Статья: Решающее правило для стратификации больных хронической сердечной недостаточностью II и III функционального класса

Примечание. ЛДФ -- линейные дискриминантные функции; ХСН -- хроническая сердечная недостаточность; ИБС -- ишемическая болезнь сердца; NT-proBNP -- ^терминальный пропептид мозгового натрийуретического гормона; АД -- артериальное давление; 1Ь-б -- интерлейкин 6

Качество дискриминантной функции было проверено на обучающей выборке и методом скользящего экзамена. Результаты представлены в табл. 3, 4.

Таблица 3

Результаты классификации на обучающей выборке

Примечание. 77% исходных сгруппированных наблюдений правильно классифицировано; здесь и в табл. 4 ФК -- функциональный класс

Таблица 4

Результаты классификации методом скользящего экзамена

Примечание. 72,1% перекрестно проверенных сгруппированных наблюдений правильно классифицировано

Принцип работы полученного решающего правила следующий: предикторные переменные пациента подставляются в функцию Ъ_х и 2₂ ((1.1) и (1.2)). Далее полученные значения Ъ_х и 2₂ сравниваются. Если 2₁ > 2₂, то пациента следует относить к III ФК ХСН, если 2₁ < 2₂, то - ко II ФК ХСН.

Следует отметить, что для оценки надежности диагностического теста применяют такие показатели, как чувствительность и специфичность.

Так как в задачи данного теста не входила классификация пациентов на больных и здоровых, то за «больных» мы приняли пациентов, относящихся к III ФК ХСН, а за «здоровых» - пациентов со II ФК ХСН. Таким образом, при использовании обучающей выборки чувствительность данной модели составляла Бе = = (32/ (32 + 9)) х 100% = 78%, а специфичность - Бр = = (15/(15 + 5)) х 100% = 75%. При использовании метода скользящего экзамена чувствительность составляла Бе = (30/(30 + 11)) х 100% = 73,2%, а специфичность - Бр = (14/(14 + 6)) х 100% = 70%.

Для оценки качества полученной модели по разделению двух классов была построена ЯОС-кривая (рис.) - график зависимости количества верно классифицированных положительных примеров от количества неверно классифицированных отрицательных примеров [13]. Для построения ИОС-кривой была создана новая переменная 2 = 2₁ - 2_2.

Рисунок. График ИОС-кривой для оценки качества разработанной модели по разделению больных на II и III ФК

Известно, что если модель идеальна, то ее чувствительность и специфичность будут соответствовать 100%. Поскольку на практике добиться таких результатов сложно, используют порог отсечения (cut-off value) - наиболее адекватную точку отсечения одной диагностируемой группы от другой.

Для определения точки отсечения было выбрано требование максимальной суммарной чувствительности и специфичности. Cut-off = 0,07438, которой соответствует чувствительность, равная 756.(75,6%), и специфичность - 0,85 (85%). Таким образом, если Z > 0,07438, то данного пациента следует относить к III ФК ХСН, если же Z < 0,07438, то ко II ФК ХСН.

Кроме того, для оценки качества модели используют такой показатель, как площадь под ROC-кривой, и чем больше ее значение, тем лучше качество модели. Так, в данном исследовании POC-кривая = 0,879 ± 0,045, что соответствует очень хорошему (0,8--0,9) качеству полученной модели [13].

ЗАКЛЮЧЕНИЕ

Для разработки решающего правила разделения больных ХСН проведено сравнение групп пациентов II и III ФК. Выявлены статистически значимо различающиеся переменные, такие как возраст, NT-proBNP, sgp130, этиология ХСН и ИБС. В решающее правило помимо данных показателей включили клинически значимые параметры (АД систолическое, АД диастолическое, IL-6). Полученные результаты позволили разработать решающее правило отнесения пациентов ко II и III ФК. Оценка качества модели по разделению двух классов, полученная на основании площади под ROC-кривой, соответствовала очень хорошему качеству (0,8--0,9). В данной модели наряду с общепринятыми клиническими показателями ХСН использованы новые дополнительные параметры, отражающие степень воспалительного процесса (IL-6 и sgp130).

ЛИТЕРАТУРА

1. Ponikowski P., Voors A.A., Anker S.D., Bueno H., Cle- land G.F. J., Coats J.S.A., Falk V., Gonzalez-Juanatey J., Harjola V., Jankowska A.E., Jessup M., Linde C., Nihoy- annopoulos P., Parissis T.J., Pieske B., Riley P.J., Rosano M.C.G., Ruilope M.L., Ruschitzka F., Rutten H.., van der Meer P. Рекомендации ESC по диагностике и лечению острой и хронической сердечной недостаточности 2016. Российский кардиологический журнал. 2017; (1): 7--81. DOI: 10.15829/1560-4071-2017-1-7-81.

2. Mosterd A., Hoes A.W. Clinical epidemiology of heart failure. Heart. 2007; 93 (9)

3. : 1137--1146. DOI: 10.1136/ hrt.2003.025270.

4. Benjamin E.J., Virani S.S., Callaway C.W., Chamberlain A.M., Chang A.R., Cheng S., Chiuve S.E., Cushman M., Delling F.N., Deo R., de Ferranti S.D., Ferguson J.F., For- nage M., Gillespie C., Isasi C.R., Jimйnez M.C., Jordan L.C., Judd S.E., Lackland D., Lichtman J.H., Lisabeth L., Liu S., Longenecker C.T., Lutsey P.L., Mackey J.S., Matchar D.B., Matsushita K., Mussolino M.E., Nasir K., O'Flaherty M.,

5. Palaniappan L.P., Pandey A., Pandey D.K., Reeves M.J., Ritchey M.D., Rodriguez C.J., Roth G.A., Rosamond W.D., Sampson U.K.A., Satou G.M., Shah S.H., Spartano N.L., Tirschwell D.L., Tsao C.W., Voeks J.H., Willey J.Z., Wilkins J.T., Wu J.H., Alger H.M., Wong S.S., Muntner P. Heart disease and stroke statistics-2018 Update: A Report From the American Heart Association. Circulation. 2018; 137 (12): e67-492. DOI: 10.1161/CIR.0000000000000558.

6. Фомин И.В. Хроническая сердечная недостаточность в Российской Федерации: что сегодня мы знаем и что должны делать. Российский кардиологический журнал. 2016; 8: 7-13. DOI: 10.15829/1560-4071-2016-8-7-13.

7. Терещенко С.Н., Жиров И.В., Нарусов О.Ю., Мареев Ю.В., Затейщиков Д.А., Осмоловская Ю.Ф., Овчинников А.Г., Самко А.Н., Насонова С.Н., Стукалова О.В., Саидова М.А., Скворцов А.А., Шария М.А., Явелов И.С. Диагностика и лечение хронической и острой сердечной недостаточности. Кардиологический вестник. 2016; 2: 3-33.

8. Cainzos-Achirica M., Enjuanes C., Greenland P., McEvoy J.W., Cushman M., Dardari Z., Nasir K., Budoff M.J., Al-Mallah M.H., Yeboah J., Miedema M.D., Blumenthal R.S., Comin-Colet J., Blaha M.J. The prognostic value of interleukin 6 in multiple chronic diseases and all-cause death: The Multi-Ethnic Study of Aherosclerosis (MESA). Atherosclerosis. 2018; 278: 217-225. DOI: 10.1016/j.ath- erosclerosis.2018.09.024.

9. Yan A.T., Yan R.T., Cushman M., Redheuil A., Tracy R.P., Arnett D.K., Rosen B.D., McClelland R.L., Bluemke D.A., Lima J.A. Relationship of interleukin-6 with regional and global left-ventricular function in asymptomaticindividu- als without clinical cardiovascular disease: insights from the Multi-Ethnic Study of Atherosclerosis. Eur. Heart J. 2010; 31 (7): 875-882. DOI: 10.1093/eurheartj'/ehp454.

10. Shirazi L.F., Bissett J., Romeo F., Mehta J.L. Role of Inflammation in heart failure. Curr. Atheroscler. Rep. 2017; 19 (6): 27. DOI: 10.1007/s11883-017-0660-3.

11. Осипова О.А., Суязова С.Б., Власенко М.А., Годлевская О.М. Роль провоспалительных цитокинов в развитии хронической сердечной недостаточности. Российский медико-биологический вестник имени академика И.П. Павлова. 2013; 21 (2): 130-135. DOI: 10.17816/PAVLOVJ20132130-135.

12. Чепурнова Д.А., Самойлова Е.В., Анисимов А.А., Верин А.Д., Коротаева А.А. Компоненты рецепторного комплекса интерлейкина 6 при остром повреждении легких. Бюллетень экспериментальной биологии и медицины. 2017; 164 (11): 561-563. DOI: 10.1007/s10517-018-4042-9.

13. Korotaeva A.A., Samoilova E.V., Chepurnova D.A., Zhi- tareva I.V., Shuvalova Y.A., Prokazova N.V. Soluble glycoprotein 130 is inversely related to severity of coronary atherosclerosis. Biomarkers. 2018; 23 (6): 527-532. DOI: 10.1080/1354750X.2018.1458151.

14. Askevold E.T., Nymo S., Ueland T., Gravning J., Werge- land R., Kjekshus J., Yndestad A., Cleland J.G., McMur- ray J.J., Aukrust P., Gullestad L. Soluble glycoprotein 130 predicts fatal outcomes in chronic heart failure: analysis from the controlled rosuvastatin multinational trial in heart failure (CORONA). Circ. Heart Fail. 2013; 6 (1): 91-98. DOI: 10.1161/CIRCHEARTFAIL- URE.112.972653.

15. Григорьев С.Г., Лобзин Ю.В., Скрипченко Н.В. Роль и место логистической регрессии и ИОС-анализа в решении медицинских диагностических задач. Журнал инфектологии. 2016; 8 (4): 36-45. БО1: 10.22625/20726732-2016-8-4-36-45.