Сердечно-сосудистые заболевания ежегодно уносят жизни примерно 17 миллионов человек во всем мире, и в основном они проявляются в виде инфаркта миокарда и сердечной недостаточности. 

Сердечная недостаточность (СН) возникает, когда сердце не может перекачивать достаточное количество крови для удовлетворения потребностей организма. Доступные электронные медицинские карты пациентов позволяют количественно оценить симптомы, особенности тела и значения клинических лабораторных тестов, которые можно использовать для проведения биостатистического анализа с целью выделения закономерности и корреляции, которые в противном случае не были бы обнаружены врачами. В частности, машинное обучение может прогнозировать выживаемость пациентов по их данным и может выделять наиболее важные характеристики среди тех, которые включены в их медицинские карты.
 
Методы. В статье проанализирован набор данных из 299 пациентов с сердечной недостаточностью, собранный в 2015 году. Для прогнозирования выживаемости пациентов и ранжирования функций, соответствующих наиболее важным факторам риска, применялись несколько классификаторов машинного обучения. Также выполнялся анализ ранжирования альтернативных функций, используя традиционные биостатистические тесты. Эти результаты сравнивались с результатами, предоставляемыми алгоритмами машинного обучения. Поскольку оба подхода ранжирования признаков четко определяют креатинин сыворотки и фракцию выброса как две наиболее важные характеристики, были построены модели прогнозирования выживаемости с помощью машинного обучения только на основе этих двух факторов.

Результаты. Результаты этих двух функциональных моделей показывают не только то, что креатинин сыворотки и фракция выброса достаточны для прогнозирования выживаемости пациентов с сердечной недостаточностью по медицинским картам, но также и то, что использование только этих двух функций может привести к более точным прогнозам, чем использование оригинальных функций набора данных в целом. Также проводится анализ, включающий месяц наблюдения каждого пациента: даже в этом случае креатинин сыворотки и фракция выброса являются наиболее прогностическими клиническими признаками набора данных и достаточны для прогнозирования выживаемости пациентов.

Выводы. Это открытие может оказать влияние на клиническую практику, став новым вспомогательным инструментом для врачей при прогнозировании выживания пациента с сердечной недостаточностью. Действительно, врачи, стремящиеся понять, выживет ли пациент после сердечной недостаточности, могут сосредоточиться в основном на креатинине в сыворотке и фракции выброса.

https://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/s12911-020-1023-5
Machine learning can predict survival of patients with heart failure from serum creatinine and ejection fraction alone. D. Chicco and G. Jurman.  BMC Medical Informatics and Decision Making (2020) 20:16 https://doi.org/10.1186/s12911-020-1023-5