Разработка и валидация прогностических моделей, объединяющих концентрацию хлоридов в сыворотке крови и нейрогормональные показатели, для оценки резистентности к диуретикам при сердечной недостаточности

Цель
Оценить прогностическую значимость сывороточной концентрации хлоридов (Cl-) и нейрогормональных показателей как предикторов развития резистентности к диуретикам (РД) у пациентов с сердечной недостаточностью (СН).
Материал и методы 
В исследование было включено 150 пациентов с хронической СН, проходивших лечение с января 2022 по январь 2024 года. Пациенты были разделены на две группы в зависимости от ответа на терапию диуретиками в период госпитализации: с РД (n=45) и без РД (контроль, n=105). Регистрировались концентрации хлоридов сыворотки и N-концевого предшественника мозгового натрийуретического пептида (NT-proBNP), активность ренина плазмы (АРП), уровень норадреналина (НА), дозировки фуросемида и применение толваптана (да/нет). Для отбора переменных использовалась регрессия Least Absolute Shrinkage and Selection Operator (LASSO). Были построены и оценены модели логистической регрессии, «случайный лес» (Random Forest) и XGBoost.
Результаты 
Частота развития РД составила 30,0%. В группе РД концентрация хлоридов в сыворотке была достоверно ниже, тогда как концентрации NT-proBNP, АРП и НА были выше (p<0,05). Регрессия LASSO позволила определить шесть предикторов: уровень Cl-, NT-proBNP, НА, АРП, суточная доза фуросемида и применение толваптана. Все три модели продемонстрировали высокую прогностическую эффективность: значения AUC составили 0,83 для логистической регрессии, 0,86 для анализа «случайный лес» и 0,89 для анализа XGBoost. Модель XGBoost обладала лучшей дискриминационной способностью (AUC 0,89), модель «случайный лес» была несколько эффективнее по точности и метрике машинного обучения F1, а логистическая регрессия показала лучшую интерпретируемость. Анализ значимости переменных выявил, что NT-proBNP является наиболее стабильным предиктором РД. Низкая концентрация Cl- также показала высокую прогностическую значимость в моделях «случайный лес» и XGBoost.
Выводы
Показатели сывороточного уровня хлоридов и нейрогормональной активации обладают высокой прогностической значимостью для выявления РД у пациентов с СН. Модель XGBoost превосходит другие модели по потенциалу для клинического применения.

1. Boorsma EM, Ter Maaten JM, Damman K, Dinh W, Gustafsson F, Goldsmith S et al. Congestion in heart failure: a contemporary look at physiology, diagnosis and treatment. Nature Reviews Cardiology. 2020;17(10):641–55. DOI: 10.1038/s41569-020-0379-7

2. Shams E, Bonnice S, Mayrovitz HN. Diuretic Resistance Associated With Heart Failure. Cureus. 2022;14(1): e21369. DOI: 10.7759/cureus.21369

3. Guo L, Fu B, Liu Y, Hao N, Ji Y, Yang H. Diuretic resistance in patients with kidney disease: Challenges and opportunities. Biomedicine & Pharmacotherapy. 2023;157:114058. DOI: 10.1016/j.biopha.2022.114058

4. Acar S, Sanli S, Oztosun C, Afsar B, Sag AA, Kuwabara M et al. Pharmacologic and interventional paradigms of diuretic resistance in congestive heart failure: a narrative review. International Urology and Nephrology. 2021;53(9):1839–49. DOI: 10.1007/s11255-020-02704-7

5. Arora N. Serum Chloride and Heart Failure. Kidney Medicine. 2023;5(4):100614. DOI: 10.1016/j.xkme.2023.100614

6. Van Den Eynde J, Martens P, Dauw J, Nijst P, Meekers E, Ter Maaten JM et al. Serum Chloride and the Response to Acetazolamide in Patients With Acute Heart Failure and Volume Overload: A Post Hoc Analysis From the ADVOR Trial. Circulation: Heart Failure. 2024;17(10): e011749. DOI: 10.1161/CIRCHEARTFAILURE.123.011749

7. Aimo A, Prontera C, Passino C, Emdin M, Vergaro G. Norepinephrine, plasma renin activity and cardiovascular mortality in systolic heart failure. Heart. 2021;107(12):989–95. DOI: 10.1136/heartjnl-2020-318791

8. Peduzzi P, Concato J, Kemper E, Holford TR, Feinstein AR. A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology. 1996;49(12):1373–9. DOI: 10.1016/S0895-4356(96)00236-3

9. Wei D, Dongjie RJ. Chinese expert consensus on the diagnosis and management of diuretic resistance in patients with heart failure. Journal of Clinical Cardiology. 2024;40(4):257–67

10. McDonagh TA, Metra M, Adamo M, Gardner RS, Baumbach A, Böhm M et al. 2021 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure: Developed by the Task Force for the diagnosis and treatment of acute and chronic heart failure of the European Society of Cardiology (ESC). With the special contribution of the Heart Failure Association (HFA) of the ESC. European Journal of Heart Failure. 2022;24(1):4–131. DOI: 10.1002/ejhf.2333

11. Levey AS, Stevens LA, Schmid CH, Zhang YL, Castro AF, Feldman HI et al. A new equation to estimate glomerular filtration rate. Annals of Internal Medicine. 2009;150(9):604–12. DOI: 10.7326/0003-4819-150-9-200905050-00006

12. Kim H-Y. Statistical notes for clinical researchers: logistic regression. Restorative Dentistry & Endodontics. 2017;42(4):342–8. DOI: 10.5395/rde.2017.42.4.342

13. Breiman L. Random Forests. Machine Learning. 2001;45(1):5–32. DOI: 10.1023/A:1010933404324

14. Nohara Y, Matsumoto K, Soejima H, Nakashima N. Explanation of machine learning models using shapley additive explanation and application for real data in hospital. Computer Methods and Programs in Biomedicine. 2022;214:106584. DOI: 10.1016/j.cmpb.2021.106584

15. Friedman J, Hastie T, Tibshirani R. Regularization Paths for Generalized Linear Models via Coordinate Descent. Journal of Statistical Software. 2010;33(1):1–22. PMID: 20808728

16. Liu Y, Zhang Y, Liu D, Tan X, Tang X, Zhang F et al. Prediction of ESRD in IgA Nephropathy Patients from an Asian Cohort: A Random Forest Model. Kidney and Blood Pressure Research. 2018;43(6):1852–64. DOI: 10.1159/000495818

17. Koirala A, Pourafshar N, Daneshmand A, Wilcox CS, Mannemuddhu SS, Arora N. Etiology and Management of Edema: A Review. Advances in Kidney Disease and Health. 2023;30(2):110–23. DOI: 10.1053/j.akdh.2022.12.002

18. Zandijk AJL, Van Norel MR, Julius FEC, Sepehrvand N, Pannu N, McAlister FA et al. Chloride in Heart Failure: The Neglected Electrolyte. JACC: Heart Failure. 2021;9(12):904–15. DOI: 10.1016/j.jchf.2021.07.006

19. Rivera FB, Alfonso P, Golbin JM, Lo K, Lerma E, Volgman AS et al. The Role of Serum Chloride in Acute and Chronic Heart Failure: A Narrative Review. Cardiorenal Medicine. 2021;11(2):87–98. DOI: 10.1159/000515604

20. Kazory A, Ronco C. Emergence of Chloride as an Overlooked Cardiorenal Connector in Heart Failure. Blood Purification. 2020;49(1–2):219–21. DOI: 10.1159/000503774

21. Kurashima S, Kitai T, Matsue Y, Nogi K, Kagiyama N, Oishi S et al. Trajectory of serum chloride levels during decongestive therapy in acute heart failure. International Journal of Cardiology. 2023;375:36–43. DOI: 10.1016/j.ijcard.2022.12.041

22. Amatruda JG, Scherzer R, Rao VS, Ivey-M iranda JB, Shlipak MG, Estrella MM et al. Renin-Angiotensin-Aldosterone System Activation and Diuretic Response in Ambulatory Patients With Heart Failure. Kidney Medicine. 2022;4(6):100465. DOI: 10.1016/j.xkme.2022.100465

23. McNally RJ, Faconti L, Cecelja M, Farukh B, Floyd CN, Chowienczyk PJ. Effect of diuretics on plasma renin activity in primary hypertension: A systematic review and meta‐analysis. British Journal of Clinical Pharmacology. 2021;87(5):2189–98. DOI: 10.1111/bcp.14597

24. Puleo F, Kim K, Frame AA, Walsh KR, Ferdaus MZ, Moreira JD et al. Sympathetic Regulation of the NCC (Sodium Chloride Cotransporter) in Dahl Salt–Sensitive Hypertension. Hypertension. 2020;76(5):1461–9. DOI: 10.1161/HYPERTENSIONAHA.120.15928

25. Mauch J, Puthenpura M, Martens P, Engelman T, Grodin JL, Segar MW et al. Adequacy of Loop Diuretic Dosing in Treatment of Acute Heart Failure: Insights from the BAN-ADHF Diuretic Resistance Risk Score. The American Journal of Cardiology. 2025;244:18–27. DOI: 10.1016/j.amjcard.2025.02.018

26. Baumberger J, Dinges S, Lupi E, Wolters T, Stüssi-Helbling M, Cippà PE et al. Prevalence and Characteristics of Upfront Diuretic Resistance in Acute Heart Failure: The P-Value-AHF Study. ESC Heart Failure. 2025;12(1):688–94. DOI: 10.1002/ehf2.15069

27. Biegus J, Zymliński R, Testani J, Fudim M, Cox ZL, Guzik M et al. The Blunted Loop Diuretic Response in Acute Heart Failure is Driven by Reduced Tubular Responsiveness Rather than Insufficient Tubular Delivery. The Role of Furosemide Urine Excretion on Diuretic and Natriuretic Response in Acute Heart Failure. European Journal of Heart Failure. 2023;25(8):1323–33. DOI: 10.1002/ejhf.2852

28. Kokori E, Patel R, Olatunji G, Ukoaka BM, Abraham IC, Ajekiigbe VO et al. Machine learning in predicting heart failure survival: a review of current models and future prospects. Heart Failure Reviews. 2024;30(2):431–42. DOI: 10.1007/s10741-024-10474-y

29. Xing F, Luo R, Liu M, Zhou Z, Xiang Z, Duan X. A New Random Forest Algorithm-Based Prediction Model of Post-operative Mortality in Geriatric Patients With Hip Fractures. Frontiers in Medicine. 2022;9:829977. DOI: 10.3389/fmed.2022.829977

30. Riveros Perez E, Avella-Molano B. Learning from the machine: is diabetes in adults predicted by lifestyle variables? A retrospective predictive modelling study of NHANES 2007–2018. BMJ Open. 2025;15(3): e096595. DOI: 10.1136/bmjopen-2024-096595