Захарчук Софья Александровна, студент, факультет фундаментальной медицины
Москва
Sofya A. Zakharchuk, student, Faculty of Medicine
Moscow
Миронов Никита Александрович, к. м. н., ассистент кафедры терапии, старший научный сотрудник
Москва
Nikita A. Mironov, Cand. Sci. (Med.), Assistant Professor, Senior Researcher
Moscow
Плисюк Алина Геннадьевна, к. м. н., доцент кафедры терапии
Москва
Alina G. Plisyuk, Cand. Sci. (Med.), Associate Professor
Moscow
Орлова Яна Артуровна, д. м. н., проф., заведующий отделом возраст-ассоциированных заболеваний
Москва
Yana A. Orlova, Dr. Sci. (Med.), Professor, Head of the Department of Age-Associated Diseases
Moscow
Цель: разработать и оценить модель машинного обучения для прогнозирования наличия артериальной гипертензии (АГ) по данным демографических показателей и параметров клинического анализа крови (КАК), а также определить вклад ключевых предикторов с использованием интерпретируемых методов. Материалы и методы: проанализирована база данных 5506 пациентов, последовательно обследованных в Университетской клинике Медицинского научно-образовательного института (МНОИ) МГУ им. М.В. Ломоносова в 2021–2022 гг. (2256 мужчин и 3250 женщин, со средним возрастом 57,23±17,60 лет). АГ выявлена у 3697 (67%) обследованных, 1809 (33%) составили группу без АГ. В качестве переменных использовали пол, возраст, показатели КАК и производные воспалительные индексы (нейтрофильно-лимфоцитарное отношение (NLR), лимфоцитарно-моноцитарное отношение (LMR), тромбоцитарнолимфоцитарное отношение (PLR)). Сравнивали разработанную стекинг-модель и модели Lasso и Ridge-регрессии, логистическую регрессию, случайный лес, градиентный бустинг. Качество оценивали по площади под ROC-кривой (AUC). Результаты: AUC составила 0,75–0,77 для отдельных моделей, тогда как стекинг-модель продемонстрировала AUC 0,99 на отложенной тестовой выборке. Разница AUC между стекинг-моделью и альтернативными подходами была статистически значимой (p<0,001), средний прирост относительно логистической регрессии составил 22,9 % (абсолютная разница AUC). Ведущими маркерами стали возраст и эритроцитарные индексы RDW-SD, MCV, HGB и MCH. Заключение: по результатам внутренней валидации использование ансамблевых методов машинного обучения с включением показателей КАК может повысить дискриминационную способность моделей прогнозирования сердечно-сосудистых заболеваний, однако полученные оценки качества требуют подтверждения при внешней валидации на независимой когорте. Возраст и эритроцитарные индексы (RDW-SD, MCV, HGB, MCH) являются наиболее информативными предикторами АГ и могут рассматриваться как доступные маркерные кандидаты для дальнейших исследований и совершенствования стратификации риска.
Objective: development and evaluation of a machine learning model for predicting arterial hypertension using demographic characteristics and complete blood count parameters, and to assess the contribution of key predictors using interpretable methods. Materials and methods: we analyzed a dataset of 5,506 patients examined at the University Clinic of the Medical Research and Educational Institute of Lomonosov Moscow State University in 2021–2022 (2,256 men and 3,250 women, mean age 57.23±17.60 years). Arterial hypertension was identified in 3,697 (67%) individuals, while 1,809 (33%) formed the nonhypertensive group. Variables included sex, age, complete blood count parameters, and derived inflammatory indices (NLR, LMR, PLR). The proposed stacking model was compared with Lasso and Ridge regression, logistic regression, random forest, and gradient boosting. Model performance was assessed using the AUC. Results: AUC ranged from 0.75 to 0.77 for classic machine learning models, whereas the stacking model achieved an AUC of 0.99. The difference in AUC between the stacking model and alternative approaches was statistically significant (p<0.001), with a mean improvement of 22.9% compared with logistic regression. The leading markers were age and the erythrocyte indices RDW-SD, MCV, HGB, and MCH. Conclusion: based on internal validation, ensemble machine learning methods incorporating complete blood count parameters may improve the discriminative performance of cardiovascular risk prediction models; however, these performance estimates require confirmation through external validation in an independent cohort. Age and erythrocyte indices (RDW-SD, MCV, HGB, MCH) were the most informative predictors of arterial hypertension and may serve as accessible marker candidates for further research and improved risk stratification.
The authors declare that there are no conflicts of interest present.