cardioКардиологияKardiologiia0022-90402412-5660Kardiomag10.18087/cardio.2020.5.n883cardio-883Research ArticleОРИГИНАЛЬНЫЕ СТАТЬИRESEARCH ARTICLESМетоды машинного обучения в оценке рисков поражения органов-мишеней при «маскированной» артериальной гипертензииMachine Learning Methods in Assessing the Risks of Target Organ Damage in Masked Hypertensionhttps://orcid.org/0000-0002-9250-557XГельцерБ. И.GeltserB. I.

Директор департамента клинической медицины Школы биомедицины

Director of the Department of Clinical Medicine, School of Biomedicine

boris.geltser@vvsu.ruhttps://orcid.org/0000-0002-4539-685XШахгельдянК. И.ShakhgeldyanK. I.

директор института информационных технологий

Director of the Institute of Information Technologies

carinash@vvsu.ruhttps://orcid.org/0000-0002-1323-6499НазаровД. А.NazarovD. A.

Laboratory of Reliability Management of Complex Systems Researcher

nazardim@iacp.dvo.ruhttps://orcid.org/0000-0001-5483-2927ВетроваО. В.VetrovaO. О.

аспирант Департамента клинической медицины Школы биомедицины

Post-graduate School of biomedical

sakharova.ob@dvfu.ruhttps://orcid.org/0000-0001-5830-1322КотельниковВ. Н.KotelnikovV. N.

профессор департамента клинической медицины Школы биомедицины

Professor of the Department of Clinical Medicine, School of Biomedicine

671235@mail.ruhttps://orcid.org/0000-0002-7011-4316КарповР. С.KarpovR. S.

Научный руководитель

scientific director

tvk@cardio-tomsk.ruФГАОУ ВО «Дальневосточный федеральный университет», Школа биомедицины, Владивосток, РоссияРоссияSchool of Biomedicine, Far-East Federal University, Vladivostok, RussiaRussian FederationФГАОУ ВО «Дальневосточный федеральный университет», Школа биомедицины, Владивосток, Россия, ФГБОУ ВО «Владивостокский государственный университет экономики и сервиса», «Институт информационных технологий», Владивосток, РоссияРоссияSchool of Biomedicine, Far-East Federal University, Vladivostok, Russia, Institute of Informational Technologies, Vladivostok State University of Economics and Service, Vladivostok, RussiaRussian FederationФГБУН «Институт автоматики и процессов управления» ДВО РАН, Владивосток, РоссияРоссияInstitute of Automation and Control Processes, Vladivostok, RussiaRussian FederationФГБНУ «Томский национальный исследовательский медицинский центр» РАН, «Научно-исследовательскийРоссияResearch Institute of Cardiology, Tomsk National Research Medical Center, Tomsk, RussiaRussian Federation202003062020605107–114Copyright © Kardiomag, 20202020KardiomagKardiomaghttps://cardio.elpub.ru/jour/about/submissions#copyrightNoticehttps://cardio.elpub.ru/jour/article/view/883

Цель Разработка моделей прогнозирования рисков поражения органов-мишеней (ПОМ) при различных фенотипах «маскированной» артериальной гипертензии (МАГ) на основе методов машинного обучения (МО).Материал и методы Проведен когортный ретроспективный анализ 284 историй болезни пациентов (261 мужчина, 23 женщины), медиана возраста 38 лет. В 1 ю группу вошли 125 больных артериальной гипертензией (АГ) 1–2 й степени с низким и умеренным риском, во 2 ю – 159 лиц с нормальным уровнем «офисного» артериального давления (АД), подвергавшихся хроническому воздействию профессиональных стрессоров. Проводили суточное мониторирование АД (СМАД), ультразвуковое исследование сердца и сонных артерий, определяли скорость клубочковой фильтрации (СКФ) с помощью формулы СКD-EPI. Фенотипирование МАГ осуществляли путем кластеризации данных СМАД, а прогнозирование рисков ПОМ – с помощью анализа отношения шансов (ОШ) и методов МО: случайный лес (СЛ) и искусственные нейронные сети (ИНС). Обработку данных выполняли на языке R в среде RStudio.Результаты По данным СМАД и кластерного анализа у 121 (76,1 %) обследованного лица 2 й группы была диагностирована МАГ и верифицированы ее фенотипы: систолодиастолический – СДМАГ (43,8 %), изолированный систолический – ИСМАГ (35,5 %) и изолированный диастолический – ИДМАГ (20,7 %). По сравнению с устойчивой АГ у лиц с различными фенотипами МАГ выявлены как превышение, так и снижение отдельных показателей СМАД. Так, у лиц с ИДМАГ средние уровни систолического и диастолического АД в течение суток были достоверно ниже, чем при АГ, а при СДМАГ – значительно выше. Анализ ОШ демонстрировал, что вероятность ПОМ различной локализации ассоциировалась с определенными фенотипами МАГ. При этом ИСМАГ характеризовалась максимальным риском гломерулярной гиперфильтрации, ИДМАГ – снижением СКФ и сосудистым ремоделированием, СДМАГ – гипертрофией миокарда левого желудочка. Разработанные модели прогнозирования рисков ПОМ на основе методов СЛ и ИНС показали высокую точность, которая обеспечивалась многоступенчатыми процедурами отбора предикторов и перекрестной проверки.Заключение Современные технологии МО позволяют совершенствовать риск-стратификацию больных с различными клиническими вариантами АГ.

 

Aim To develop models for predicting the risk of target organs damage (TOD) in different phenotypes of “masked” arterial hypertension (MAH) based on methods of machine learning (ML).Material and methods A retrospective cohort analysis was performed for 284 clinical records of patients (261 males, 23 females; median age, 38 years). Group 1 included 125 patients with grade 1-2 arterial hypertension (AH) and low or moderate risk; group 2 included 159 subjects with normal “office” blood pressure (BP) exposed to chronic professional stress. The 24-h BP monitoring (24-h BPM) and ultrasound examination of the heart and carotid arteries were performed; glomerular filtration rate (GFR) was estimated using the СКD-EPI formula. MAH was phenotyped by clustering 24-h BPM data, and the risk of TOD was predicted by analysis of odd ratios (OR) and with the ML methods, random forest (RF) and artificial neural networks (ANN). Data were analyzed using the R language in the RStudio environment.Results According to results of the 24-h BPM and cluster analysis, 121 (76.1 %) subjects of group 2 had MAH. The MAH phenotypes were identified as follows: systolic-diastolic (SDMAH) (43.8 %); isolated systolic (ISMAH) (35.5 %), and isolated diastolic (IDMAH) (20.7%). As compared to stable AH, subjects with different MAH phenotypes showed both increases and decreases in individual 24-h BPM indexes. Thus, in subjects with IDMAH, mean 24-h values of systolic and diastolic BP were significantly lower than with AH while in SDMAH, they were considerably higher. The OR analysis demonstrated that odds of differently located TOD were associated with definite MAH phenotypes. With that, ISMAH was associated with the highest risk of glomerular hyperfiltration; IDMAH was associated with reduced GFR and vascular remodeling; and SDMAH was associated with left ventricular myocardial hypertrophy. The developed models for predicting the risk of TOD based on the RF and ANN methods showed a high accuracy, which was provided by multistep procedures of selecting the predictors and cross-validation.Conclusion Modern ML technologies enhance the risk stratification of patients with different clinical variants of AH.

 

«Маскированная» артериальная гипертензияпоражение органов-мишенейпрогнозированиеметоды машинного обучения“Masked” arterial hypertensiontarget organ damagepredictionmachine learning methodsКонфликт интересов у авторов отсутствуетNo Conflict of Interest Authors ClaimedReferencesГельцер Б.И., Котельников В.Н., Ветрова О.О., Карпов Р.С. Маскированная артериальная гипертензия: распространенность, патофизиологические детерминанты и клиническое значение. Российский кардиологический журнал. 2019;24(9):92-8]. DOI: 10.15829/1560-4071-2019-9-92-98Geltzer B.I., Kotelnikov V.N., Vetrova O.O., Karpov R.S. Masked arterial hypertension: prevalence, pathophysiological determinants and clinical significance. Rossiiskii kardiologicheskii zhurnal.. 2019 24 (9): 92-98. (In Russ) DOI: 10.15829/1560-4071-2019-9-92-98Pickering TG, Eguchi K, Kario K. Masked Hypertension: A Review. Hypertension Research. 2007;30(6):479–88. DOI: 10.1291/hypres.30.479Pickering TG, Eguchi K, Kario K. Masked hypertension: a review. Hypertens Res. 2007; 30(6): 479-488. DOI: 10.1291/hypres.30.479.Booth JN, Muntner P, Diaz KM, Viera AJ, Bello NA, Schwartz JE et al. Evaluation of Criteria to Detect Masked Hypertension. The Journal of Clinical Hypertension. 2016;18(11):1086–94. DOI: 10.1111/jch.12830Booth JN 3rd, Muntner P, Diaz K.M., Viera AJ, Bello NA, Schwartz JE, et al. Evaluation of criteria to detect masked hypertension. J. Clin. Hypertens. 2016; 18(11):1086-1094. DOI: 10.1111/jch.12830.Peacock J, Diaz KM, Viera AJ, Schwartz JE, Shimbo D. Unmasking masked hypertension: prevalence, clinical implications, diagnosis, correlates and future directions. Journal of Human Hypertension. 2014;28(9):521–8. DOI: 10.1038/jhh.2014.9Peacock J, Diaz KM, Viera AJ, Schwartz JE, Shimbo D. Unmasking masked hypertension: prevalence, clinical implications, diagnosis, correlates, and future directions J Hum Hypertens. 2014 September; 28(9): 521–528. DOI:10.1038/jhh.2014.9.Tientcheu D, Ayers C, Das SR, McGuire DK, de Lemos JA, Khera A et al. Target Organ Complications and Cardiovascular Events Associated With Masked Hypertension and White-Coat Hypertension. Journal of the American College of Cardiology. 2015;66(20):2159–69. DOI: 10.1016/j.jacc.2015.09.007Tientcheu D., Ayers C., Das S.R., McGuire D.K., de Lemos J.A., Khera A., Kaplan N., Victor R., Vongpatanasin W. Target organ complications and cardiovascular events associated with masked hypertension and white-coat hypertension: analysis from the Dallas heart study. J. Am. Coll. Cardiol. 2015; 66 (20): 2159-2169. DOI: 10.1016/j.jacc.2015.09.007.Hänninen M-RA, Niiranen TJ, Puukka PJ, Kesäniemi YA, Kähönen M, Jula AM. Target organ damage and masked hypertension in the general population: the Finn-Home study. Journal of Hypertension. 2013;31(6):1136–43. DOI: 10.1097/HJH.0b013e32835fa5dcHänninen M.R., Niiranen T.J., Puukka P.J., Kesäniemi Y.A., Kähönen M., Jula A.M. Target organ damage and masked hypertension in the general population: the Finn-Home study. J. Hypertens. 2013; 31 (6): 1136-43. DOI: 10.1097/HJH.0b013e32835fa5dc.Manios E, Michas F, Stamatelopoulos K, Koroboki E, Stellos K, Tsouma I et al. Association of Isolated Systolic, Isolated Diastolic, and Systolic- Diastolic Masked Hypertension With Carotid Artery Intima-Media Thickness. The Journal of Clinical Hypertension. 2015;17(1):22– 6. DOI: 10.1111/jch.12430Manios E, Michas F, Stamatelopoulos K, Koroboki E, Stellos K, Tsouma I, et al. Association of Isolated Systolic, Isolated Diastolic, and Systolic-Diastolic Masked Hypertension With Carotid Artery Intima-Media Thickness. The Journal of Clinical Hypertension. 2015. 17(1): 22-26. DOI: 10.1111/jch.12430.Sharman JE, Hare JL, Thomas S, Davies JE, Leano R, Jenkins C et al. Association of Masked Hypertension and Left Ventricular Remodeling With the Hypertensive Response to Exercise. American Journal of Hypertension. 2011;24(8):898–903. DOI: 10.1038/ajh.2011.75Sharman JE, Hare JL, Thomas S, Davies JE, Leano R, Jenkins C, Marwick TH. Association of masked hypertension and left ventricular remodeling with the hypertensive response to exercise. Am J Hypertens 2011; 24 (8):898–903. DOI: 10.1038/ajh.2011.75.Williams B, Mancia G, Spiering W, Agabiti Rosei E, Azizi M, Burnier M et al. 2018 ESC/ESH Guidelines for the management of arterial hypertension. European Heart Journal. 2018;39(33):3021–104. DOI: 10.1093/eurheartj/ehy339Williams B, Mancia G, Spiering W, Agabiti Rosei E, Azizi M, Burnier M, et al.; ESC Scientific Document Group. 2018 ESC/ESH Guidelines for the management of arterial hypertension. Eur Heart J. 2018; 39 (33):3021-3104. DOI: 10.1093/eurheartj/ehy339.Ситкова Е.С., Мордовин В.Ф., Пекарский С.Е., Рипп Т.М., Фальковская А.Ю., Рябова Т.Р. и др. Вариабельность артериального давления как фактор лучшей кардиопротективной эффективности ренальной денервации. Сибирский медицинский журнал (г. Томск). 2018;33(2):9-15]. DOI: 10.29001/2073-8552-2018-33-2-9-15Sitkova E.S., Mordovin V.F., Pekarsky S.E., Ripp T.M., Falkovskaya A.Yu., Ryabova T.R. et al. Blood pressure variability as a factor in the best cardioprotective efficacy of renal denervation. // Rossiiskii meditsinskii zhurnal. 2018; 33 (2): 9-15. (In Russ) DOI: 10.29001 / 2073-8552-2018-33-2-9-15.McInnes L, Healy J, Saul N, Großberger L. UMAP: Uniform Manifold Approximation and Projection. Journal of Open Source Software. 2018;3(29):861. DOI: 10.21105/joss.00861McInnes L, Healy J, Saul N, Grossberger L. UMAP: Uniform Manifold Approximation and Projection The Journal of Open Source Software. 2017; 3(29):861 ·DOI: 10.21105/joss.00861Campello RJGB, Moulavi D, Sander J. Density-Based Clustering Based on Hierarchical Density Estimates. In: Advances in Knowledge Discovery and Data Mining. Series Title: Lecture Notes in Computer Science. Pei J, Tseng VS, Cao L, Motoda H, Xu G, editors -Berlin, Heidelberg: Springer Berlin Heidelberg; 2013. - P. 160-172. DOI: 10.1007/978-3-642-37456-2_14Campello RB, Moulavi D, Sander, J. Density-Based Clustering Based on Hierarchical Density Estimates. Proceedings of the 17th Pacific-Asia Conference on Knowledge Discovery in Databases, PAKDD 2013, Lecture Notes in Computer Science 7819, p. 160. DOI: 10.1007/978-3-642-37456-2_14Günther F, Fritsch S. neuralnet: Training of Neural Networks. The R Journal. 2010;2(1):30–8. DOI: 10.32614/RJ-2010-006Günther F, Fritsch S. neuralnet: Training of Neural Networks. The R Journal. 2010; 2/1: 30-38. DOI: 10.32614/RJ-2010-006Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial Intelligence in Precision Cardiovascular Medicine. Journal of the American College of Cardiology. 2017;69(21):2657–64. DOI: 10.1016/j.jacc.2017.03.571Krittanawong С, Zhang Н, Wang Z, Aydar M, Kitai T. Artificial Intelligence in Precision Cardiovascular Medicine. Journal of the American College o f Cardiology. 2017. 69 (21): 2657-2664. DOI: 10.1016/j.jacc.2017.03.571.Motwani M, Dey D, Berman DS, Germano G, Achenbach S, Al- Mallah MH et al. Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease: a 5-year multicentre prospective registry analysis. European Heart Journal. 2016;38(7):500–7. DOI: 10.1093/eurheartj/ehw188Motwani M, Dey D, Berman DS, Germano G, Achenbach S, Al-Mallah MH, et al. Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease: a 5-year multicentre prospective registry analysis. Eur Heart J 2017; 38:500-507. DOI: 10.1093/eurheartj/ehw188.Guidi G, Pettenati MC, Melillo P, Iadanza E. A Machine Learning System to Improve Heart Failure Patient Assistance. IEEE Journal of Biomedical and Health Informatics. 2014;18(6):1750–6. DOI: 10.1109/JBHI.2014.2337752Guidi G, Pettenati MC, Melillo P, Iadanza E. A machine learning system to improve heart failure patient assistance. IEEE J Biomed Health Inform 2014;18:1750–1756. DOI: 10.1109/JBHI.2014.2337752.

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