Цель исследования — разработка оптимального метода прогнозирования результатов велоэргометрической (ВЭМ) пробы на основе параметров, регистрируемых во время теста с шестиминутной ходьбой (ТШХ), с использованием методов машинного обучения.
Материалы и методы. В исследовании участвовали 56 пациентов, перенесших острый инфаркт миокарда и проходивших второй этап кардиореабилитации. Выполнено комплексное обследование, включающее сбор анамнеза, физикальное обследование, антропометрическую оценку, а также симптом-лимитированную ВЭМ-пробу и ТШХ. Во время ТШХ регистрировали пройденную дистанцию, частоту сердечных сокращений, артериальное давление, сатурацию кислорода, воспринимаемое напряжение по шкале Борга, количество пройденных шагов и электрокардиографические данные. Для построения моделей машинного обучения использовали алгоритмы случайного леса, градиентного бустинга, метода k-ближайших соседей и множественной линейной регрессии. Производительность моделей оценивали на основе коэффициента детерминации, средней абсолютной ошибки, среднеквадратичной ошибки и корня из среднеквадратичной ошибки. Для интерпретации результатов применяли SHAPанализ.
Результаты. Модель градиентного бустинга обеспечивает наилучшее качество прогноза с высоким коэффициентом детерминации (R2 около 0,99) и низкими значениями ошибок для обеих целевых метрик: пройденной дистанции в ТШХ и метаболического эквивалента, достигнутого при ВЭМ-пробе. Анализ значимости признаков выявил, что частота сердечных сокращений, возраст и индекс массы тела оказывают наибольшее влияние на прогнозирование дистанции ТШХ, в то время как для прогнозирования метаболического эквивалента наиболее значимыми являются пройденное расстояние, количество пройденных шагов и индекс массы тела.
Заключение. Разработанная модель машинного обучения на основе градиентного бустинга продемонстрировала высокую эффективность в прогнозировании результатов ВЭМ-пробы на основе данных ТШХ. Предложенный метод может служить ценным вспомогательным инструментом для планирования программ кардиореабилитации, особенно в случаях, когда проведение ВЭМ-пробы затруднено или невозможно. Использование SHAP-анализа способствовало пониманию вклада каждого признака в прогноз, повышая доверие к результатам модели.
Идентификаторы и классификаторы
Сердечно-сосудистые заболевания (ССЗ) представляют собой серьезную проблему для мирового здравоохранения, являясь ведущей причиной заболеваемости и смертности [1]. По данным Всемирной организации здравоохранения, ССЗ ответственны за 19 млн смертей в год, что соответствует примерно 32% от общей глобальной летальности [2]. Важным элементом комплексного ведения пациентов с ССЗ является кардиореабилитация, обеспечивающая целостный подход к восстановлению и вторичной профилактике. Результаты систематических обзоров свидетельствуют о положительном влиянии кардиореабилитации на выживаемость пациентов, перенесших острый коронарный синдром, по сравнению с группами контроля, не участвовавшими в программах кардиореабилитации [3–5]. Отмечено снижение смертности от ССЗ на 26% и уменьшение частоты повторных госпитализаций на 18% [6].
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
Список литературы
1. Gaidai O., Cao Y., Loginov S. Global cardiovascular diseases death rate prediction. Curr Probl Cardiol 2023; 48(5): 101622,. DOI: 10.1016/j.cpcardiol.2023.101622
2. World Health Organization. Cardiovascular diseases (CVDs). 31 July 2025. URL: https://www.who.int/en/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds).
3. Shokri K., Karimian A., Radfar A., Mohammadi A., Amerizadeh A., Karimi R., Sadeghi M. Effect of exercise-based cardiac rehabilitation in patients with acute coronary syndrome: a systematic review and meta-analysis. BMC Sports Sci Med Rehabil 2025; 17(1): 233,. DOI: 10.1186/s13102-025-01270-8
4. Meng Y., Zhuge W., Huang H., Zhang T., Ge X. The effects of early exercise on cardiac rehabilitation-related outcome in acute heart failure patients: a systematic review and meta-analysis.Int J Nurs Stud 2022; 130: 104237,. DOI: 10.1016/j.ijnurstu.2022.104237
5. Mahmood A., Ray R., Bin Salam S.S.T., Haque F., Akkaldevi J., Masmoum M.D., Hassan M.S., Essani B., Anjum T., Mirza M.S.S. The effectiveness of cardiac rehabilitation programs in improving cardiovascular outcomes: systematic review and meta-analysis. Cureus 2024; 16(10): e72450,. DOI: 10.7759/cureus.72450
6. Moghei M., Turk-Adawi K., Isaranuwatchai W., Sarrafzadegan N., Oh P., Chessex C., Grace S.L. Cardiac rehabilitation costs.Int J Cardiol 2017; 244: 322-328,. DOI: 10.1016/j.ijcard.2017.06.030
7. Thomas R.J., Beatty A.L., Beckie T.M., Brewer L.C., Brown T.M., Forman D.E., Franklin B.A., Keteyian S.J., Kitzman D.W., Regensteiner J.G., Sanderson B.K., Whooley M.A. Home-based cardiac rehabilitation: a scientific statement from the american association of cardiovascular and pulmonary rehabilitation, the American Heart Association, and the American College of Cardiology. Circulation 2019; 140(1): e69-e89,. DOI: 10.1161/CIR.0000000000000663
8. Кардиореабилитация и вторичная профилактика. Под ред. Аронова Д.М. М: ГЭОТАР-Медиа; 2021,. DOI: 10.33029/9704-6218-8-car-2021-1-464
9. Coulshed A., Coulshed D., Pathan F. Systematic review of the use of the 6-minute walk test in measuring and improving prognosis in patients with ischemic heart disease. CJC Open 2023; 5(11): 816-825,. DOI: 10.1016/j.cjco.2023.08.003
10. Mikhailovskaya T.V., Nazarova O.A., Dovgalyuk Yu.V., Chistyakova Yu.V., Mishina I.E. Methodological issues of assessment of sixminute walk test in patients with coronary artery disease. Bulletin of Rehabilitation Medicine 2021; 20(3): 37-44,. DOI: 10.38025/2078-1962-2021-20-3-37-44
11. Mapelli M., Salvioni E., Paneroni M., Gugliandolo P., Bonomi A., Scalvini S., Raimondo R., Sciomer S., Mattavelli I., La Rovere M.T., Agostoni P. Brisk walking can be a maximal effort in heart failure patients: a comparison of cardiopulmonary exercise and 6 min walking test cardiorespiratory data. ESC Heart Fail 2022; 9(2): 812-821,. DOI: 10.1002/ehf2.13781
12. Cavero-Redondo I., Saz-Lara A., Bizzozero-Peroni B., Núñez-Martínez L., Díaz-Goñi V., Calero-Paniagua I., Matínez-García I., Pascual-Morena C. Accuracy of the 6-minute walk test for assessing functional capacity in patients with heart failure with preserved ejection fraction and other chronic cardiac pathologies: results of the ExIC-FEp trial and a meta-analysis. Sports Med Open 2024; 10(1): 74,. DOI: 10.1186/s40798-024-00740-6
13. Rasa A.R. Artificial intelligence and its revolutionary role in physical and mental rehabilitation: a review of recent advancements. Biomed Res Int 2024; 2024: 9554590,. DOI: 10.1155/bmri/9554590
14. Norgeot B., Glicksberg B.S., Butte A.J. A call for deep-learning healthcare. Nat Med 2019; 25(1): 14-15,. DOI: 10.1038/s41591-018-0320-3
15. Esteva A., Robicquet A., Ramsundar B., Kuleshov V., DePristo M., Chou K., Cui C., Corrado G., Thrun S., Dean J. A guide to deep learning in healthcare. Nat Med 2019; 25(1): 24-29,. DOI: 10.1038/s41591-018-0316-z
16. Chilamkurthy S., Ghosh R., Tanamala S., Biviji M., Campeau N.G., Venugopal V.K., Mahajan V., Rao P., Warier P. Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study. Lancet 2018; 392(10162): 2388-2396,. DOI: 10.1016/S0140-6736(18)31645-3
17. Ehteshami Bejnordi B., Veta M., Johannes van Diest P., van Ginneken B., Karssemeijer N., Litjens G., van der Laak JAWM; the CAMELYON16 Consortium; Hermsen M., Manson Q.F., Balkenhol M., Geessink O., Stathonikos N., van Dijk M.C., Bult P., Beca F., Beck A.H., Wang D., Khosla A., Gargeya R., Irshad H., Zhong A., Dou Q., Li Q., Chen H., Lin H.J., Heng P.A., Haß C., Bruni E., Wong Q., Halici U., Öner M.Ü., Cetin-Atalay R., Berseth M., Khvatkov V., Vylegzhanin A., Kraus O., Shaban M., Rajpoot N., Awan R., Sirinukunwattana K., Qaiser T., Tsang Y.W., Tellez D., Annuscheit J., Hufnagl P., Valkonen M., Kartasalo K., Latonen L., Ruusuvuori P., Liimatainen K., Albarqouni S., Mungal B., George A., Demirci S., Navab N., Watanabe S., Seno S., Takenaka Y., Matsuda H., Ahmady Phoulady H., Kovalev V., Kalinovsky A., Liauchuk V., Bueno G., Fernandez-Carrobles M.M., Serrano I., Deniz O., Racoceanu D., Venâncio R. Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer. JAMA 2017; 318(22): 2199-2210,. DOI: 10.1001/jama.2017.14585
18. Zhu M., Chen W., Hirdes J.P., Stolee P. The k-nearest neighbor algorithm predicted rehabilitation potential better than current Clinical Assessment Protocol. J Clin Epidemiol 2007; 60(10): 1015-1021,. DOI: 10.1016/j.jclinepi.2007.06.001
19. Zhu M., Cheng L., Armstrong J.J., Poss J.W., Hirdes J.P., Stolee P. Using machine learning to plan rehabilitation for home care clients: beyond “black-box” predictions. In: Dua S., Acharya U., Dua P. (editors). Machine learning in healthcare informatics.Intelligent systems reference library, vol 56. Springer, Berlin, Heidelberg; 2014,. DOI: 10.1007/978-3-642-40017-9_9
20. Lin W.Y., Chen C.H., Tseng Y.J., Tsai Y.T., Chang C.Y., Wang H.Y., Chen C.K. Predicting post-stroke activities of daily living through a machine learning-based approach on initiating rehabilitation.Int J Med Inform 2018; 111: 159-164,. DOI: 10.1016/j.ijmedinf.2018.01.002
21. Sharma A., Lysenko A., Jia S., Boroevich K.A., Tsunoda T. Advances in AI and machine learning for predictive medicine. J Hum Genet 2024; 69(10): 487-497,. DOI: 10.1038/s10038-024-01231-y
22. De Cannière H., Corradi F., Smeets CJP, Schoutteten M., Varon C., Van Hoof C., Van Huffel S., Groenendaal W., Vandervoort P. Wearable monitoring and interpretable machine learning can objectively track progression in patients during cardiac rehabilitation. Sensors (Basel) 2020; 20(12): 3601,. DOI: 10.3390/s20123601
23. Desai F., Chowdhury D., Kaur R., Peeters M., Arya R.C., Wander G.S., Gill S.S., Buyya R. HealthCloud: a system for monitoring health status of heart patients using machine learning and cloud computing.Internet of Things 2022; 17: 10048,. DOI: 10.1016/j.iot.2021.100485
24. Alshurafa N., Sideris C., Pourhomayoun M., Kalantarian H., Sarrafzadeh M., Eastwood J.A. Remote health monitoring outcome success prediction using baseline and first month intervention data. IEEE J Biomed Health Inform 2017; 21(2): 507-514,. DOI: 10.1109/JBHI.2016.2518673
25. den Uijl I., van den Berg-Emons R.J.G., Sunamura M., Lenzen M.J., Stam H.J., Boersma E., Tenbült-van Limpt N.C.C.W., Kemps H.M.C., Geleijnse M.L., Ter Hoeve N. Effects of a dedicated cardiac rehabilitation program for patients with obesity on body weight, physical activity, sedentary behavior, and physical fitness: the OPTICARE XL randomized controlled trial. Phys Ther 2023; 103(9): pzad055,. DOI: 10.1093/ptj/pzad055
26. O’Connor F.K., Chen D., Sharma P., Adsett J., Hwang R., Roberts L., Bach A., Louis M., Morris N. Physiological responses to sit-to-stand and six-minute walk tests in heart failure: a randomised trial. Heart Lung Circ 2025; 34(8): 789-797,. DOI: 10.1016/j.hlc.2025.03.002
27. Büsching G., Schmid J.P. 6-minute walk test: exploring factors influencing perceived intensity in older patients undergoing cardiac rehabilitation-a qualitative study. Healthcare (Basel) 2025; 13(7): 735,.
Выпуск
Другие статьи выпуска
Цель исследования — разработать количественный метод оценки ультраструктуры митохондрий кардиомиоцитов ушка правого предсердия у больных с хронической сердечной недостаточностью (ХСН).
Материалы и методы. В одноцентровое проспективное исследование были включены 39 пациентов в возрасте 67 [58; 71] лет, перенесших коронарное шунтирование. Критериями включения стали наличие сердечной недостаточности с фракцией выброса левого желудочка <50%; атеросклеротические бляшки — 70% и более в двух или трех крупных коронарных артериях; решение кардиокоманды о проведении коронарного шунтирования. Во время операции осуществляли забор биоптата миокарда ушка правого предсердия для электронной микроскопии. Для анализа использовали два расчетных показателя: «общая площадь межфибриллярных митохондрий» и «отношение длины внешней мембраны к длине внутренней мембраны», на основе которых рассчитывали суммарный показатель по формуле «общая площадь межфибриллярных митохондрий» / «отношение длины внешней мембраны к длине внутренней мембраны».
Результаты. Медианные значения расчетных показателей, характеризующих ультраструктуру митохондрий кардиомиоцитов ушка правого предсердия, составили 43,7 [35,9; 54,3]% для показателя «общая площадь межфибриллярных митохондрий»; 31 [25; 37]% — для показателя «отношение длины внешней мембраны к длине внутренней мембраны» и 1,4 [0,95; 2,00] — для суммарного показателя, учитывающего обе ультраструктурные характеристики митохондрий: «общая площадь межфибриллярных митохондрий» / «отношение длины внешней мембраны к длине внутренней мембраны».
Для оценки клинической значимости предложенного интегрального показателя изучены ассоциации полученных значений с наличием фибрилляции предсердий (ФП). Ультраструктурные изменения митохондрий были более выраженными у пациентов с сочетанием ФП и ХСН, однако статистическая значимость различий отдельных показателей не достигалась: общая площадь межфибриллярных митохондрий была ниже в группе с ФП (42% против 49%; p=0,224), отношение длины внешней мембраны к внутренней было выше при ФП (35% против 31%; p=0,125). Величина суммарного показателя оказалась статистически значимо ниже у пациентов с ФП (0,96 против 1,75; p=0,021). Был проведен ROC-анализ для выявления связи между расчетным показателем «общая площадь межфибриллярных митохондрий» / «отношение длины внешней мембраны к длине внутренней мембраны» и наличием ФП; площадь под ROC-кривой (AUC) составила 0,773 (р=0,021).
Заключение. Предложенный суммарный показатель для анализа микрофотографий кардиомиоцитов, рассчитанный как «общая площадь межфибриллярных митохондрий» / «отношение длины внешней мембраны к длине внутренней мембраны», позволяет получить комплексную характеристику митохондрий, учитывающую не только их количество и размеры, но и внутреннюю структуру.
Цель исследования — гистологически обосновать диагностический потенциал новых биомаркеров системного воспаления (MLR, SIRI, CAR, dNLR, ALB/dNLR) в оценке выраженности ревматоидного артрита (РА), сформированного у теплокровных животных с генетически обусловленной резистентностью к гипоксии.
Материалы и методы. Модель аутоиммунного РА (опытные группы) формировали подкожным введением полного адъюванта Фрейнда в правую заднюю конечность самцам 8-месячных крыс линий, имеющих высокую (ВУ/SmY) и низкую (НУ/SmY) резистентность к гипоксии. Крысам контрольных групп вводили растворители. Через 35 дней у всех крыс из сердца отбирали кровь. Для расчета новых биомаркеров воспаления — CAR, ALB/dNLR, SIRI, dNLR, NC/LС, MLR — использовали следующие лабораторные показатели: ALB (альбумин), СРБ (C-реактивный белок), MC (моноциты), LC (лимфоциты) и NC (нейтрофилы). Эффективность оценки тяжести заболевания с помощью биомаркеров определяли по результатам гистологического исследования плантарных срезов заплюсневых и плюснефаланговых суставов контрольных и опытных крыс.
Результаты. Генетически обусловленная резистентность к гипоксии является важным фактором в манифестации патогенетических механизмов РА. В случае низкой устойчивости организма к гипоксии наблюдается развитие более тяжелых форм патологии соединительной ткани, чем при высокой устойчивости: НУ/ВУ — 164 балла/113 баллов, p≤0,05. Тяжесть патоморфологических изменений при РА (с учетом устойчивости организма к гипоксии), выявленную гистологически (степень дегенерации хряща НУ/ВУ — 29 баллов/18 баллов, p≤0,01; общее воспаление сустава НУ/ВУ — 37 баллов/26 баллов, p≤0,01; остеолизис НУ/ ВУ — 6 баллов/0 баллов, p≤0,01), наиболее эффективно отображали следующие интегральные индексы воспаления: CAR (НУ/ ВУ — 11,55·10–6 ед./12,73·10–6 ед.), ALB/dNLR (НУ/ВУ — 86,93 ед./78,51 ед.) и SIRI (НУ/ВУ — 0,14 ед./0,19 ед.).
Заключение. Выраженность патоморфологических признаков РА зависит от генетически обусловленной резистентности к гипоксии. Для эффективного прогнозирования заболевания, риска осложнений и результативности назначенного лечения целесообразно использовать новые биомаркеры системного воспаления CAR, ALB/dNLR и SIRI.
Цель исследования — оценить возможность использования радиоиммуноконъюгатов (РИК) наноантител против PD-L1 и HER2/neu для диагностики и терапии злокачественных опухолей.
Материалы и методы. Наноантитела к биомаркерам человека PD-L1 и HER2/neu конъюгировали с радионуклидами 68Ga и 177Lu с использованием хелатирующего агента DOTA. Биораспределение РИК исследовали в экспериментальных моделях на мышах F1(DBA/2xBALB/c), которым прививали генно-модифицированные клетки мышиной карциномы CT26, экспрессирующие PD-L1 или HER2/neu человека. РИК, содержащие изотоп 68Ga и предназначенные для выявления опухолей, вводили животным внутривенно в дозе 1,0–1,2 МБк. Накопление радиоактивности в специфических опухолях, несущих биомаркеры человека, оценивали методом прямой дозиметрии через 0,5, 1,5 и 4 ч в сравнении с контрольными опухолями. Для терапии использовали РИК, содержащие 177Lu, которые вводили в дозе 0,8–1,6 МБк и исследовали аналогично в течение 96 ч после введения.
Результаты. После введения мышам РИК, содержащих 68Ga, наибольшую разницу между специфическими и контрольными опухолями наблюдали на сроке 1,5 ч. В это же время отмечалось многократное превышение радиоактивности специфической опухоли над радиоактивностью крови и мышечной ткани, что должно обеспечивать высокую контрастность визуализации. После введения мышам РИК, содержащих 177Lu, радиоактивность в специфических опухолях сохранялась в течение 48 ч, что создавало длительное воздействие радиоизотопа на опухоль. При введении всех РИК происходила быстрая элиминация радиоактивности из крови через мочу, что было связано с использованием наноантител, имеющих молекулярную массу 13 кДа и не содержащих участков взаимодействия с Fc-рецепторами. Отмечено значительное накопление и длительное сохранение радиоактивности в почках. В работе была выявлена зависимость биораспределения радиоактивности от использованного изотопа: нормализованная по времени радиоактивность ряда органов и тканей, включая опухоли, после введения РИК, содержащих 68Ga, была выше, чем после введения РИК той же специфичности, но содержащих радиоизотопы 177Lu.
Заключение. Результаты исследования указывают на функциональную пригодность пар РИК наноантител с радиоизотопами 68Ga и 177Lu для тераностики злокачественных опухолей, экспрессирующих биомаркеры PD-L1 и HER2/neu.
Цель исследования — изучить возможность использования технологий искусственного интеллекта для определения возраста детей по рентгеновским снимкам зубов.
Материалы и методы. Проведено ретроспективное исследование, в ходе которого проанализированы ортопантомограммы 322 детей (173 — женского и 149 — мужского пола) в возрасте 4–16 лет. На каждом снимке были аннотированы 14 постоянных зубов нижней челюсти. Обучение нейросетей производили с разбиением данных на тренировочную и тестовую выборку в соотношении 80:20; применяли кросс-валидацию с числом разбиений, равным 5. Оценка возраста решалась как задача регрессии. Процесс обучения и валидации нейросети реализован на языке Python с использованием библиотеки PyTorch. Точность прогнозирования возраста оценивали по коэффициенту детерминации (R2), среднеквадратичной ошибке (MSE) и средней абсолютной ошибке (MAE).
Результаты. Исследование показало, что разработанная модель машинного обучения обладает высокой точностью в оценке возраста детей. Значение средней абсолютной ошибки на кроссвалидацию составило 0,92 года, что существенно меньше ошибки при традиционно используемых ручных методах.
Цель исследования — оценка эффективности архитектуры нейронной сети KANU-Net 2D, основанной на архитектуре UNet, в задаче сегментации двухмерных МРТ-изображений головного мозга из набора данных BraTS при ограниченном количестве обучающих примеров.
Материалы и методы. В рамках работы были проведены эксперименты с подвыборками объемом 50, 100 и 150 изображений. Описаны этапы предобработки данных, включая нормализацию, гамма-коррекцию, обрезку и аугментацию. В качестве функции потерь использовали комбинацию Dice loss и BCE loss. Оптимизацию сети проводили с помощью AdamW. Производительность работы сети оценивали с использованием метрик Accuracy и коэффициента Dice для каждого региона и его среднего значения.
Результаты. Экспериментально продемонстрировано, что KANU-Net 2D достигает конкурентоспособной производительности, сравнимой с современными SOTA-моделями сверточных нейронных сетей, при обучении на малых выборках. В частности, средний коэффициент Dice составил 0,851 при использовании 100 обучающих примеров.
Заключение. Проведенные исследования показали, что сеть KANU-Net 2D превосходит модель для сегментации MedDANet как по среднему значению, так и по отдельным классам. Эффективность модели для различных зон опухоли обусловливает возможность адаптации подхода на основе KAN (сети Колмогорова–Арнольда) к различным характеристикам изображений в задаче медицинской сегментации. Полученные результаты подчеркивают несомненную перспективность применения KAN для сегментации медицинских изображений на малых выборках и могут служить фундаментом для проведения дальнейших исследований в этой области.
Статистика статьи
Статистика просмотров за 2026 год.
Издательство
- Издательство
- ПИМУ
- Регион
- Россия, Нижний Новгород
- Почтовый адрес
- Верхне-Волжская наб., 18/1
- Юр. адрес
- Верхне-Волжская наб., 18/1
- ФИО
- Карякин Николай Николаевич (ректор)
- E-mail адрес
- rector@pimunn.net
- Контактный телефон
- +7 (831) 4360030
- Сайт
- https://pimunn.ru/