Новый метод анализа риска развития ишемической болезни сердца на основании геномных и компьютерных технологий

Ишемическая болезнь сердца (ИБС) — ведущая при­чина заболеваемости и смертности в России и других экономически развитых странах c 1900 г., за исключени­ем 1918 г., когда была пандемия гриппа. Прогнозируется, что к 2020 г. ИБС будет ведущей причиной смертности во всех странах мира [1]. Наиболее эффективный спо­соб снизить заболеваемость ИБС — проводить пер­вичную профилактику. Термин «фактор риска» (ФР) был предложен William Kannel — одним из пионеров Фрамингемского исследования, в 1961 г. [2]. Смысл этого термина заключался не только в выявлении причины, но и в прогнозировании исходов заболевания. Прогностическая значимость отдельных ФР в качестве скрининговых тестов для ИБС низкая. Почти в 50% слу­чаев инфаркт миокарда (ИМ) развивается у пациентов с нормальным содержанием холестерина в сыворот­ке, и приблизительно у 20% пациентов с коронарными осложнениями нет традиционных ФР развития ИБС [3, 4]. Ограничения отдельных ФР привели к созда­нию системы интегральной оценки риска — алгоритма Фрамингем. Прогресс в изучении ФР за последние 50 лет привел к ощутимому снижению смертности от ИБС. Однако заболеваемость ИБС сохраняется на высоком уровне, и это ставит под сомнение эффективность дейс­твующих профилактических стратегий [5]. В результате растет интерес к новым стратегиям скрининга.

Атеросклероз — результат комплексного взаимо­действия генетических и средовых факторов. Изучение генов одновременно с корригируемыми ФР развития ИБС влияет на стратификацию риска и позволяет пер­сонализировать стратегии профилактики. Изучение генетического риска при комплексных заболеваниях — сложная проблема ввиду полигенной природы забо­левания и незначительного вклада отдельных генов, что служит объяснением противоречивых результатов исследований [6, 7].

С увеличением количества исследованных генов растет число их возможных комбинаций, что значи­тельно затрудняет их изучение методами традицион­ной статистики. Кроме того, для стратификации риска необходима интеграция в прогностическую модель информации о генетических и фенотипических при­знаках. Оптимальным для стратификации риска явля­ется создание модели, учитывающей генетический риск и фенотипические проявления одновременно, что зна­чительно улучшит ее качество. Любая статистическая модель использует понятия «случайных событий», в то время как взаимосвязи между различными парамет­рами исследуемых объектов или явлений являются детерминированными. Применение статистических методов подразумевает наличие определенного числа наблюдений для обоснованности конечного результа­та. Это означает, что в ситуациях анализа в принци­пе непредставительных данных или на этапах начала накопления данных статистические подходы стано­вятся неэффективными как средство анализа и про­гноза. Многочисленность анализируемых факторов, приближенность оценки результатов обусловливает необходимость привлечения математических методов и компьютерных средств, которые позволили бы ана­лизировать слабо формализованный материал и резуль­тативно использовать его для поддержки принятия решений о диагностике и профилактике у конкретного пациента. Перспективным представляется применение методов математической теории распознавания по пре­цедентам. Для данных подходов не требуются матема­тические модели заболеваний, а в качестве исходной информации используются лишь признаковые описа­ния прецедентов.

Материал и методы

Обследован 131 больной ИБС, включая 85 (64,9%) мужчин и 46 (35,1%) женщин, средний возраст которых составил 60,5±11,9 года. Это пациенты, перенесшие ост­рые коронарные осложнения. Распределение больных по формам ИБС было следующим: ИМ — 100 (76%), нестабильная стенокардия — 31 (24%). Из них 13% пере­несли стентирование и аортокоронарное шунтирование. Диагноз ИМ у всех подтвержден типичными измене­ниями на электрокардиограмме, повышением уровня ферментов (креатинфосфокиназы, тропонина Т), нару­шениями локальной сократимости миокарда по данным эхокардиографии (ЭхоКГ). Диагноз ИБС у всех вери­фицирован при коронарографии (выявлен стеноз ≥75%, по крайней мере, в одной из основных коронарных артерий). Контрольная группа состояла из 159 чело­век: 90 (56,6%) мужчин и 69 (43,4%) женщин в воз­расте от 36 до 79 лет (средний возраст 54,3±8,21 года). В контрольную группу вошли пациенты, обратившиеся в Медицинский центр Банка России для проведения дис­пансерного обследования. У них отсутствовали в анам­незе ИБС, ишемический или геморрагический инсульт, а также другие тромбоэмболические или геморрагичес­кие осложнения. Для исключения безболевой ишемии миокарда пациентам выполняли электрокардиогра-фию, ЭхоКГ, велоэргометрическую пробу.

У пациентов с ИБС и в контрольной группе оцени­вали следующие ФР: артериальная гипертензия (сис­толическое артериальное давление — АД ≥140 мм рт.ст. и/или диастолическое АД ≥90 мм рт.ст.), гиперхолестеринемия (>5,2 ммоль/л и/или прием гиполипидемического препарата), сахарный диабет (глюкоза нато­щак ≥7 ммоль/л, гликированный гемоглобин ≥6,5% или прием сахароснижающего препарата), ожирение (индекс массы тела ≥30 кг/м²) и курение. Семейный анамнез расценивали как отягощенный при наличии у родственников первой степени родства ИМ, инсуль­тов, случаев смерти от сердечно-сосудистых заболева­ний в возрасте моложе 55 лет для мужчин и 65 лет для женщин или при наличии более одного родственника с ИБС, особенно женского пола [8].

Выбор полиморфных вариантов генов. Для исследова­ния выбрали 27 генов-кандидатов, которые согласно международным базам данных ассоциируются с ИБС. Учитывали расположение генов в экзонах или промоторных участках ДНК, что предполагает изменение функции или экспрессии кодируемого белка. Изучили 29 полиморфизмов в 27 генах, которые имеют отноше­ние к различным звеньям патогенеза ИБС:

• нарушения липидного обмена: ApoE(ε2, ε3, ε4), ApоCIII (S1/S2), PON1 (Gln192Arg);
• эндотелиальная дисфункция и воспаление: ecNOS (4/5), NOS1(n10/n14) TNF-α (-238G>A,-308G>A), FGB (455G>A);
• артериальная гипертензия: AGT (М235Т), ACE (I/D), AGTR1 (1166A>C), AGTR2 (3123 C>A), BKR2 (-58 T>C), REN (19-83G>A), ADRB1 (R389G), ADRB2 (48A>G и 81C>G);
• тромбообразование и нарушение агрегации тром­боцитов: FV (R506Q), FII (20210G>A), PAI-1 (4G/5G), PLAT(I/D), GPIIIα (196T>C), FGB (455G>A);
• гипергомоцистеинемия: MTHFR (677С>Т), MTRR (66A>G);
• инсулинорезистентность: PPAR-α(2528G>C), PPAR-γ(34C>G), PPAR-δ (+294T>C), UCP2 (G866A), DQB1 (201/302).

Образцы венозной крови брали натощак в количестве 10 мл в стандартные одноразовые пробирки, содержащие EDTA KE/2,7 мл. В работе использовали образцы ДНК, выделенные из лимфоцитов периферической крови. Полиморфизмы генов исследовали методом полиме­разной цепной реакции. Генетические исследования выполняли в лаборатории пренатальной диагности­ки наследственных болезней Института акушерства и гинекологии им. Д.О. Отта (Санкт-Петербург).

Биохимические исследования. Лабораторные ФР раз­вития ИБС оценивали ретроспективно по материалам компьютерной базы данных до установления диагноза ИБС. Пациенты не принимали антикоагулянты.

Липидный состав, липопротеин (а), высокочувстви­тельный С-реактивный белок определяли в сыворотке крови турбодиметрическим методом на автоматическом анализаторе ADVIA 1650 (Bayer). Уровень гомоцистеина в сыворотке определяли на автоматическом иммунохемилюминесцентном анализаторе Centaur (Bayer). Для определения D-димера использовали фотометрическую регистрацию агглютинации латексных частиц на авто­матическом анализаторе Sysmex CA-1500 (Dade Benring). Фибриноген определяли по скорости образования сгус­тка при добавлении избытка тромбина к разведенной плазме (метод Клауса) на автоматическом анализаторе Sysmex CA-1500 (Dade Benring).

Инструментальные исследования. Дуплексное скани­рование брахиоцефальных артерий выполняли на при­боре Logic 9 (GE) с использованием мультичастотного линейного ультразвукового датчика 10L. Толщину ком­плекса интима—медиа измеряли по стандартному про­токолу на 3 уровнях билатерально: в области бифурка­ции общей сонной артерии, на 1 см ниже бифуркации, а также на внутренней сонной артерии согласно методи­ке Pignoli [9]. Степень стеноза оценивали при эксцент­рических бляшках — по диаметру внутреннего просвета артерии, при полуциркулярных и циркулярных бляш­ках — по площади. Мультиспиральную компьютер­ную томографию сердца выполняли на компьютерном томографе Light Speed (GE) по следующему протоколу исследования: толщина среза 2,5 мм в сегментарном режиме при задержке дыхания на вдохе и частоте сер­дечных сокращений 60—80 уд/мин. Кальциевый индекс рассчитывали на рабочей станции AW 4.1 (GE). Для количественной оценки использовали шкалу Agatston. Общий кальциевый индекс — сумма показателей, полу­ченных при анализе 4 основных коронарных артерий, в норме равен 0. ЭхоКГ выполняли широкополосным фазированным датчиком на ультразвуковом приборе iE33 (Philips) по стандартному протоколу. Гипертрофию левого желудочка оценивали из парастернального доступа по длинной оси. Измеряли толщину межжелудочковой перегородки и задней стенки в средней трети левого желудочка в М-режиме в диастолу. Учитывали максимальное значение. Гипертрофию левого желудоч­ка констатировали при толщине стенки >11 мм.

Анализ данных методами теории распознавания. Полученные данные анализировали при помощи систе­мы «РАСПОЗНАВАНИЕ» [10, 11]. Она позволяет по обу­чающей выборке построить оптимальные алгоритмы для автоматической классификации (прогноза) состояний произвольных новых пациентов по их признаковым описаниям. В процессе построения алгоритма класси­фикации (обучения) выявляются причинно-следствен­ные связи между признаками и исходами, оцениваются ФР, находятся типичные ситуации, определяются дру­гие, прежде всего качественные, характеристики зада­чи прогноза. В настоящей работе приводятся началь­ные результаты исследования по задаче прогнозирова­ния ИБС по результатам комплексного обследования. Задача прогноза ставится как задача распознавания между двумя классами: класс К₁образуют признаковые описания пациентов, у которых не было ИБС, класс К₂ — пациенты, страдающие ИБС (в последнем слу­чае признаковые описания формировались до развития заболевания). Результатом прогноза ИБС для нового пациента является оценка его предрасположенности к данному заболеванию (бинарная или числовая оценка). Следует отметить, что отделимость классов изначально отсутствует в силу формального включения К₁⊇ К₂ (класс К₂ является подмножеством К₁). Если у пациента не было ИБС, то не исключено, что это заболевание не разовьется в скором будущем. Тем не менее можно предполагать, что плотности распределения объектов каждого из классов будут заметно выше в различных областях пространства признаковых описаний, а это позволяет использовать идеи частичной отделимости и надеяться в итоге на положительные результаты. Для решения задач прогноза использовали различные подхо­ды и алгоритмы теории распознавания по прецедентам:

— статистические алгоритмы распознавания (метод k-ближайших соседей, линейный дискриминант Фишера);

— алгоритмы распознавания, основанные на постро­ении разделяющих поверхностей (линейная машина, метод опорных векторов);

— логические методы распознавания (тестовый алго­ритм [12], вычисление оценок по системам логических закономерностей [11, 13], бинарные решающие деревья [14]);

— распознавание коллективами алгоритмов.

Для всех моделей распознавания могут быть полу­чены оценки качества обучающей информации, оцен­ки степени принадлежности объекта к классу. Как правило, каждый подход имеет свои «предпочтения». Статистические алгоритмы наиболее эффективны в случаях представительных выборок, малого числа признаков и их высокой информативности. Методы, основанные на принципе разделения, «предпочитают» выполнение гипотезы «компактности» классов и число­вые признаки. Несомненным достоинством логических методов является их эффективность в случаях разно­типных (качественных/числовых) признаков, большо­го их количества, малых обучающих выборок. Какой подход или алгоритм является предпочтительным или наилучшим для конкретной задачи, устанавливается численным экспериментом. При этом «угадать» заранее метод-фаворит для новой практической задачи (без проведения предварительных экспериментов) сложно.

Альтернативой выявлению и практическому исполь­зованию одного метода является решение задачи рас­познавания коллективом распознающих алгоритмов, когда задача решается в два этапа. Сначала задача решается независимо друг от друга всеми или частью из имеющихся алгоритмов. По полученным решени­ям вычисляется окончательное «коллективное» реше­ние. Данный подход позволяет надеяться, что при синтезе коллективного решения ошибки отдельных алгоритмов будут компенсироваться правильными ответами других алгоритмов. Данная двухэтапная схема позволяет эффективно решать задачи в автома­тическом режиме, когда на первом уровне «неквали­фицированным» пользователем находятся удовлетво­рительные решения-алгоритмы, а точность прогноза обеспечивается коррекцией полученных решений [10, 15, 16]. В настоящем исследовании особая роль отво­дилась логическим методам распознавания, прежде всего алгоритмам голосования по системам «логичес­ких закономерностей» (ЛЗ) [14, 17].

В исходную информацию о каждом пациенте включали следующие параметры — традиционные ФР, лабораторные показатели, результаты инстру­ментального обследования, генетические маркеры. Генотип оценивали в виде двух моделей: доминан­тной (комбинация вариантной гомозиготы и гете­розиготы по сравнению с нормальной гомозиготой) и рецессивной (вариантная гомозигота по сравнению с комбинацией нормальной гомозиготы с гетерозиго­той). Для каждого пациента рассчитывали индивиду­альный генетический индекс (ГИ), представляющий собой суммарное количество имеющихся полиморф­ных вариантов + семейный анамнез. Таким образом, для каждой группы (пациенты с ИБС и контроль­ная группа) была сформирована база клинических данных по результатам обследования. Разработке непосредственно моделей прогнозов предшествовал медико-статистический анализ данных, выполнен­ный с помощью компьютерной программы SAS JMP7 by SAS Institute Inc. (Cary, NC, USA).

Результаты и обсуждение

На рисунке (см. цветную вклейку) приведена визуа­лизация 290 объектов таблицы обучения — отображе­ние исходных признаковых описаний объектов размер­ности 38 на плоскость, с максимальным сохранением метрических отношений между объектами в признако­вом пространстве. Синие точки соответствуют объек­там первого класса, зеленые — второго. Визуализация соответствует априорным ожиданиям: классы пересе­каются, а граница между ними является «размытой».

Общая двухэтапная схема анализа и прогноза состояла в следующем. На первом этапе для задан­ной таблицы обучения применяли метод голосова­ния по логическим закономерностям (метод ЛЗ) для выделения информативной подсистемы признаков. Использовали основную процедуру: «Вычисляются ЛЗ классов и оценивается в режиме скользящего кон­троля точность прогноза методом ЛЗ. Вычисляются оценки информативности всех признаков и исключа­ются признаки наименее информативные». Основную процедуру повторяли до достижения такой под­системы признаков, сокращение которой ухудша­ет точность распознавания относительно исходной на заданный порог.

На первом этапе были выявлены признаки, которые продемонстрировали недостаточную информатив­ность и отсутствие влияния на прогноз. В результате была сформирована таблица обучения, в которую вошли наиболее информативные показатели, пред­ставленные в табл. 1. Из дальнейшего рассмотрения исключали генотипы, которые имели близкие к нуле­вым оценки информативности по мнению метода «логические закономерности» и не имели содержа­тельного толкования. На основании проведенного анализа для расчета ГИ из 29 изученных полиморфиз­мов были отобраны полиморфные маркеры, перечис­ленные в табл. 1.

Таблица 1. Группы признаков и их состав.

На втором этапе для найденной системы информа­тивных признаков в рамках различных отмеченных выше подходов решались задачи обучения с оценкой их точности в режиме скользящего контроля. С целью оптимизации прогностических маркеров мы проана­лизировали несколько версий изучаемых показателей. Полная версия представлена в табл. 2 (41 признак). Во второй версии мы объединили традиционные ФР в соответствии с алгоритмом Фрамингем, умень­шив таким образом количество изучаемых признаков до 26. Результаты оказались сопоставимыми с исход­ными данными (см. табл. 2).

Таблица 2. Прогноз по отдельным алгоритмам.

Затем мы проанализировали влияние пола, возрас­та и сахарного диабета (СД) на качество прогноза. Мы изучали отдельно выборку, состоящую из мужчин, женщин, пациентов без СД, и не получили сущес­твенных различий в качестве прогноза с исполь­зованием различных математических алгоритмов. Отдельно мы проанализировали пациентов моло­дого возраста (мужчины <55 лет, женщины <65 лет) и отметили улучшение качества прогноза в этой груп­пе. Это вполне объяснимо, так как 16 из изучаемых показателей имеют отношение к генетическим маркерам. Изучение наследственной предрасположенности к развитию ИБС более актуально у молодых пациен­тов. Результаты выполненного анализа представлены в табл. 2. Проанализировав полученные данные, мы пришли к выводу, что большинство ошибок прогноза на нашей выборке связано с тем, что многие паци­енты в контрольной группе имели так называемые эквиваленты ИБС. К ним в соответствии с последней редакцией руководства АТР III [2] относятся кли­нические проявления атеросклероза внекоронарной локализации: атеросклероз артерий нижних конеч­ностей, аневризма брюшного отдела аорты, атероск­лероз брахиоцефальных артерий (транзиторные ише­мические атаки и/или ишемический инсульт и/или обструкция более 50% просвета сонных артерий), СД или по крайней мере 2 ФР с 10-летним риском развития коронарных осложнений >20%. Для повы­шения точности прогноза мы переклассифицировали больных с учетом этих критериев, что позволило значительно улучшить качество прогноза. В табл. 3 представлены результаты анализа с использованием различных систем признаков.

Таблица 3. Точность прогноза различных методов распознавания.

В первом столбце представлены результаты оцен­ки точности прогноза по системе из 41 признака (22 «базовых» и 19 «генетических»). Второй столбец соответствует базовым признакам, третий — только генетическим. В столбцах 4—6 представлены подсис­темы из 21, 17 и 12 признаков, полученные из исход­ных 41 с использованием первого этапа сокращения признаков (см. выше). Сравнение данных позволяет выявить, что результаты прогноза по одним базо­вым 22 признакам немного превосходят результаты по всем 41 признаку. Это объясняется тем, что базовые признаки сами образуют достаточно информативную подсистему признаков (что подтверждается, прежде всего, методом «линейная машина»). Добавление к ним большого числа генетических признаков, информативными из которых является лишь малая часть, почти в 2 раза повышает размерность призна­ковых описаний пациентов. В результате усложнение задачи обучения оказывает несколько больший нега­тив в точность прогноза, чем польза от некоторых генетических признаков. Данные, представленные в третьем столбце, показывают, что прогноз по одним генетическим параметрам пациентов фактически невозможен. Тем не менее 2 генетических признака входят в информативную подсистему из 12 призна­ков, что свидетельствует о перспективности иссле­дования их влияния с использованием расширенных и уточненных обучающих выборок. Отметим, что если ввести «отказ от распознавания» в ситуациях, когда мнения алгоритмов разделяются как 3:4 или 4:3, то получим (например, по эксперименту № 6) 42 ошибки при 27 отказах на общей выборке в 290 объектов, что составляет 76,2% правильных ответов и 14,5% ошибок при 9,3% отказов от прогноза.

Таблица 4. Подсистема информативных 12 признаков и их веса.

В табл. 4 приведены веса системы из 12 признаков. Обращает внимание, что в этом наборе признаков сохранилось 2 генетических маркера. Один из них — ГИ, представляющий собой суммарное количес­тво имеющихся полиморфизмов + семейный анам­нез. Последующая серия экспериментов проведена также с целью выделения информативной подсис­темы признаков, но была реализована другая идея. После использования метода ЛЗ на исходной выборке из 290 объектов были удалены объекты, на которых были совершены «грубые ошибки» (оценка за ложный класс превосходит оценку за истинный в 5 раз и более), а также объекты, у которых оценка за каждый класс была менее 0,1. Удаленные объекты можно рассматри­вать как ошибочные для соответствующего класса или не типичные для обучающей выборки. После удаления 5,5% объектов сокращенная выборка из 274 объектов представляет более качественное описание выборки, что позволило получить более точные оценки важ­ности признаков методом ЛЗ. Было проведено 5 экс­периментов при различных значениях управляющих параметров, по результатам которых была сформиро­вана подсистема из 16 признаков. Признак считался информативным, если его вес в каждом эксперименте был не ниже 0,2 (веса признаков приведены в табл. 5).

Таблица 5. Подсистема информативных 16 признаков в эксперименте с сокращенной выборкой.

На оставшейся группе из 16 признаков были прове­дены эксперименты по распознаванию на всей исход­ной выборке в 290 объектов. Результаты показывают, что для данной системы из 16 признаков можно пост­роить алгоритм, не уступающий по своей прогности­ческой значимости представленным выше. Точность метода «линейная машина» составила 89%, голосо­вания — 87,2%. Удаление генетических признаков из данной системы приводит к снижению точнос­ти распознавания. Внедрение компьютерных систем делает реальным перевод на качественно новый уро­вень системы разработки методик прогнозирования, основанных на современных математических методах анализа данных и распознавания, и создает пред­посылки для внедрения сложных прогностических алгоритмов в широкую клиническую практику.

Прогноз теряет смысл, если на его основе не прини­маются эффективные решения. Вместе с тем прогноз является лишь одним из компонентов многоэтапного процесса принятия решений. Для распространенных заболеваний, таких как ИБС, стратификация риска имеет большое клиническое значение. Количественная оценка риска поможет персонализировать профилак­тические стратегии, и возможно, позволит исключить пациентов с низким риском из скрининговых про­грамм, а также избежать ненужных вмешательств, оптимизируя соотношение риска и пользы.

С учетом ограниченного количества изученных генов и обследованных больных мы представили общую концепцию прогнозирования коронарного риска с использованием дополнительных биомарке­ров, включая генетические.

К ограничениям выполненного исследования отно­сятся следующие:

— изучали ограниченный спектр генов на неболь­шой группе пациентов;

— в выборе полиморфизмов руководствовались данными литературы;

— у большинства пациентов из контрольной груп­пы имелись ФР развития ИБС, что может не отражать ситуацию в популяции в целом.

Заключение

1. Результаты выполненного исследования позволяют сделать следующие предварительные выводы:

2. Анализ факторов риска развития ишемической болезни сердца с использованием методов распоз­навания по прецедентам является перспективным методом для стратификации риска заболевания и поддержки принятия оптимальных решений о профилактике.

3. Точность распознавания варьирует от 70—75% при малом числе признаков до 90% на информативных признаковых подсистемах.

4. Использование коллективов из различных мето­дов прогнозирования позволяет повысить точность прогноза. Алгоритм голосования показывает мак­симальную точность прогноза относительно отде­льных алгоритмов.

5. При оценке риска развития ишемической болез­ни сердца в большинство информативных систем признаков входят генетические маркеры, наибо­лее значимый из которых — генетический индекс, представляющий собой суммарное количество имеющихся полиморфных маркеров + семейный анамнез.