Ученые НИИ комплексных проблем сердечно-сосудистых заболеваний (КПССЗ) в Кемерово впервые разработали систему для прогнозирования сердечно-сосудистых заболеваний, которая учитывает антропогенное загрязнение воздуха. Об этом сообщило информационное агентство «ТАСС». 

Развитие хронических неинфекционных заболеваний, к которым относятся болезни системы кровообращения, является результатом сочетания генетических, физиологических, экологических, поведенческих и социальных факторов. По данным ВОЗ, ишемическая болезнь сердца, фибрилляция предсердий, инсульт, сердечная недостаточность составляют 43 процента всех случаев смерти от хронических неинфекционных заболеваний.

«В настоящее время существует множество инструментов прогнозирования сердечно-сосудистых заболеваний, но, как правило, все шкалы и модели учитывают исключительно традиционные факторы риска, к которым относятся курение, повышенный уровень холестерина, артериальная гипертония, недостаточная физическая активность, неправильное питание и другие. Новизна нашего исследования в том, что проведен анализ риска неблагоприятных сердечно-сосудистых событий с учетом такого фактора риска как антропогенное загрязнение воздуха. Программа разработана с учетом региональных экологических особенностей. С помощью технологий искусственного интеллекта из всего многообразия - а это порядка 2000 параметров - системой были отобраны наиболее значимые с позиции неблагоприятного прогноза», - сказала руководитель проекта заместитель директора НИИ КПССЗ по научной работе, заведующая отделом оптимизации медицинской помощи при сердечно-сосудистых заболеваниях Галина Артамонова.

При этом системой выделены диапазоны факторов риска, скорректированы диапазоны параметров, которые могут отличаться от общепринятых. Персонифицированный подход к выявлению факторов риска позволит своевременно начать профилактику и при необходимости лечение, а следовательно, снизить риск развития инфаркта миокарда, инсульта и хронической сердечной недостаточности, добавляют ученые.

Модель предиктивной аналитики кемеровских ученых основана на фактах многолетних исследований, в которых приняли участие около трех тысяч участников. Для построения прогностических моделей использован градиентный бустинг - метод машинного обучения, который последовательно создает набор слабых прогностических моделей, и комбинирует их в единую сильную модель. 

Подготовил Роман БОНДАРЧУК, УзА