Гипертрофия левого желудочка (ГЛЖ), являющаяся основным проявлением гипертензивной болезни сердца, регистрируется у 15- 45% пациентов с артериальной гипертензией (АГ), достигая 77% у больных с резистентной АГ, сопутствующим сахарным диабетом 2 типа и перенесенным сердечно-сосудистым событием. В представленном обзоре изложены основные вопросы определения, патофизиологии, эпидемиологии, диагностики и регрессии ГЛЖ на фоне антигипертензивной терапии. Приводятся рекомендации, критерии выявления, преимущества и недостатки электрокардиографии и эхокардиографии в ведении больных с АГ и ГЛЖ. Особое внимание в обзоре уделено обсуждению влияния ГЛЖ на сердечно-сосудистый прогноз и обоснованности регрессии гипертрофии. ГЛЖ нередко протекает с отсутствием или со стертыми клиническими проявлениями, однако со временем увеличивает риск развития сердечной недостаточности, фибрилляции предсердий, ишемической болезни сердца, внезапной сердечной смерти, инсульта и смерти от всех причин. Отмечается, что благодаря своевременному и адекватному применению антигипертензивной терапии удается не только снизить артериальное давление, но и добиться регрессии ГЛЖ, что благоприятно влияет на исход заболевания. Представлены основные группы лекарственной терапии, вызывающей регрессию ГЛЖ, среди которых подробно обсуждаются блокаторы ренин-ангиотензинальдостероновой системы (ингибиторы ангиотензинпревращающего фермента, блокаторы рецепторов ангиотензина II, включая в комбинации с ингибитором неприлизина), β-адреноблокаторы, блокаторы кальциевых каналов, ингибиторы натрий-глюкозного котранспортера 2 типа и диуретики.
Цель. Разработать с использованием алгоритмов машинного обучения модели прогнозирования госпитализаций пациентов с артериальной гипертензией (АГ) в течение 12 мес. и провести их валидацию на данных реальной клинической практики.
Материал и методы. По сведениям из деперсонифицированных электронных медицинских карт, полученных из платформы Webiomed, отобрано 1165770 записей 151492 пациентов с АГ. В качестве предикторов, после первоначальной селекции, были использованы анамнестические, конституциональные, клинические, инструментальные и лабораторные данные, широко применяемые в рутинной врачебной практике, всего 43 признака. Для создания моделей применялись инструменты автоматического машинного обучения. Рассматривался широкий набор алгоритмов, включая логистическую регрессию, методы, основанные на деревьях решений c использованием градиентного бустинга и бэггинга, дискриминантный анализ, алгоритм на основе нейронных сетей и наивный байесовский классификатор. Для внешней валидации использованы данные отдельного региона.
Результаты. Наилучшие результаты показала модель XGBoost, достигнув AUROC (площадь под характеристической кривой) 0,849 (95% доверительный интервал: 0,825-0,873) при внутреннем тестировании и 0,815 (95% доверительный интервал 0,797-0,835) при внешней валидации.
Заключение. В результате исследования разработана новая высокоточная модель прогнозирования госпитализации пациентов с АГ по данным реальной клинической практики. Результаты внешней валидации предложенного прогностического инструмента показали относительную устойчивость к новым данным из другого региона, что в совокупности с показателями качества отражает возможность ее апробации в реальной клинической практике.