vitjВрач и информационные технологииMedical Doctor and Information Technologies1811-01932413-5208Pirogov National Medical and Surgical Center10.25881/18110193_2022_3_24vitj-140Research ArticleОРИГИНАЛЬНЫЕ ИССЛЕДОВАНИЯORIGINAL RESEARCHГибридная технология оценки рисков и прогнозирования в кардиологииHybrid technology of risk assessment and prognosis in cardiologyГрибоваВ. В.GribovaV. V.

д.т.н., член-корреспондент

г. Владивосток

 

DSc, Corresponding Membe

 

gribova@iacp.dvo.ruГельцерБ. И.GeltserB. I.

д.м.н., проф., член-корреспондент

г. Владивосток

DSc, Professor, Corresponding Member

Vladivostok

boris.geltser@vvsu.ruШахгельдянК. И.ShakhgeldyanK. I.

д.т.н.

г. Владивосток

DSc

Vladivostok

carinash@vvsu.ruПетряеваМ. В.PetryaevaM. V.

к.м.н.

г. Владивосток

PhD

Vladivostok

margaret@iacp.dvo.ruШалфееваЕ. А.ShalfeevaE. A.

д.т.н., доцент

г. Владивосток

DSc, Associate Professor

Vladivostok

shalf@dvo.ruКостеринВ. В.KosterinV. V.

г. Владивосток

Vladivostok

Vladimir.Kosterin98@vvsu.ruИАПУ ДВО РАНРоссияIACP FEB RAS, VladivostokRussian FederationДВФУРоссияFEFURussian FederationВГУЭСРоссияVVSURussian FederationИАПУ ДВО РАНРоссияIACP FEB RASRussian Federation202203042025032435Copyright © Грибова В.В., Гельцер Б.И., Шахгельдян К.И., Петряева М.В., Шалфеева Е.А., Костерин В.В., 20252025Грибова В.В., Гельцер Б.И., Шахгельдян К.И., Петряева М.В., Шалфеева Е.А., Костерин В.В.Gribova V.V., Geltser B.I., Shakhgeldyan K.I., Petryaeva M.V., Shalfeeva E.A., Kosterin V.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vit-j.ru/jour/article/view/140

Вопросы внедрения в систему здравоохранения мероприятий по профилактике заболеваний системы кровообращения являются актуальными. Целью работы является разработка технологии гибридного искусственного интеллекта, объединяющего различные методы и подходы представления и использования знаний для оценки и прогноза индивидуальных рисков развития сердечно-сосудистых событий. Для исследования использованы следующие модели представления рисков: балльная система, многофакторные вейбулл- и логистическая регрессия, искусственные нейронные сети; онтологический подход к представлению знаний в явном виде и построению программных решателей, генерирующих объяснение в понятных врачу терминах. В качестве основного технологического решения используется облачная платформа IACPaaS, где предложена инфраструктура и технология разработки интеллектуальных сервисов. Результатом исследования является гибридная технология оценки рисков и прогнозирования, представленная в статье архитектурой производимых сервисов поддержки решений, онтологией знаний, базой знаний для кардиологии и методами реализации сервисов. Ключевой особенностью технологии является ее масштабируемость за счет подключения новых микросервисов, реализованных на произвольных гетерогенных архитектурах. Область применения — от исследователей оценки рисков и прогнозирования в кардиологии до врачей из практической медицины.

New measures to decrease the burden from cardiovascular morbidity are of great socio-economic importance. The aim of the study was to create artificial intelligence technology incorporating various methods and approaches for presenting and using knowledge to assess and predict individual risks of developing cardiovascular events. The following risk presenting models were used: scoring system, multivariate Weibull and logistic regression, artificial neural networks; an ontological approach for explicit representation of knowledge and the construction of software solvers generating an explanation in easy-to-interpret terms. One of the main technological solutions used was the IACPaaS cloud platform, which has infrastructure and intelligent service development technology. The result of the study is a hybrid technology for risk assessment and forecasting, presented in the article by the architecture of the decision support services produced, the ontology of knowledge, the knowledge base for cardiology and the methods for implementing services. The key feature of the technology is its scalability by connecting new microservices implemented on arbitrary heterogeneous architectures. The scope of application ranges from cardiology research of risk assessment and prognosis to medical practitioners.

система поддержки принятия врачебных решенийбазы знаниймашинное обучениекардиоваскулярные рискипрогностические моделиmedical decision support systemknowledge basesmachine learningcardiovascular riskspredictive modelsReferencesTask Force for the management of COVID-19 of the European Society of Cardiology et al. European Society of Cardiology guidance for the diagnosis and management of cardiovascular disease during the COVID-19 pandemic: part 1—epidemiology, pathophysiology, and diagnosis. Cardiovascular Research. 2022; 118(6): 1385-1412.Task Force for the management of COVID-19 of the European Society of Cardiology et al. European Society of Cardiology guidance for the diagnosis and management of cardiovascular disease during the COVID-19 pandemic: part 1—epidemiology, pathophysiology, and diagnosis. Cardiovascular Research. 2022; 118(6): 1385-1412.Шальнова С.А., Оганов Р.Г., Деев А.Д., и др. Сочетания ишемической болезни сердца с другими неинфекционными заболеваниями в популяции взрослого населения: ассоциации с возрастом и факторами риска // Кардиоваскулярная терапия и профилактика. — 2015. — №14(4). —С. 44-51.Shalnova SA, Oganov RG, Deev AD, et al. Comorbidities of ischemic heart disease with other non-communicable diseases in adult population: age and risk factors association. Cardiovascular Therapy and Prevention. 2015; 14(4): 44-51. (In Russ.) doi: 10.15829/1728-8800-2015-4-44-51.Nashef S.AM, François Roques, Linda D Sharples, et al. EuroSCORE II European Journal of Cardio-Thoracic Surgery. 2012; 41(4): 734-745. doi: 10.1093/ejcts/ezs043.Nashef S.AM, François Roques, Linda D Sharples, et al. EuroSCORE II European Journal of Cardio-Thoracic Surgery. 2012; 41(4): 734-745. doi: 10.1093/ejcts/ezs043.Arnett DK, Blumenthal RS, Albert MA, et al. 2019 ACC/AHA Guideline on the Primary Prevention of Cardiovascular Disease: Executive Summary. A Report of the American College of Cardiology/ American Heart Association Task Force on Clinical Practice Guidelines. J Am Coll Cardiol. 2019; 74(10): 1376-414. doi: 10.1016/j.jacc.2019.03.009.Arnett DK, Blumenthal RS, Albert MA, et al. 2019 ACC/AHA Guideline on the Primary Prevention of Cardiovascular Disease: Executive Summary. A Report of the American College of Cardiology/ American Heart Association Task Force on Clinical Practice Guidelines. J Am Coll Cardiol. 2019; 74(10): 1376-414. doi: 10.1016/j.jacc.2019.03.009.SCORE2 working group and ESC cardiovascular risk collaboration. SCORE2 risk prediction algorithms: new models to estimate 10-year risk of cardiovascular disease in Europe. European Heart Journal. 2021; 42(25): 2439-2454. doi: 10.1093/eurheartj/ehab309.SCORE2 working group and ESC cardiovascular risk collaboration. SCORE2 risk prediction algorithms: new models to estimate 10-year risk of cardiovascular disease in Europe. European Heart Journal. 2021; 42(25): 2439-2454. doi: 10.1093/eurheartj/ehab309.Diamond GA, Forrester JS. Analysis of probability as an aid in the clinical diagnosis of coronaryartery disease. New England Journal of Medicine. 1979; 300(24): 1350-1358. doi: 10.1056/NEJM197906143002402.Diamond GA, Forrester JS. Analysis of probability as an aid in the clinical diagnosis of coronaryartery disease. New England Journal of Medicine. 1979; 300(24): 1350-1358. doi: 10.1056/NEJM197906143002402.Гусев А.В., Гаврилов Д.В., Новицкий Р.Э., и др. Совершенствование возможностей оценки сердечно-сосудистого риска при помощи методов машинного обучения // Российский кардиологический журнал. — 2021. — №26(12). — С.4618.Gusev AV, Gavrilov DV, Novitsky RE, et al. Improvement of cardiovascular risk assessment using machine learning methods. Russian Journal of Cardiology. 2021; 26(12): 4618. (In Russ.) doi: 10.15829/1560-4071-2021-4618.Комарь П., Дмитриев В., Ледяева А. и др. Прогнозная аналитика в системе здравоохранения. Аналитический отчет // EverCare. 2021.Komar` P, Dmitriev V, Ledyaeva A, et al. Prognoznaya analitika v sisteme zdravooxraneniya. Analiticheskij otchet. EverCare. 2021. (In Russ.) Доступно по: https://evercare.ru/news/prognoznaya-analitika-v-sisteme-zdravookhraneniya.Гусев А.В., Гаврилов Д.В., Корсаков И.Н., и др. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний // Врач и информационные технологии. — 2019. — №3. — С. 41-47.Gusev AV, Gavrilov DV, Korsakov IN, et al. Prospects for the use of machine learning methods for predicting cardiovascular diseases. Vrach i informacionnye tehnologii. 2019; 3: 41-47. (In Russ.)Zhang L, Niu M, Zhang H, et al. Nonlaboratory-based risk assessment model for coronary heart disease screening: Model development and validation. Int J Med Inform. 2022; 162: 104746. doi: 10.1016/j.ijmedinf.2022.104746.Zhang L, Niu M, Zhang H, et al. Nonlaboratory-based risk assessment model for coronary heart disease screening: Model development and validation. Int J Med Inform. 2022; 162: 104746. doi: 10.1016/j.ijmedinf.2022.104746.Wang T, Qiu RG, Yu M, Zhang R. Directed disease networks to facilitate multiple-disease risk assessment modeling. Decision Support Systems. 2020; 129: 113171. doi: 10.1016/j.dss.2019.113171.Wang T, Qiu RG, Yu M, Zhang R. Directed disease networks to facilitate multiple-disease risk assessment modeling. Decision Support Systems. 2020; 129: 113171. doi: 10.1016/j.dss.2019.113171.Ambale-Venkatesh B, Yang X, Wu CO, et al. Cardiovascular Event Prediction by Machine Learning: The Multi-Ethnic Study of Atherosclerosis. Circulation research. 2017; 121(9): 1092-1101. doi. 10.1161/CIRCRESAHA.117.311312.Ambale-Venkatesh B, Yang X, Wu CO, et al. Cardiovascular Event Prediction by Machine Learning: The Multi-Ethnic Study of Atherosclerosis. Circulation research. 2017; 121(9): 1092-1101. doi. 10.1161/CIRCRESAHA.117.311312.Benjamins JW, Hendriks T, Knuuti J, et al. A primer in artificial intelligence in cardiovascular medicine. Neth Heart J. 2019; 27(9): 392-402. doi: 10.1007/s12471-019-1286-6.Benjamins JW, Hendriks T, Knuuti J, et al. A primer in artificial intelligence in cardiovascular medicine. Neth Heart J. 2019; 27(9): 392-402. doi: 10.1007/s12471-019-1286-6.Duan H, Sun Z, Dong W, Huang, Z. Utilizing dynamic treatment information for MACE prediction of acute coronary syndrome. BMC Med Inform Decis Mak. 2019; 19(5): 1-11. doi: 10.1186/s12911-018-0730-7.Duan H, Sun Z, Dong W, Huang, Z. Utilizing dynamic treatment information for MACE prediction of acute coronary syndrome. BMC Med Inform Decis Mak. 2019; 19(5): 1-11. doi: 10.1186/s12911-018-0730-7.Kagiyama N, Shrestha S, Farjo PD, Sengupta PP. Artificial Intelligence: Practical Primer for Clinical Research in Cardiovascular Disease. Journal of the American Heart Association. 2019; 8(17): e012788. doi: 10.1161/JAHA.119.012788.Kagiyama N, Shrestha S, Farjo PD, Sengupta PP. Artificial Intelligence: Practical Primer for Clinical Research in Cardiovascular Disease. Journal of the American Heart Association. 2019; 8(17): e012788. doi: 10.1161/JAHA.119.012788.Krittanawong C, Zhang H, Wang Z, et al. Artificial Intelligence in Precision Cardiovascular Medicine. Journal of the American College of Cardiology. 2017; 69(21): 2657-2664. doi: 10.1016/j.jacc.2017.03.571.Krittanawong C, Zhang H, Wang Z, et al. Artificial Intelligence in Precision Cardiovascular Medicine. Journal of the American College of Cardiology. 2017; 69(21): 2657-2664. doi: 10.1016/j.jacc.2017.03.571.Myers PD, Scirica BM, Stultz CM. Machine Learning Improves Risk Stratification After Acute Coronary Syndrome. Scientific Reports. 2017; 7(1): 1-12. doi: 10.1038/s41598-017-12951-x.Myers PD, Scirica BM, Stultz CM. Machine Learning Improves Risk Stratification After Acute Coronary Syndrome. Scientific Reports. 2017; 7(1): 1-12. doi: 10.1038/s41598-017-12951-x.Pieszko K, Hiczkiewicz J, Budzianowski P, et al. Predicting Long-Term Mortality after Acute Coronary Syndrome Using Machine Learning Techniques and Hematological Markers. Desiase Markers. 2019; 2019. ID 9056402: 1-9. doi: 10.1155/2019/9056402.Pieszko K, Hiczkiewicz J, Budzianowski P, et al. Predicting Long-Term Mortality after Acute Coronary Syndrome Using Machine Learning Techniques and Hematological Markers. Desiase Markers. 2019; 2019. ID 9056402: 1-9. doi: 10.1155/2019/9056402.Shah SH, Arnett D, Houser SR, et al. Opportunities for the Cardiovascular Community in the Precision Medicine Initiative. Circulation. 2016. 133(2): 226–231. doi: 10.1161/CIRCULATIONAHA.115.019475.Shah SH, Arnett D, Houser SR, et al. Opportunities for the Cardiovascular Community in the Precision Medicine Initiative. Circulation. 2016. 133(2): 226–231. doi: 10.1161/CIRCULATIONAHA.115.019475.Грибова В.В., Петряева М.В., Шалфеева Е.А. Облачный сервис поддержки принятия решений в кардиологии на основе формализованных знаний // Сибирский журнал клинической и экспериментальной медицины. — 2020. — №35(4). — С.32-38.Gribova VV, Petryaeva MV, Shalfeeva.A. Cloud decision support service in cardiology based on formalized knowledge. The Siberian Journal of Clinical and Experimental Medicine. 2020; 35(4): 32-38. (In Russ.) doi: 10.29001/2073-8552-2020-35-4-32-38.Gribova V, Fedorischev L, Moskalenko Ph, Timchenko V. Interaction of cloud services with external software and its implementation on the IACPaaS platform. CEUR Workshop Proceedings. 2021; 2930: 8-18.Gribova V, Fedorischev L, Moskalenko Ph, Timchenko V. Interaction of cloud services with external software and its implementation on the IACPaaS platform. CEUR Workshop Proceedings. 2021; 2930: 8-18.Невзорова В.А., Бродская Т.А., Шахгельдян К.И., и др. Методы машинного обучения в прогнозировании рисков 5-летней смертности (по данным исследования ЭССЕ-РФ в Приморском крае) // Кардиоваскулярная терапия и профилактика. — 2022. — Т.21. — №1. — С.34-42.Nevzorova VA, Brodskaya TA, Shakhgeldyan KI, et al. Machine learning for predicting 5-year mortality risks: data from the ESSE-RF study in Primorsky Krai. Cardiovascular Therapy and Prevention. 2022; 21(1): 2908. (In Russ.) doi: 10.15829/1728-8800-2022-2908.Гельцер Б.И., Шахгельдян К.И., Рублев В.Ю., и др. Методы машинного обучения в прогнозировании летальных исходов в стационаре у больных ишемической болезнью сердца после коронарного шунтирования // Кардиология. — 2020. — Т.60. — №10. — С.38-46.Geltser BI, Shakhgeldyan KI, Rublev VY, et al. Machine Learning Methods for Prediction of Hospital Mortality in Patients with Coronary Heart Disease after Coronary Artery Bypass Grafting. Kardiologiia. 2020; 60(10): 38-46. (In Russ.) doi: 10.18087/cardio.2020.10.n1170.Грибова В.В., Петряева М.В., Окунь Д.Б., Шалфеева Е.А. Онтология медицинской диагностики для интеллектуальных систем поддержки принятия решений // Онтология проектирования. — 2018. — Т.8. — №1(27). С.58-73.Gribova VV, Petryaeva MV, Okun DB, Shalfeeva EA. Medical diagnosis ontology for intelligent decision support systems. Ontology of designing. 2018; 8(1): 58-73. (In Russ.) doi: 10.18287/2223-9537-2018-8-1-58-73.Петряева М.В., Шалфеева Е.А. База знаний кардиоваскулярных рисков для оценки и прогноза состояний // Информатика и системы управления. — 2021. — №3(69). — С.112-125.Petryaeva MV, Shalfeeva EA. Cardiovascular risk knowledge base for assessment and forecast of state. Informatika i sistemy upravleniya. 2021; 3(69): 112-125. (In Russ.) doi: 10.22250/isu.2021.69.112-125.Грибова В.В., Москаленко Ф.М., Шахгельдян К.И., и др. Концепция гетерогенного хранилища биомедицинской информации // Информационные технологии. — 2019. — Т.25. — №2. — С.97-106.Gribova VV, Moskalenko PhM, Shahgeldyan CI, et al. Concept for a Heterogeneous Biomedical Information Warehouse. Information technologies. 2019; 25(2): 97-66. (In Russ.) doi: 10.17587/it.25.97-106.

The authors declare that there are no conflicts of interest present.