ПРОГНОЗИРОВАНИЕ СЕРДЕЧНОЙ НЕДОСТАТОЧНОСТИ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В РАМКАХ ЦУР 3: ЗДОРОВЬЕ И БЛАГОПОЛУЧИЕ

ABSTRACT

Modern machine learning (ML) approaches enable the analysis of multidimensional medical data and the identification of hidden patterns, making it possible to more accurately predict disease outcomes. The use of such technologies in cardiology facilitates a shift from reactive medicine to proactive and personalized diagnostics. In the context of Sustainable Development Goal 3 (ensuring healthy lives and promoting well-being for all at all ages), the application of ML methods enhances the early detection of cardiovascular diseases and improves the quality of healthcare. The development of digital technologies and the exchange of clinical data support global efforts to strengthen population health, reduce mortality, and increase access to medical services. Moreover, the integration of machine learning into medical practice highlights the importance of international collaboration and innovation in achieving sustainable development in the healthcare sector.

АННОТАЦИЯ

Современные подходы машинного обучения (Machine Learning, ML) позволяют анализировать многомерные медицинские данные и выявлять скрытые закономерности, что делает возможным более точное прогнозирование исходов заболеваний. Использование таких технологий в кардиологии способствует переходу от реактивной медицины к проактивной и персонализированной диагностике. В контексте Цели устойчивого развития 3 (обеспечение здорового образа жизни и благополучия для всех в любом возрасте) применение методов ML позволяет повысить точность раннего выявления сердечно-сосудистых заболеваний и улучшить качество медицинской помощи. Развитие цифровых технологий и обмен клиническими данными поддерживают глобальные усилия по укреплению здоровья населения, сокращению смертности и повышению доступности медицинских услуг. Кроме того, интеграция машинного обучения в медицинскую практику отражает важность международного сотрудничества и инноваций для достижения устойчивого развития в сфере здравоохранения.

Keywords: sustainable development, machine learning, cardiology, predictive analytics, personalized diagnostics, proactive medicine, medical data analysis.

Ключевые слова: устойчивое развитие, машинное обучение, кардиология, прогнозная аналитика, персонализированная диагностика, проактивная медицина, анализ медицинских данных.

Введение

Сердечная недостаточность остается одной из ведущих причин госпитализаций и смертности среди взрослых пациентов во всем мире. Заболевание характеризуется сложным взаимодействием физиологических, метаболических и поведенческих факторов. Среди ключевых биомаркеров, отражающих состояние пациента, выделяются фракция выброса, уровень креатинина, концентрация гемоглобина, а также возраст, пол, наличие гипертензии и сахарного диабета.

Традиционные методы анализа данных часто не позволяют выявить сложные нелинейные зависимости между этими параметрами и исходами заболевания. В связи с этим применение методов машинного обучения становится особенно актуальным, так как они способны обрабатывать многомерные данные, выявлять скрытые закономерности и прогнозировать вероятность неблагоприятных исходов, включая летальный исход и развитие осложнений.

В статье рассматриваются ключевые биомаркеры, алгоритмы машинного обучения и подходы к прогнозированию риска летального исхода и осложнений у пациентов с СН. Особое внимание уделено ансамблевым методам, таким как Random Forest и Gradient Boosting, которые демонстрируют высокую точность и интерпретируемость при работе с медицинскими данными. Проведён обзор научных публикаций, посвящённых предиктивным моделям в кардиологии. Особое внимание уделено показателям, оказывающим ключевое влияние на прогноз смертности — фракции выброса, уровню креатинина, гемоглобина, возрасту и наличию сопутствующих заболеваний. Обосновывается актуальность внедрения интеллектуальных систем в медицинскую практику Казахстана для повышения эффективности диагностики и профилактики сердечно-сосудистых заболеваний.

Методы машинного обучения в кардиологии

Современное машинное обучение включает широкий спектр алгоритмов, применяемых для анализа медицинских данных:

1. Логистическая регрессия (Logistic Regression) — базовый алгоритм бинарной классификации, хорошо интерпретируемый и подходящий для медицинских исследований.
2. Деревья решений и случайный лес (Decision Tree, Random Forest) — позволяют моделировать сложные нелинейные зависимости между признаками и исходами заболевания.
3. Метод опорных векторов (Support Vector Machine, SVM) — эффективен при работе с многомерными данными и небольшими выборками.
4. Градиентный бустинг (Gradient Boosting, XGBoost) — обеспечивает высокую точность предсказаний и устойчивость к шуму данных.
5. Нейронные сети — применяются для глубокого анализа, включая временные ряды клинических наблюдений, что позволяет прогнозировать динамику состояния пациентов.

Ключевые факторы риска и биомаркеры

Анализ научных исследований указывает на следующие показатели, имеющие наибольшее значение при прогнозировании неблагоприятного исхода у пациентов с СН:

• Фракция выброса < 40% — главный предиктор высокой смертности;
• Уровень креатинина > 1.5 мг/дл — индикатор почечной дисфункции;
• Гемоглобин < 12 г/дл — указывает на анемию и ухудшение оксигенации тканей;
• Возраст > 65 лет, пол пациента, наличие гипертензии и сахарного диабета.

Социально-демографические факторы, уровень стресса, образ жизни и доступность медицинской помощи также существенно влияют на прогноз.

Применение ансамблевых методов

Современные исследования показывают, что ансамблевые алгоритмы, такие как Random Forest и Gradient Boosting, обеспечивают высокую точность прогнозирования риска смертности у пациентов с СН. Эти методы создают множество базовых моделей (например, решающих деревьев) и объединяют их результаты, что повышает стабильность предсказаний и устойчивость к шуму данных.

• Random Forest демонстрирует хорошую интерпретируемость значимости признаков, таких как фракция выброса и уровень креатинина.
• Gradient Boosting позволяет выявлять сложные нелинейные зависимости между клиническими параметрами и исходами заболевания.

Мета-анализ показывает, что значения ROC-AUC для этих моделей варьируются от 0.82 до 0.90, что указывает на высокий уровень точности прогнозирования.

Практическое применение

Внедрение методов машинного обучения в кардиологическую практику Казахстана открывает возможности для раннего выявления пациентов из группы риска и оптимизации маршрутизации медицинской помощи. Национальные медицинские центры и региональные кардиологические диспансеры могут использовать модели ML для:

• прогнозирования вероятности летального исхода и осложнений;
• выявления скрытых взаимосвязей между лабораторными показателями и клиническими исходами;
• динамического мониторинга состояния пациентов с сердечной недостаточностью на основе временных рядов наблюдений.

Заключение

Машинное обучение предоставляет кардиологам эффективные инструменты для анализа сложных клинических данных, прогнозирования исходов и персонализированной диагностики. Ансамблевые методы, такие как Random Forest и Gradient Boosting, показывают высокую точность и интерпретируемость, что делает их особенно перспективными для медицинской практики. Внедрение подобных технологий в Казахстане способствует переходу к проактивной модели здравоохранения, позволяя снижать смертность и улучшать качество жизни пациентов с сердечной недостаточностью. Такие подходы не только способствуют улучшению кардиологической помощи, но и поддерживают стратегические цели устойчивого развития, объединяя технологии, знания и ресурсы для повышения благополучия людей на глобальном уровне.

Список литературы:

1. Долгих В.А., Касымова А.Б., Сулейменова Ж.Т. Эпидемиология сердечно‑сосудистых заболеваний и факторов риска в Казахстане. Алматы: Изд‑во КазНМУ, 2022. 148 с.
2. Иванов С.В., Петрова Н.В. Цифровая медицина и аналитические панели в здравоохранении. Москва: МедПресс, 2021. 210 с.
3. Hajishah H., Kazemi D., Safaee E., et al. Evaluation of machine learning methods for prediction of heart failure mortality and readmission: meta‑analysis. BMC Cardiovascular Disorders, 2025, vol. 25, article 264. DOI: 10.1186/s12872-025-04700-0.
4. Quach J., Theou O., Maxwell S., Abidi S.S.R., et al. Machine learning for frailty assessment and outcome prediction in cardiovascular disease: a scoping review. Ageing Research Reviews, 2026, article 103122. DOI: 10.1016/j.arr.2026.103122.
5. Altman B.W., Fry L.W. Global leadership for sustainability: essential competencies for leading transformative multi‑sector partnerships. Sustainability, 2024, vol. 16, no. 13, article 5737. DOI: 10.3390/su16135737.