Цель. Разработать программный комплекс, прогнозирующий наличие значимого стеноза ствола левой коронарной артерии (ЛКА) у больных стабильной ишемической болезнью сердца (ИБС) на основе клинико-инструментальных признаков при помощи методов машинного обучения.

Материал и методы. В исследование включены 208 пациентов со стабильной ИБС, госпитализированных для плановой коронарной ангиографии. По результатам инвазивной коронароангиографии были выделены две группы больных: основная группа — 104 пациента с гемодинамически значимым стенозом ствола ЛКА и группа контроля — 104 пациента без обструктивного поражения коронарных артерий. Значимым считали стеноз ствола ЛКА >50%. На основе изучения историй болезни была создана база данных Excel, содержащая информацию о 107 клинико-инструментальных признаках всех больных. На основании экспертной оценки до начала построения моделей осуществлен отбор 63 из них, которые регистрируются в медицинской карте пациента в реальной практике при стандартной стратегии диагностики ИБС согласно клиническим рекомендациям. Проведен поиск коллинеарных признаков, что позволило исключить 4 признака с низким порогом корреляции. С учетом характера рассматриваемых данных и предположения о наличии в них нелинейных взаимосвязей в качестве алгоритма машинного обучения был выбран градиентный бустинг. Разработанные в ходе исследования программы написаны на языке программирования Python в интегрированной среде программирования PyCharm.

Результаты. На основе наиболее информативных признаков были построены модели прогнозирования поражения ствола ЛКА у больных ИБС. В качестве оптимального алгоритма машинного обучения был определен градиентный бустинг. Рассмотрены три его реализации: LightGBM (Light Gradient Boosting Machine), XGBoost (Extreme Gradient Boosting) и CatBoost (Categorical Boosting). Наиболее эффективной для классифицирования представленных объектов оказалась модель CatBoost. Программный комплекс с использованием модели CatBoost продемонстрировал точность прогноза классификатора 86,2% на тестовом наборе данных при чувствительности 77% и специфичности 76,9%, соответственно. По данным построенных кривых обучения установлено, что дальнейшее расширение объема обучающих данных улучшит качество модели.

Заключение. Разработанный программный комплекс выявления гемодинамически значимого стеноза ствола ЛКА у больных ИБС имеет хорошую точность прогноза с перспективой дальнейшего обучения. Полученное решение может быть интегрировано в диагностический процесс в составе приложения для персонального компьютера либо веб-интерфейса с целью обеспечения поддержки принятия врачебных решений.