атеросклеротическое поражение ствола левой КА и\или многососудистое поражение КА, повышающие сложность и ухудшающие прогноз эндоваскулярной реваскуляризации (ЧКВ) по сравнению с КШ. Согласно международным консенсусным документам по вопросам реваскуляризации миокарда [13, 82, 102], тактику лечения конкретного больного необходимо выбирать с учетом мнения участников мультидисциплинарной команды (кардиолога, врача интервенциониста и кардиохирурга), которое в свою очередь базируется на степени атеросклеротических изменений в коронарном русле и их технической сложности,

показателях клинического статуса пациента, его предпочтений, а так же опыта хирурга и клиники.

Современная техника КШ стала достаточно разнообразной и в зависимости от возможностей клиники и опыта кардиохирурга может выполняться как при помощи аппарата искусственного кровообращения (АИК), так и на работающем сердце. Кроме того, возможно проведение минимально инвазивного вмешательства - без проведения стернотомии (MIDCAB)[141]. Каждый из вариантов обладает своими достоинствами и недостатками. Так, проведение КШ без ИК снижает риск развития системной воспалительной реакции и вероятность кровотечения, послеоперационных аритмий [128]. Выполнение КШ по методике MIDCAB ограниченно дороговизной расходных материалов и сложностью выполнения при тяжелом многососудистом поражении КА. Выполнение КШ на фоне ИК, несмотря на повышенный риск послеоперационных осложнений, позволяет наиболее технологично выполнить реваскуляризацию, тем самым улучшая долгосрочные результаты операции.

1.1 Методы машинного обучения в прогнозировании ближайших и отдаленных результатов реваскуляризации миокарда

В последние годы технологии искусственного интеллекта (ИИ) все чаще используются в клинической медицине, в том числе в интересах персонализированной кардиологии. Их внедрение уже сейчас позволяет сокращать затраты на профилактику и лечение, повышать экономическую эффективность, контролировать показатели риска повторной госпитализации, послеоперационных осложнений и летальности. Развитие данного направления и обеспечение автоматизации процесса создания, отбора и анализа клинических данных требует тесного взаимодействия врачей и аналитиков больших данных. Ежегодно клиницисты фиксируют экспоненциальный рост объема информации. «Big data» в медицине, или так называемые «omics» данные (геномика, метаболомика, протеомика) отличаются неоднородностью и изменчивостью для методов

стандартного анализа. ИИ обладает потенциалом для обработки больших данных и последующего применения результатов анализа в клинической практике для эффективного лечения пациентов. Известно, что детерминированность ССЗ сложна и неоднородна и на их развитие оказывают влияние множество факторов: генетических, экологических и поведенческих. С текущим уровнем технологий появилась возможность разрабатывать прогностические модели оценки индивидуального риска ССЗ, его исходов и осложнений, более точные, чем простая бальная система или система оценки общих (усредненных) факторов риска ССЗ. Глубокое обучение - это новая технология МО, которая играет жизненно важную роль в таких областях, как распознавание изображений и речи, робототехнике и др. Глубокое обучение с использованием больших данных может использоваться для распознавания образов при гетерогенных синдромах и распознавания изображений при визуализации ССЗ. Например, с помощью методов искусственного интеллекта можно классифицировать новые генотипы или фенотипы хронической сердечной недостаточности (ХСН) с сохраненной фракцией выброса (ХСНсФВ) и коррелировать их с эхокардиографическими параметрами, что в последующем может привести к оптимизации или разработке таргетной лекарственной терапии. Кроме того, на сегодняшний день количественное определение двумерной эхокардиографии со спекл-трекингом миокарда (2D-STE) не может в достаточной степени оценить фракцию выброса левого желудочка, потому что последняя обычно рассчитывается путем визуального определения границ и зависит от опыта специалиста, что не обеспечивает воспроизводимости и точности. Следовательно, ИИ может повысить точность количественного определения 2D-STE и других методов визуализации сердца. В 21 -м веке парадигма диагностики смещается от традиционных статистических инструментов к использованию методов ИИ для обеспечения ее более высокой точности. Большие данные могут использоваться для создания новых гипотез терапии и открытия неочевидных клинических особенностей заболеваний. При этом развитие ИИ направлено на поддержку принятия врачебных решений, а не на замещение функции врача.

МО относится к основным инструментам ИИ и представляет собой обучаемую автоматизированную систему, способную выполнять определенные задачи и принимать решения на основе анализа доступных переменных. Алгоритмы МО все чаще используются в медицине для анализа больших объемов данных и извлечения новой информации. С их помощью, в частности, создаются модели, прогнозирующие риск развития ССЗ, послеоперационных осложнений и смертности. Причем по показателям специфичности, чувствительности и точности, они нередко превосходят аналогичные параметры «классических» методов диагностики [124]. Многонациональное исследование CEREBRIA-1 (машинное обучение против мнения человека-эксперта в рамках физиологически оптимизированных стратегий коронарной реваскуляризации) показало, что решения ИИ сопоставимы с мнением врачей-экспертов в выборе локализации и размера стента при проведении процедур ЧКВ [39, 115].

Методы МО подразделяют на два основных класса: без учителя и с учителем. Первый из них включает различные методы кластеризации, которые могут быть использованы для фенотипирования больных с учетом индивидуальных особенностей их функционального статуса. Так, например, иерархическую кластеризацию применяли для выделения у пациентов с ИБС отдельных вариантов ХСН с сохраненной фракцией выброса [49]. Методы МО с учителем, в которых используются заранее размеченные наборы данных, применяются в кардиологии для диагностики и поиска отдельных предикторов, определения степени их влияния на прогноз заболевания и персонализированные нормативы различных функциональных параметров [45]. Глубокое обучение, являясь частью МО, характеризуется математическими алгоритмами, называемыми искусственными нейронными сетями. В случае классического МО для создания точного прогноза изначально требуется запрограммировать определенные параметры. С помощью ИНС алгоритм анализирует существенно большие наборы данных, автоматически обнаруживая «шаблоны» и обучается без вмешательства человека. К алгоритмами МО, наиболее часто используемым в различных областях клинической медицины, относят различные варианты многофакторной логистической регрессии, регрессию

Кокса, ИНС, машины опорных векторов ^УМ), наивный байесовский классификатор и методы на основе дерева решений. Эти алгоритмы могут быть объединены в ансамбли для повышения точности и производительности. Так, например, в работе Натре et а1. (2019) для разработки модели, описывающей взаимосвязи между индикаторами сердечно-сосудистого статуса и клиническими формами ИБС, предлагается использовать комбинацию ИНС с наивным байесовским классификатором [55].

Научные исследования, связанные с прогнозированием результатов реваскуляризации миокарда в основном сосредоточены на предсказании осложнений в ранние (до 1 года) сроки после операции. Современные модели расчета риска для предсказания событий после КШ и ЧКВ имеют ограниченную точность. С помощью МО представляется возможным выявлять сложные и неочевидные корреляции анализируемых параметров и за счет этого создавать новые, более совершенные шкалы.

В последнее время, на фоне накопления значительного объема электронных медицинских данных и технической возможности создания моделей с высокой прогностической ценностью, наблюдается стойкий интерес клиницистов и исследователей к применению инструментов МО для предиктивной оценки результатов различных кардиохирургических вмешательств, в том числе КШ на ближайшем и отдаленном сроках наблюдения. К примеру, влияние гендерной принадлежности на раннюю послеоперационную смертность после КШ оценивали в ходе одноцентрового ретроспективного исследования 17919 больных ИБС. Его результаты показали, что у женщин показатель смертности значительно выше, чем у мужчин (2,7 % уб 1,9 %). А в качестве предикторов неблагоприятного исхода были выделены: пожилой возраст (старше 65 лет), неконтролируемая артериальная гипертензия, пограничные значения показателя индекса массы тела (ИМТ) -дефицит (ИМТ <20 кг\м2) или ожирение (ИМТ >30 кг\м2). Интересно, что ряд известных до этого исследования факторов (хроническая обструктивная болезнь легких - ХОБЛ и заболевания периферических артерий) в созданной на основе логистической регрессии (ЛР) модели верифицировались в роли предиктора

Список литературы диссертационного исследования кандидат наук Рублев Владислав Юрьевич, 2025 год

ИОТ -

желудочка

КА - коронарные артерии

КДО - конечный диастолический объем

КДР - конечный диастолический размер

КСР ЛЖ - конечный систолический размер левого желудочка

КШ - коронарное шунтирование

ЛП - левое предсердие

ЛР - логистическая регрессия

МЛР - многофакторная логистическая регрессия

МО - машинное обучение

НТК - недостаточность трикуспидального клапана

ОИММЛЖ - относительный индекс массы миокарда ЛЖ

ОЛП - объем левого предсердия

ОР - относительный риск

ОСН - острая сердечная недостаточность

ОШ - отношение шансов

ПОФП - послеоперационная фибрилляция предсердий

ПП - правое предсердие

РК - регрессия Кокса

РКИ - рандомизированное клиническое исследование

САД - систолическое артериальное давление

СГБ - стохастический градиентный бустинг

СД - сахарный диабет

СДЛА - систолическое давление легочной артерии

СЛ - случайный лес

ССЗ - сердечно-сосудистые заболевания

ССС - сердечно-сосудистые события

ФВ - фракция выброса

ФК - функциональный класс

ФП - фибрилляция предсердий

ХБП - хроническая болезнь почек

ХОБЛ - хроническая обструктивная болезнь легких

ХСН - хроническая сердечная недостаточность

ХСНсФВ - хроническая сердечная недостаточность с сохраненной ФВ

ЧКВ - чрескожное коронарное вмешательство

ЧСС - частота сердечных сокращений

ЭВМ - электронно-вычислительная машина

ЭИБ - электронная история болезни

ЭКА - экстракардиальная артериопатия

АиС - площадь под ROC-кривой

1. Барбараш О.Л., Карпов Ю.А., Кашталап В.В., и др. Стабильная Ишемическая Болезнь Сердца. Клинические Рекомендации 2020 // Российский Кардиологический Журнал. - 2020. - № 11(25). - а 201-250.

2. Бойцов С.А., Демкина А.Е., Ощепкова Е.В., и др. Достижения и проблемы практической кардиологии в России на современном этапе // Кардиология. -2019. - № 3(59). - С. 53-59.

3. Бойцов С.А., Драпкина О.М. Современное содержание и совершенствование стратегии высокого сердечно-сосудистого риска в снижении смертности от сердечно-сосудистых заболеваний // Терапевтический Архив. - 2021. - № 1 (93). - С. 4-6.

4. Бокерия Л.А., Голухова Е.З., Алекян Б.Г., и др. Непосредственные результаты хирургического и эндоваскулярного лечения больных ишемической болезнью сердца: периоперационные осложнения, факторы риска, прогноз // Креативная кардиология. - 2011. - №5(1). - С. 41-60.

5. Бокерия Л.А., Сокольская Н.О., Копылова Н.С., и др. Эхокардиографические предикторы тяжести течения раннего послеоперационного периода у больных после хирургической реваскуляризации миокарда // Анестезиология И Реаниматология. - 2015. - № 5(60). - С. 8-11.

6. Гельцер Б.И., Грицив Р.С., Рублев В.Ю., и др. Сравнительная Оценка Методов Машинного Обучения В Прогнозировании Отдаленных Результатов Аортокоронарного Шунтирования // Семнадцатая Национальная конференция по искусственному интеллекту с международным участием. КИИ-2019: Сборник научных трудов: в 2-х томах, Ульяновск, 21-25 октября 2019 года. - Ульяновск: Ульяновский государственный технический университет, 2019. - С. 28-39.

7. Голухова Е.З. Аортокоронарное шунтирование и чрескожное коронарное вмешательство при стабильной ишемической болезни сердца: современный этап // Креативная Кардиология. - 2019. - № 2(13). - С. 91-97.

8. Зотов А.С., Андреев А.С., Самсонов В.А., и др. Предикторы Ранних Послеоперационных Осложнений При Сочетанных Операциях Протезирования Аортального Клапана И Аорто-Коронарного Шунтирования // Вестник Национального Медико-Хирургического Центра Им. Н.и. Пирогова. - 2014. - № 1(9). - С.18-22.

9. Ломиворотов В.В., Ефремов С.М., Покушалов Е.А., и др. Фибрилляция Предсердий После Кардиохирургических Операций: Патофизиология И Методы Профилактики // Вестник Анестезиологии И Реаниматологии. - 2017. - № 1(14). -С. 58-66.

10. Паромов К.В., Киров М.Ю. Оценка предикторов осложнений при переводе из реанимационного отделения после кардиохирургических вмешательств // Патология Кровообращения И Кардиохирургия. - 2017. - № 3(21). - С. 65-75.

11. Пешева О.В., Полтавская М.Г., Гиверц И.Ю., и др. Проблемы диагностики и эпидемиология хронической сердечной недостаточности // Кардиология И Сердечно-Сосудистая Хирургия. - 2014. - № 4(7). - С. 75-83.

12. Ревишвили А.Ш., Попов В.А., Коростелев А.Н., и др. Предикторы Развития Фибрилляции Предсердий После Операции Аортокоронарного Шунтирования // Вестник Аритмологии. - 2018. - № 94. - С. 11-16.

13. (РКО) Российское кардиологическое общество Стабильная ишемическая болезнь сердца. Клинические рекомендации 2020 // Российский кардиологический журнал. - 2020. - № 11(25). - C. 4076.

14. Соколова Н.Ю., Голухова Е.З. Реваскуляризация миокарда у больных стабильной ишемической болезнью сердца: стратификация периоперационных и отдаленных рисков // Креативная Кардиология. - 2016. - № 1(10). - С.25-36.

15. Филимонова П.А., Волкова Л.И., Алашеев А.М., и др. Внутрибольничный инсульт у пациентов после кардиохирургических операций и инвазивных вмешательств на сердце // Неврология, Нейропсихиатрия, Психосоматика. - 2017. - № 4(9). - С.38-45.

16. Хлопина И.А., Шацова Е.Н., Лупачев В.В., и др. Характеристика диастолической функции левого желудочка у больных после аортокоронарного

шунтирования // Вестник Российской Академии Медицинских Наук. - 2015. - № 2(70). С.196-202.

17. Чернявский А.М., Ефремова О.С., Рузматов Т.М., и др. Предикторы отдаленной летальности больных ишемической болезнью сердца с выраженной левожелудочковой дисфункцией // Патология кровообращения и кардиохирургия. 2015. № 2 (19). C. 49-54.

18. Швец Д.А., Карасёв А.Ю., Смоляков М.В., и др. Нейросетевой анализ предикторов летального риска у больных после перенесенного острого коронарного синдрома // Российский кардиологический журнал. 2019. № 3 (25). C. 3645.

19. Эфрос Л.А., Самородская И.В. ВЫЖИВАЕМОСТЬ И ТРУДОСПОСОБНОСТЬ У МУЖЧИН ПОСЛЕ КОРОНАРНОГО ШУНТИРОВАНИЯ (анализ данных регистра) // Клиническая Медицина. - 2013. - № 5(91). - С. 27-31.

20. Ad N., Holmes S.D., Patel J., и др. Comparison of EuroSCORE II, Original EuroSCORE, and The Society of Thoracic Surgeons Risk Score in Cardiac Surgery Patients // The Annals of Thoracic Surgery. 2016. № 2 (102). C. 573-579.

21. Ad N., Holmes S.D., Patel J., и др. Comparison of EuroSCORE II, Original EuroSCORE, and The Society of Thoracic Surgeons Risk Score in Cardiac Surgery Patients // The Annals of Thoracic Surgery. 2016. № 2 (102). C. 573-579.

22. Al'Aref S.J., Singh G., Rosendael A.R. van, и др. Determinants of In-Hospital Mortality After Percutaneous Coronary Intervention: A Machine Learning Approach // Journal of the American Heart Association. 2019. № 5 (8). C. e011160.

23. Allyn J., Allou N., Augustin P., и др. A Comparison of a Machine Learning Model with EuroSCORE II in Predicting Mortality after Elective Cardiac Surgery: A Decision Curve Analysis // PLOS ONE. 2017. № 1 (12). C. e0169772.

24. AlWaqfi N., Khader Y., Ibrahim K. Coronary artery bypass: predictors of 30-day operative mortality in Jordanians // Asian Cardiovascular and Thoracic Annals. 2012. № 3 (20). C. 245-251.

25. Andersson B., She L., Tan R.-S., и др. The association between blood pressure and long-term outcomes of patients with ischaemic cardiomyopathy with and without

surgical revascularization: an analysis of the STICH trial // European Heart Journal. 2018. № 37 (39). C. 3464-3471.

26. Angraal S., Mortazavi B.J., Gupta A., h gp. Machine Learning Prediction of Mortality and Hospitalization in Heart Failure With Preserved Ejection Fraction // JACC: Heart Failure. 2020. № 1 (8). C. 12-21.

27. Arnett D.K., Blumenthal R.S., Albert M.A., h gp. 2019 ACC/AHA Guideline on the Primary Prevention of Cardiovascular Disease: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines // Circulation. 2019. № 11 (140).

28. Bayer J.D., Boukens B.J., Krul S.P.J., h gp. Acetylcholine Delays Atrial Activation to Facilitate Atrial Fibrillation // Frontiers in Physiology. 2019. (10). C. 1105.

29. Berchialla P., Foltran F., Bigi R., h gp. Integrating stress-related ventricular functional and angiographic data in preventive cardiology: a unified approach implementing a Bayesian network: Quantitative risk assessment in cardiology // Journal of Evaluation in Clinical Practice. 2012. № 3 (18). C. 637-643.

30. Berikol G.B., Yildiz O., Ozcan Í.T. Diagnosis of Acute Coronary Syndrome with a Support Vector Machine // Journal of Medical Systems. 2016. № 4 (40). C. 84.

31. Bertsimas D., Orfanoudaki A., Weiner R.B. Personalized treatment for coronary artery disease patients: a machine learning approach // Health Care Management Science. 2020. № 4 (23). C. 482-506.

32. Binanay C., Califf R.M., Hasselblad V., h gp. Evaluation study of congestive heart failure and pulmonary artery catheterization effectiveness: the ESCAPE trial // JAMA. 2005. № 13 (294). C. 1625-1633.

33. Boyle P.M., Del Álamo J.C., Akoum N. Fibrosis, atrial fibrillation and stroke: clinical updates and emerging mechanistic models // Heart (British Cardiac Society). 2021. № 2 (107). C. 99-105.

34. Burgos L.M., Seoane L., Parodi J.B., h gp. Postoperative atrial fibrillation is associated with higher scores on predictive indices // The Journal of Thoracic and Cardiovascular Surgery. 2019. № 6 (157). C. 2279-2286.

35. Connors A.F., Speroff T., Dawson N.V., h gp. The effectiveness of right heart catheterization in the initial care of critically ill patients. SUPPORT Investigators // JAMA. 1996. № 11 (276). C. 889-897.

36. Costa M.A.C. da, Lirani W., Wippich A.C., h gp. Comparison of Two Central Venous Pressure Control Strategies to Prevent Atrial Fibrillation After Coronary Artery Bypass Grafting // Arquivos Brasileiros de Cardiologia. 2017. № 4 (108). C. 297-303.

37. Cuocolo R., Perillo T., De Rosa E., h gp. Current applications of big data and machine learning in cardiology // Journal of geriatric cardiology: JGC. 2019. № 8 (16). C. 601-607.

38. D'Agostino R.S., Jacobs J.P., Badhwar V., h gp. The Society of Thoracic Surgeons Adult Cardiac Surgery Database: 2018 Update on Outcomes and Quality // The Annals of Thoracic Surgery. 2018. № 1 (105). C. 15-23.

39. Davies J. CEREBRIA-1: machine learning vs expert human opinion to determine physiologically optimized coronary revascularization strategies // Trans Catheter Therapeutics. 2018.

40. Davis R.C., Hobbs F.D.R., Kenkre J.E., h gp. Prevalence of left ventricular systolic dysfunction and heart failure in high risk patients: community based epidemiological study // BMJ (Clinical research ed.). 2002. № 7373 (325). C. 1156.

41. Deferm S., Bertrand P.B., Verbrugge F.H., h gp. Atrial Functional Mitral Regurgitation: JACC Review Topic of the Week // Journal of the American College of Cardiology. 2019. № 19 (73). C. 2465-2476.

42. Didenko D., Rasputina L., Mostovoy Y., h gp. Comorbidity in patients with IHD -the prevalence of COPD European Respiratory Society, 2016. PA1119 c.

43. Dobrev D., Aguilar M., Heijman J., h gp. Postoperative atrial fibrillation: mechanisms, manifestations and management // Nature Reviews. Cardiology. 2019. № 7 (16). C. 417-436.

44. Dogan A., Gunesdogdu F., Sever K., h gp. Atrial Fibrillation Prediction by Surgical Risk Scores Following Isolated Coronary Artery Bypass Grafting Surgery // Journal of the College of Physicians and Surgeons Pakistan. 2019. № 11 (29). C. 1038-1042.

45. Dudchenko A., Ganzinger M., Kopanitsa G. Machine Learning Algorithms in Cardiology Domain: A Systematic Review // The Open Bioinformatics Journal. 2020. № 1 (13). C. 25-40.

46. Duffy B.K., Gurm H.S., Rajagopal V., h gp. Usefulness of an Elevated Neutrophil to Lymphocyte Ratio in Predicting Long-Term Mortality After Percutaneous Coronary Intervention // The American Journal of Cardiology. 2006. № 7 (97). C. 993-996.

47. Eikelboom R., Sanjanwala R., Le M.-L., h gp. Postoperative Atrial Fibrillation After Cardiac Surgery: A Systematic Review and Meta-Analysis // The Annals of Thoracic Surgery. 2021. № 2 (111). C. 544-554.

48. Fortescue E.B., Kahn K., Bates D.W. Development and validation of a clinical prediction rule for major adverse outcomes in coronary bypass grafting // The American Journal of Cardiology. 2001. № 11 (88). C. 1251-1258.

49. Frizzell J.D., Liang L., Schulte P.J., h gp. Prediction of 30-Day All-Cause Readmissions in Patients Hospitalized for Heart Failure: Comparison of Machine Learning and Other Statistical Approaches // JAMA Cardiology. 2017. № 2 (2). C. 204.

50. Galderisi M., Cosyns B., Edvardsen T., h gp. Standardization of adult transthoracic echocardiography reporting in agreement with recent chamber quantification, diastolic function, and heart valve disease recommendations: an expert consensus document of the European Association of Cardiovascular Imaging // European Heart Journal -Cardiovascular Imaging. 2017. № 12 (18). C. 1301-1310.

51. Goto S., Kimura M., Katsumata Y., h gp. Artificial intelligence to predict needs for urgent revascularization from 12-leads electrocardiography in emergency patients // PLOS ONE. 2019. № 1 (14). C. e0210103.

52. Greenberg J.W., Lancaster T.S., Schuessler R.B., h gp. Postoperative atrial fibrillation following cardiac surgery: a persistent complication // European Journal of Cardio-Thoracic Surgery. 2017. № 4 (52). C. 665-672.

53. Groot N.M.S. de, Allessie M.A. Pathophysiology of atrial fibrillation: Focal patterns of activation // Pacing and clinical electrophysiology: PACE. 2019. № 10 (42). C. 1312-1319.

54. Hae H., Kang S.-J., Kim W.-J., h gp. Machine learning assessment of myocardial ischemia using angiography: Development and retrospective validation // PLOS Medicine. 2018. № 11 (15). C. e1002693.

55. Hampe N., Wolterink J.M., Velzen S.G.M. van, h gp. Machine Learning for Assessment of Coronary Artery Disease in Cardiac CT: A Survey // Frontiers in Cardiovascular Medicine. 2019. (6). C. 172.

56. Hansen B.J., Zhao J., Csepe T.A., h gp. Atrial fibrillation driven by micro-anatomic intramural re-entry revealed by simultaneous sub-epicardial and sub-endocardial optical mapping in explanted human hearts // European Heart Journal. 2015. № 35 (36). C. 2390-2401.

57. Hashemi Jazi M., Amirpour A., Zavvar R., h gp. Predictive value of P-wave duration and dispersion in post coronary artery bypass surgery atrial fibrillation // ARYA atherosclerosis. 2012. № 2 (8). C. 59-62.

58. Hill N.R., Ayoubkhani D., McEwan P., h gp. Predicting atrial fibrillation in primary care using machine learning // PLOS ONE. 2019. № 11 (14). C. e0224582.

59. Hindricks G., Potpara T., Dagres N., h gp. 2020 ESC Guidelines for the diagnosis and management of atrial fibrillation developed in collaboration with the European Association for Cardio-Thoracic Surgery (EACTS): The Task Force for the diagnosis and management of atrial fibrillation of the European Society of Cardiology (ESC) Developed with the special contribution of the European Heart Rhythm Association (EHRA) of the ESC // European Heart Journal. 2021. № 5 (42). C. 373-498.

60. Hsieh M.-H., Lin S.-Y., Lin C.-L., h gp. A fitting machine learning prediction model for short-term mortality following percutaneous catheterization intervention: a nationwide population-based study // Annals of Translational Medicine. 2019. № 23 (7). C. 732-732.

61. Hu D., Huang Z., Chan T.-M., h gp. Utilizing Chinese Admission Records for MACE Prediction of Acute Coronary Syndrome // International Journal of Environmental Research and Public Health. 2016. № 9 (13). C. 912.

62. Huang C., Murugiah K., Mahajan S., h gp. Enhancing the prediction of acute kidney injury risk after percutaneous coronary intervention using machine learning techniques: A retrospective cohort study // PLOS Medicine. 2018. № 11 (15). C. e1002703.

63. Jahangiri M., Mani K., Yates M.T., h gp. The EXCEL Trial: The Surgeons' Perspective // European Cardiology. 2020. (15). C. e67.

64. Jannati M. Atrial Fibrillation Post Coronary Artery Graft Surgery: A Review Of Literature // International Journal of General Medicine. 2019. (12). C. 415-420.

65. January C.T., Wann L.S., Calkins H., h gp. 2019 AHA/ACC/HRS Focused Update of the 2014 AHA/ACC/HRS Guideline for the Management of Patients With Atrial Fibrillation: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines and the Heart Rhythm Society // Journal of the American College of Cardiology. 2019. № 1 (74). C. 104-132.

66. Jiamsripong P., Honda T., Reuss C., h gp. Three methods for evaluation of left atrial volume // European Journal of Echocardiography. 2007. C. S1525216707001400.

67. Johannesdottir H., Arnadottir L.O., Adalsteinsson J.A., h gp. Favourable long-term outcome after coronary artery bypass grafting in a nationwide cohort // Scandinavian Cardiovascular Journal. 2017. № 6 (51). C. 327-333.

68. John R.M., Kumar S. Sinus Node and Atrial Arrhythmias // Circulation. 2016. № 19 (133). C. 1892-1900.

69. Kashani R.G., Sareh S., Genovese B., h gp. Predicting postoperative atrial fibrillation using CHA2DS2-VASc scores // The Journal of Surgical Research. 2015. № 2 (198). C. 267-272.

70. Kilic A., Goyal A., Miller J.K., h gp. Predictive Utility of a Machine Learning Algorithm in Estimating Mortality Risk in Cardiac Surgery // The Annals of Thoracic Surgery. 2020. № 6 (109). C. 1811-1819.

71. Kim Y.J., Saqlian M., Lee J.Y. Deep learning-based prediction model of occurrences of major adverse cardiac events during 1-year follow-up after hospital discharge in patients with AMI using knowledge mining // Personal and Ubiquitous Computing. 2022. № 2 (26). C. 259-267.

72. Kolek M.J., Muehlschlegel J.D., Bush W.S., h gp. Genetic and Clinical Risk Prediction Model for Postoperative Atrial Fibrillation // Circulation: Arrhythmia and Electrophysiology. 2015. № 1 (8). C. 25-31.

73. Kovacs J., Moraru L., Antal K., h gp. Are frailty scales better than anesthesia or surgical scales to determine risk in cardiac surgery? // Korean Journal of Anesthesiology. 2017. № 2 (70). C. 157.

74. Kowalewski M., Jasinski M., Staromlynski J., h gp. Long-Term Survival Following Surgical Ablation for Atrial Fibrillation Concomitant to Isolated and Combined Coronary Artery Bypass Surgery-Analysis from the Polish National Registry of Cardiac Surgery Procedures (KROK) // Journal of Clinical Medicine. 2020. № 5 (9). C. E1345.

75. Kwon J., Jeon K.-H., Kim H.M., h gp. Deep-learning-based risk stratification for mortality of patients with acute myocardial infarction // PLOS ONE. 2019. № 10 (14). C. e0224502.

76. Lakoumentas J.A., Panou F.K., Kotseroglou V.K., h gp. The Tei index of myocardial performance: applications in cardiology // Hellenic journal of cardiology: HJC = Hellenike kardiologike epitheorese. 2005. № 1 (46). C. 52-58.

77. Lancey R., Kurlansky P., Argenziano M., h gp. Uniform standards do not apply to readmission following coronary artery bypass surgery: A multi-institutional study // The Journal of Thoracic and Cardiovascular Surgery. 2015. № 3 (149). C. 850-857.e1.

78. Lange P.S., Wenning C., Avramovic N., h gp. Cardiac Sympathetic Activity and Rhythm Control Following Pulmonary Vein Isolation in Patients with Paroxysmal Atrial Fibrillation-A Prospective 123I-mIBG-SPECT/CT Imaging Study // Journal of Personalized Medicine. 2021. № 10 (11). C. 995.

79. Laskey W.K., Jenkins C., Selzer F., h gp. Volume-to-Creatinine Clearance Ratio // Journal of the American College of Cardiology. 2007. № 7 (50). C. 584-590.

80. Lau D.H., Linz D., Sanders P. New Findings in Atrial Fibrillation Mechanisms // Cardiac Electrophysiology Clinics. 2019. № 4 (11). C. 563-571.

81. Lavine S.J., Al Balbissi K. Adverse Cardiac Events and the Impaired Relaxation Left Ventricular Filling Pattern // Journal of the American Society of Echocardiography. 2016. № 7 (29). C. 699-708.

82. Lawton Jennifer S., Tamis-Holland Jacqueline E., Bangalore Sripal, h gp. 2021 ACC/AHA/SCAI Guideline for Coronary Artery Revascularization // Journal of the American College of Cardiology. 2022. № 2 (79). C. e21-e129.

83. Lee H.-C., Yoon H.-K., Nam K., h gp. Derivation and Validation of Machine Learning Approaches to Predict Acute Kidney Injury after Cardiac Surgery // Journal of Clinical Medicine. 2018. № 10 (7). C. 322.

84. Leong D.P., Dokainish H. Left atrial volume and function in patients with atrial fibrillation // Current Opinion in Cardiology. 2014. № 5 (29). C. 437-444.

85. Lin S.Z., Crawford T.C., Suarez-Pierre A., h gp. A A Novel Risk Score to Predict New Onset Atrial Fibrillation in Patients Undergoing Isolated Coronary Artery Bypass Grafting // The Heart Surgery Forum. 2018. № 6 (21). C. E489-E496.

86. Litmathe J., Kurt M., Feindt P., h gp. Predictors and outcome of ICU readmission after cardiac surgery // The Thoracic and Cardiovascular Surgeon. 2009. № 7 (57). C. 391-394.

87. Lobo S.M., Rezende E., Knibel M.F., h gp. Early Determinants of Death Due to Multiple Organ Failure After Noncardiac Surgery in High-Risk Patients // Anesthesia & Analgesia. 2011. № 4 (112). C. 877-883.

88. Luan L., Hu H., Li S.-C. A Review of Studies of Quality of Life for Chinese-Speaking Patients with Ischemic Heart Disease // Value in Health Regional Issues. 2018. (15). C. 82-90.

89. Maeder M.T., Karapanagiotidis S., Dewar E.M., h gp. Accuracy of Echocardiography Cardiac Index Assessment in Subjects with Preserved Left Ventricular Ejection Fraction // Echocardiography (Mount Kisco, N.Y.). 2015. № 11 (32). C. 1628-1638.

90. Magee M.J., Herbert M.A., Dewey T.M., h gp. Atrial Fibrillation After Coronary Artery Bypass Grafting Surgery: Development of a Predictive Risk Algorithm // The Annals of Thoracic Surgery. 2007. № 5 (83). C. 1707-1712.

91. Maisel W.H., Rawn J.D., Stevenson W.G. Atrial Fibrillation after Cardiac Surgery // Annals of Internal Medicine. 2001. № 12 (135). C. 1061.

92. Manyam R., Zhang Y., Carter S., h gp. Unraveling the impact of time-dependent perioperative variables on 30-day readmission after coronary artery bypass surgery // The Journal of Thoracic and Cardiovascular Surgery. 2020. C. S0022-5223(20)32675-1.

93. Mariscalco G., Biancari F., Zanobini M., h gp. Bedside Tool for Predicting the Risk of Postoperative Atrial Fibrillation After Cardiac Surgery: The POAF Score // Journal of the American Heart Association. 2014. № 2 (3). C. e000752.

94. McCarthy P.M. Outcomes After Coronary Artery Bypass // Journal of the American College of Cardiology. 2019. № 15 (73). C. 1887-1889.

95. McDonagh T.A., Metra M., Adamo M., h gp. 2021 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure // European Heart Journal. 2021. № 36 (42). C. 3599-3726.

96. Moe G.K., Abildskov J.A. Atrial fibrillation as a self-sustaining arrhythmia independent of focal discharge // American Heart Journal. 1959. № 1 (58). C. 59-70.

97. Moe G.K., Rheinboldt W.C., Abildskov J.A. A COMPUTER MODEL OF ATRIAL FIBRILLATION // American Heart Journal. 1964. (67). C. 200-220.

98. Monfredi O., Boyett M.R. Sick sinus syndrome and atrial fibrillation in older persons - A view from the sinoatrial nodal myocyte // Journal of Molecular and Cellular Cardiology. 2015. (83). C. 88-100.

99. Moore P.T., Janssen C., Murphy A., h gp. Coronary Angiography and Revascularization Following Coronary Artery Bypass Grafting in British Columbia: Incidence, Predictors and Longer-term Outcomes // Canadian Journal of Cardiology. 2018. № 8 (34). C. 983-991.

100. Mortazavi B.J., Bucholz E.M., Desai N.R., h gp. Comparison of Machine Learning Methods With National Cardiovascular Data Registry Models for Prediction of Risk of Bleeding After Percutaneous Coronary Intervention // JAMA Network Open. 2019. № 7 (2). C. e196835.

101. Nashef S.A.M., Roques F., Sharples L.D., h gp. EuroSCORE II // European Journal of Cardio-Thoracic Surgery. 2012. № 4 (41). C. 734-745.

102. Neumann F.-J., Sousa-Uva M., Ahlsson A., h gp. 2018 ESC/EACTS guidelines on myocardial revascularization // Russian Journal of Cardiology. 2019. № 8. C. 151-226.

103. Oliveira M., Silva N. da, Cunha P., h gp. Effects of acute autonomic modulation on atrial conduction delay and local electrograms duration in paroxysmal atrial fibrillation // International Journal of Cardiology. 2011. № 3 (149). C. 290-295.

104. Ozben B., Akaslan D., Sunbul M., h gp. Postoperative Atrial Fibrillation after Coronary Artery Bypass Grafting Surgery: A Two-dimensional Speckle Tracking Echocardiography Study // Heart, Lung and Circulation. 2016. № 10 (25). C. 993-999.

105. Peters N.S., Schilling R.J., Kanagaratnam P., h gp. Atrial fibrillation: strategies to control, combat, and cure // Lancet (London, England). 2002. № 9306 (359). C. 593603.

106. Peterson E.D., Dai D., DeLong E.R., h gp. Contemporary Mortality Risk Prediction for Percutaneous Coronary Intervention // Journal of the American College of Cardiology. 2010. № 18 (55). C. 1923-1932.

107. Pieszko K., Hiczkiewicz J., Budzianowski P., h gp. Machine-learned models using hematological inflammation markers in the prediction of short-term acute coronary syndrome outcomes // Journal of Translational Medicine. 2018. № 1 (16). C. 334.

108. Ponikowski P., Voors A.A., Anker S.D., h gp. 2016 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure: The Task Force for the diagnosis and treatment of acute and chronic heart failure of the European Society of Cardiology (ESC)Developed with the special contribution of the Heart Failure Association (HFA) of the ESC // European Heart Journal. 2016. № 27 (37). C. 21292200.

109. Ranganathan P., Pramesh C.S., Aggarwal R. Common pitfalls in statistical analysis: Measures of agreement // Perspectives in Clinical Research. 2017. № 4 (8). C. 187-191.

110. Redfors B., Gregson J., Ben-Yehuda O., h gp. Implications of Biomarker Discordance After Coronary Artery Revascularization: The EXCEL Trial // Journal of the American College of Cardiology. 2021. № 23 (77). C. 2978-2980.

111. Rong L.Q., Yum B., Abouzeid C., h gp. Echocardiography predictors of intraoperative right ventricular dysfunction: a 2D and speckle tracking echocardiography study // Cardiovascular Ultrasound. 2019. № 1 (17). C. 11.

112. Sagris M., Vardas E.P., Theofilis P., h gp. Atrial Fibrillation: Pathogenesis, Predisposing Factors, and Genetics // International Journal of Molecular Sciences. 2021. № 1 (23). C. 6.

113. Sandham J.D., Hull R.D., Brant R.F., h gp. A randomized, controlled trial of the use of pulmonary-artery catheters in high-risk surgical patients // The New England Journal of Medicine. 2003. № 1 (348). C. 5-14.

114. Santangeli P., Marchlinski F.E. Techniques for the provocation, localization, and ablation of non-pulmonary vein triggers for atrial fibrillation // Heart Rhythm. 2017. № 7 (14). C. 1087-1096.

115. Sardar P., Abbott J.D., Kundu A., h gp. Impact of Artificial Intelligence on Interventional Cardiology: From Decision-Making Aid to Advanced Interventional Procedure Assistance // JACC: Cardiovascular Interventions. 2019. № 14 (12). C. 1293-1303.

116. Schwann N.M., Hillel Z., Hoeft A., h gp. Lack of Effectiveness of the Pulmonary Artery Catheter in Cardiac Surgery // Anesthesia & Analgesia. 2011. № 5 (113). C. 994-1002.

117. Seewoster T., Dinov B., Nedios S., h gp. Biatrial volume ratio predicts low voltage areas in atrial fibrillation // Clinical Cardiology. 2021. № 11 (44). C. 1560-1566.

118. Shameer K., Johnson K.W., Yahi A., h gp. PREDICTIVE MODELING OF HOSPITAL READMISSION RATES USING ELECTRONIC MEDICAL RECORD-WIDE MACHINE LEARNING: A CASE-STUDY USING MOUNT SINAI HEART FAILURE COHORT Kohala Coast, Hawaii, USA: WORLD SCIENTIFIC, 2017. 276287 c.

119. Sigurdsson M.I., Muehlschlegel J.D., Fox A.A., h gp. Genetic Variants Associated With Atrial Fibrillation and PR Interval Following Cardiac Surgery // Journal of Cardiothoracic and Vascular Anesthesia. 2015. № 3 (29). C. 605-610.

120. Skaria R., Parvaneh S., Zhou S., h gp. Path to precision: prevention of postoperative atrial fibrillation // Journal of Thoracic Disease. 2020. № 5 (12). C. 27352746.

121. Sladojevic M., Sladojevic S., Culibrk D., h gp. Echocardiographic Parameters as Predictors of In-Hospital Mortality in Patients with Acute Coronary Syndrome Undergoing Percutaneous Coronary Intervention // The Scientific World Journal. 2014. (2014). C. 1-9.

122. Sohns C., Marrouche N.F. Atrial fibrillation and cardiac fibrosis // European Heart Journal. 2020. № 10 (41). C. 1123-1131.

123. St John Sutton M., Wiegers S.E. The Tei index - a role in the diagnosis of heart failure? // European Heart Journal. 2000. № 22 (21). C. 1822-1824.

124. Steele A.J., Denaxas S.C., Shah A.D., h gp. Machine learning models in electronic health records can outperform conventional survival models for predicting patient mortality in coronary artery disease // PLOS ONE. 2018. № 8 (13). C. e0202344.

125. Syed Z., Moscucci M., Share D., h gp. Predicting emergency coronary artery bypass graft following PCI: application of a computational model to refer patients to hospitals with and without onsite surgical backup // Open Heart. 2015. № 1 (2). C. e000243.

126. Takami Y., Takagi Y. Roles of Transit-Time Flow Measurement for Coronary Artery Bypass Surgery // The Thoracic and Cardiovascular Surgeon. 2018. № 06 (66). C. 426-433.

127. Ter Woorst J.F., Straten A.H.M. van, Houterman S., h gp. Sex Difference in Coronary Artery Bypass Grafting: Preoperative Profile and Early Outcome // Journal of Cardiothoracic and Vascular Anesthesia. 2019. № 10 (33). C. 2679-2684.

128. Thakur U., Nerlekar N., Muthalaly R.G., h gp. Off- vs. On-Pump Coronary Artery Bypass Grafting Long-Term Survival is Driven by Incompleteness of Revascularisation // Heart, Lung and Circulation. 2020. № 1 (29). C. 149-155.

129. Thoren E., Wernroth M.-L., Christersson C., h gp. Compared with matched controls, patients with postoperative atrial fibrillation (POAF) have increased long-term AF after CABG, and POAF is further associated with increased ischemic stroke, heart

failure and mortality even after adjustment for AF // Clinical Research in Cardiology. 2020. № 10 (109). C. 1232-1242.

130. Tie H.-T., Shi R., Zhou Q., h gp. Annual case volume on mortality after coronary artery bypass grafting: a dose-response meta-analysis // Interactive Cardiovascular and Thoracic Surgery. 2019. № 4 (29). C. 568-575.

131. Todorov H., Janssen I., Honndorf S., h gp. Clinical significance and risk factors for new onset and recurring atrial fibrillation following cardiac surgery - a retrospective data analysis // BMC Anesthesiology. 2017. № 1 (17). C. 163.

132. Townsend N., Wilson L., Bhatnagar P., h gp. Cardiovascular disease in Europe: epidemiological update 2016 // European Heart Journal. 2016. № 42 (37). C. 32323245.

133. Tsao C., Aday A., Almarzooq Z., h gp. Heart Disease and Stroke Statistics-2022 Update: A Report From the American Heart Association // Circulation. 2022. (145). C. CIR0000000000001052.

134. Tsioufis C., Konstantinidis D., Nikolakopoulos I., h gp. Biomarkers of Atrial Fibrillation in Hypertension // Current Medicinal Chemistry. 2019. № 5 (26). C. 888897.

135. Vidotti E., Vidotti L.F.K., Arruda Tavares C.A.G., h gp. Predicting postoperative atrial fibrillation after myocardial revascularization without cardiopulmonary bypass: A retrospective cohort study // Journal of Cardiac Surgery. 2019. № 7 (34). C. 577-582.

136. Wallert J., Tomasoni M., Madison G., h gp. Predicting two-year survival versus non-survival after first myocardial infarction using machine learning and Swedish national register data // BMC Medical Informatics and Decision Making. 2017. № 1 (17). C. 99.

137. Wang Y., Simon M.A., Bonde P., h gp. Decision tree for adjuvant right ventricular support in patients receiving a left ventricular assist device // The Journal of Heart and Lung Transplantation. 2012. № 2 (31). C. 140-149.

138. Wise E.S., Stonko D.P., Glaser Z.A., h gp. Prediction of Prolonged Ventilation after Coronary Artery Bypass Grafting: Data from an Artificial Neural Network // The Heart Surgery Forum. 2017. № 1 (20). C. 007.

139. Wu C., Camacho F.T., Zhao S., h gp. Long-Term Mortality of Coronary Artery Bypass Graft Surgery and Stenting With Drug-Eluting Stents // The Annals of Thoracic Surgery. 2013. № 4 (95). C. 1297-1305.

140. Xiong F., Yin Y., Dube B., h gp. Electrophysiological Changes Preceding the Onset of Atrial Fibrillation after Coronary Bypass Grafting Surgery // PLoS ONE. 2014. № 9 (9). C. e107919.

141. Xu Y., Li Y., Bao W., h gp. MIDCAB versus off-pump CABG: Comparative study // Hellenic Journal of Cardiology. 2020. № 2 (61). C. 120-124.

142. Yamaoka H., Kuwaki K., Inaba H., h gp. Comparison of modern risk scores in predicting operative mortality for patients undergoing aortic valve replacement for aortic stenosis // Journal of Cardiology. 2016. № 2 (68). C. 135-140.

143. Yang P.-S., Kim D., Jang E., h gp. Risk of sick sinus syndrome in patients diagnosed with atrial fibrillation: A population-based cohort // Journal of Cardiovascular Electrophysiology. 2021. № 10 (32). C. 2704-2714.