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.