Жүрек жеткіліксіздігі – өлім-жітімнің, қайталама госпитализацияның және денсаулық сақтау ресурстарын пайдаланудың жоғары деңгейімен сипатталатын күрделі клиникалық синдром. Жүрек-қантамыр аурулары әлемдік өлім құрылымында жетекші орын алады, ал жүрек жеткіліксіздігі егде жастағы пациенттерді ауруханаға жатқызудың жиі себептерінің бірі болып қала береді [1,2]. Қазақстандағы жүрек жеткіліксіздігінің эпидемиологиялық ерекшеліктері де клиникалық және ұйымдастырушылық тұрғыдан маңызды [3].

СЖЖ бар пациенттердің болжамы бір ғана жүрек функциясымен анықталмайды. Созылмалы бүйрек ауруы, қант диабеті, өкпенің созылмалы обструктивті ауруы және басқа коморбидті жағдайлар аурудың ағымын ауырлатып, дәрі-дәрмек таңдауға, госпитализация жиілігіне және өлім қаупіне ықпал етеді [5–8]. Бүйрек дисфункциясы жүрек пен бүйрек арасындағы екіжақты патофизиологиялық байланысты көрсетсе, қант диабеті метаболикалық және тамырлық тәуекелді күшейтеді. ЖЖ мен ӨСОА қатар жүргенде симптомдардың қабаттасуы, функционалдық шектеулер және терапиялық шешімдердің күрделілігі артады [8].

Дәстүрлі қауіп шкалалары, соның ішінде GWTG-HF және MAGGIC, клиникалық практикада пайдалы болғанымен, алдын ала таңдалған айнымалыларға және статистикалық болжамдарға сүйенеді. Машиналық оқыту үлкен көлемді және гетерогенді деректерден сызықтық емес өзара байланыстарды анықтауға, көптеген предикторларды бір уақытта бағалауға және күрделі фенотиптерді стратификациялауға мүмкіндік береді [9,10,14]. Сонымен бірге ЖИ-дің жоғары есептік өнімділігі автоматты түрде клиникалық пайдалықты білдірмейді: модельдің сыртқы валидациясы, калибрациясы, түсіндірмелілігі және жаңа популяцияға тасымалдануы шешуші мәнге ие [1,10,16].

Осы шолудың мақсаты – коморбидті жағдайларды ескере отырып, СЖЖ бар пациенттерде өмір сүру, өлім-жітім және клиникалық нәтижелерді болжауға арналған ЖИ/ML тәсілдерін талдау, олардың болжамдық көрсеткіштерін салыстыру және клиникалық енгізуге кедергі келтіретін негізгі әдіснамалық мәселелерді айқындау.

Ғылыми жаңалығы және практикалық маңызы

Шолудың ғылыми жаңалығы ЖИ модельдерін алгоритмдер тізімі ретінде емес, коморбидтілікке бейімделген клиникалық болжам жүйесі ретінде қарастыруында. Жұмыста тікелей өлім/өмір сүру болжамы, госпитализация қаупі және ауруды анықтау міндеттері бір-бірінен ажыратылып, бүйрек дисфункциясы, қант диабеті және ӨСОА контексіндегі дәлелдер салыстырылады. Сонымен қатар модель сапасы тек AUC немесе C-index арқылы емес, сыртқы валидация, калибрация, түсіндірмелілік және клиникалық тасымалданушылық тұрғысынан бағаланады. Практикалық маңызы – ЖИ-ді СЖЖ бар күрделі пациенттерде тәуекелді ерте стратификациялау құралы ретінде қай жағдайда қарастыруға болатынын және қандай жағдайда модель нәтижесін сақтықпен интерпретациялау қажет екенін көрсету.

Шолу дизайны және дәлелдер базасы

Жұмыс құрылымдалған нарративтік шолу форматында орындалды. Талдауға қолжазбаның библиографиялық тізіміне енгізілген 2021–2025 жылдары жарияланған 21 дереккөз алынды [1–21]. Дәлелдер базасына СЖЖ және жүрек-қантамыр ауруларындағы ЖИ/ML қолданылуына арналған шолулар, сыртқы немесе ішкі валидацияланған болжамдық модельдер, коморбидті топтардағы зерттеулер және жүйелі шолулар мен мета-талдаулар кірді. Толық репродукцияланатын іздеу хаттамасы мен PRISMA ағыны болмағандықтан, жұмыс жүйелі шолу ретінде ұсынылмайды.

Деректерді тақырыптық жүйелеу

Әр жарияланымнан клиникалық міндет, зерттеу популяциясы, негізгі коморбидті жағдайлар, қолданылған алгоритм немесе модель класы, болжамдық соңғы нүкте, дискриминация көрсеткіштері (AUC/AUROC немесе C-index), сыртқы валидацияның болуы және клиникалық қолданылуға әсер ететін шектеулер туралы мәліметтер жүйеленді. Нәтижелер келесі блоктар бойынша синтезделді: жалпы өлім-жітім болжамы; электрондық медициналық жазбалар және интенсивті терапия деректері; бүйрек дисфункциясы; қант диабеті; ӨСОА; HFpEF; модельдерді валидациялау және клиникалық енгізу.

Бағаланатын нәтижелер

Негізгі нәтижелер ретінде өлім қаупін және өмір сүруді болжау қарастырылды. Қосымша нәтижелерге қайта госпитализация, жүрек жеткіліксіздігін анықтау, жоғары қауіп тобын бөлу және терапия әсерінің модификаторларын анықтау кірді. Модель сапасы дискриминациямен ғана шектелмей, калибрация, сыртқы валидация, деректердің популяциялық сәйкестігі және түсіндірмелілік тұрғысынан қарастырылды. Зерттеулердің дизайны мен соңғы нүктелерінің әртектілігіне байланысты мета-аналитикалық біріктіру жүргізілген жоқ.

СЖЖ кезіндегі ЖИ және машиналық оқытудың болжамдық мүмкіндіктері

ЖИ мен ML жүрек жеткіліксіздігін диагностикалау, декомпенсацияны ерте анықтау, өлім-жітім мен қайта госпитализацияны болжау, емге жауапты бағалау және пациенттерді тәуекел бойынша стратификациялау үшін зерттелуде [1,9,10]. Бұл тәсілдердің артықшылығы – клиникалық, зертханалық, эхокардиографиялық және электрондық медициналық жазбалардан алынатын көптеген белгілерді бір модельде өңдеу мүмкіндігі.

Интенсивті терапиядағы жүрек жеткіліксіздігі бар 6699 пациенттің деректеріне негізделген stacking ensemble моделі өлім-жітімді болжауда AUROC 0,8255 көрсетіп, бірнеше базалық классификаторларды біріктірудің әлеуетін көрсетті [4]. Дегенмен жоғары дискриминация көрсеткіші модельдің басқа ауруханаларда дәл сондай жұмыс істейтінін өздігінен дәлелдемейді; тасымалданушылық үшін тәуелсіз валидация қажет.

Электрондық медициналық жазбаларға негізделген Weller және әріптестерінің 2025 жылғы моделінде 90 күндік постгоспитализациялық өлім қаупі 48 сағат ішіндегі деректермен бағаланды. Деривациялық когортада AUC 0,817, ал екі тәуелсіз валидациялық когортада сәйкесінше 0,750 және 0,723 болды [15]. Бұл нәтиже модельдің бастапқы деректер жиынтығынан тыс ортада өнімділігінің төмендеуі мүмкін екенін және сыртқы валидацияның маңызын нақты көрсетеді.

Сыртқы валидациядан өткен ЖИ болжамдық модельдеріне арналған жүйелі шолуда AUC 0,6494–0,913, ал дәстүрлі статистикалық шкалаларда 0,622–0,806 аралығында болған [16]. Бұл кейбір ML модельдерінің жоғары дискриминацияға қол жеткізе алатынын көрсетеді, бірақ нәтижелер алгоритмнің атауына емес, деректер сапасына, популяцияға, соңғы нүктеге және валидация әдісіне тәуелді.

Өлім-жітім мен өмір сүруді тікелей модельдеу

СЖЖ кезіндегі өмір сүруді тікелей бағалауға арналған зерттеулер әртүрлі модельдеу парадигмаларын қолданады. Transfer learning негізіндегі ықтималдық белгілерін пайдаланған модельдер пациенттің өмір сүруін болжау міндетінде күрделі белгілер құрылымын пайдалануға бағытталған [13]. Терең оқытуға негізделген competing-risk және frailty тәсілдері өлім қаупіне бәсекелес оқиғалар мен бақыланбайтын гетерогенділіктің ықпалын бір мезгілде ескеруге тырысады [14].

Бұл бағыт клиникалық жағынан маңызды, өйткені СЖЖ бар пациентте «өлім болады/болмайды» бинарлық классификациясынан бөлек, оқиғаға дейінгі уақыт, бәсекелес қауіптер және бақылау ұзақтығы ескерілуі тиіс. Дегенмен күрделі архитектураның қолданылуы оның автоматты түрде клиникалық артықшылығын білдірмейді: модельдің калибрациясы, уақыт бойынша тұрақтылығы және тәуелсіз популяцияда қайталануы шешуші көрсеткіштер болып қалады.

Бүйрек дисфункциясы және кардиореналды профиль

Бүйрек дисфункциясы жүрек жеткіліксіздігі бар пациенттердің болжамын айқын өзгертетін коморбидті факторлардың бірі. Жетілдірілген жүрек жеткіліксіздігі және бүйрек дисфункциясы бар 1736 пациенттің деректерінде құрылған AIHFLevel гибридті жүйесі әртүрлі машиналық оқыту тәсілдерін біріктіріп, тәуекелді стратификациялауға арналған түсіндірілетін модель ұсынды [5]. Бұл зерттеудің маңызды ерекшелігі – коморбидті бүйрек дисфункциясын қосымша белгі ретінде ғана емес, зерттеу популяциясының анықтаушы клиникалық сипаттамасы ретінде қарастыруы.

Иордания жүрек жеткіліксіздігі регистрінің деректерінде созылмалы бүйрек ауруы бар пациенттердегі өлім қаупін ML көмегімен бағалау зерттелді [6]. Мұндай модельдер креатинин немесе шумақтық сүзілу жылдамдығы сияқты бір көрсеткішті ғана емес, демографиялық, клиникалық және зертханалық профильдің жиынтығын пайдалану арқылы қауіп стратификациясын нақтылауға бағытталған.

Қант диабетінің ерте сатысындағы пациенттерде ЖЖ мен СБА дамуын болжауға арналған модельдер коморбидті аурулардың уақыт бойынша өзара күшеюін ерте кезеңде анықтау мүмкіндігін көрсетеді [7]. Бұл зерттеу тікелей өмір сүруді болжамайды, сондықтан оны өлім-жітім модельдерімен бір деңгейде интерпретациялау дұрыс емес; оның құндылығы – жоғары қауіп фенотипін алдын ала анықтауда.

Қант диабеті және метаболикалық коморбидтілік

2 типті қант диабеті СЖЖ бар пациенттердің метаболикалық және тамырлық тәуекелін күшейтеді. Kianmehr және әріптестері ACCORD зерттеуінің деректеріне causal forest және causal tree тәсілдерін қолданып, жүрек жеткіліксіздігі бойынша госпитализацияның алдын алу әсерін модификациялайтын клиникалық факторларды анықтады [17]. Бұл жұмыс классикалық «өлімді болжау» моделінен ерекшеленеді: мұнда ML ем әсерінің гетерогенділігін түсіндіру үшін пайдаланылды.

Қабыну мен метаболизм арасындағы көпөлшемді байланыстарды талдауға арналған жұмыстар ЖЖ мен диабет қатар кездескенде дәстүрлі жеке биомаркерлер жеткіліксіз болуы мүмкін екенін көрсетеді [11,18]. ML осындай өзара тәуелді белгілерді біріктіріп, госпитализация немесе өлім қаупін стратификациялауға көмектесуі мүмкін, бірақ бұл бағыттағы дәлелдер әлі де клиникалық енгізуге дейінгі кезеңде.

Silesia Diabetes-Heart Project аясында 1735 диабеті бар пациентте жүрек-қантамыр оқиғаларын болжауға арналған ML моделі жасалып, тест жиынтықтарында AUC 0,62–0,72 аралығында болды [19]. Бұл көрсеткіштер ЖИ модельдерінің бәрі жоғары дискриминация бермейтінін және қарапайым, қолжетімді клиникалық белгілермен құрылған модельдердің де өнімділігі орташа болуы мүмкін екенін көрсетеді.

ӨСОА және жүрек-өкпе коморбидтілігі

ЖЖ мен ӨСОА қатар кездескенде ентігу, функционалдық шектеулер, госпитализация және ем тактикасы күрделенеді [8]. Қарастырылған дереккөздерде ӨСОА-ны арнайы енгізіп, СЖЖ бар пациенттердің өмір сүруін болжайтын жеке ML модельдері бүйрек дисфункциясы немесе диабетке қарағанда аз ұсынылған. Сондықтан ӨСОА-ның маңызы клиникалық тұрғыдан жоғары болғанымен, осы коморбидтілік үшін ЖИ-болжамның дәлел базасы салыстырмалы түрде шектеулі деп бағаланады.

HFpEF: анықтау мен болжам міндеттерін ажырату

HFpEF клиникалық практикада жиі жеткіліксіз анықталады. Wu және әріптестері электрондық медициналық жазбаларға ЖИ және табиғи тілді өңдеу тәсілдерін қолданып, сақталған лақтыру фракциясы бар жүрек жеткіліксіздігін (HFpEF) анықтауды жақсартуды көрсетті [20]. Бұл зерттеудің негізгі міндеті – HFpEF диагностикасын/анықталуын жақсарту; сондықтан оны тікелей өмір сүру немесе өлім-жітім болжамы ретінде сипаттауға болмайды.

Сонымен бірге HFpEF-ті ерте және дұрыс анықтау кейінгі тәуекел стратификациясының сапасын арттыра алады. Бұл диагностикалық және болжамдық модельдердің клиникалық жолда бір-бірін толықтыруы мүмкін екенін көрсетеді, бірақ олардың соңғы нүктелері мен тиімділік өлшемдерін араластырмау қажет.

Жүйелі шолулар мен мета-талдаулардың қорытындылары

Błaziak және әріптестерінің жүйелі шолуы сыртқы валидациядан өткен модельдерге назар аударып, ЖИ тәсілдерінің кейбір популяцияларда дәстүрлі шкалалардан жоғары AUC көрсетуі мүмкін екенін анықтады [16]. Сонымен бірге зерттеулер саны аз, ал нәтижелер мен предикторлар өте әртекті болған.

Yan және әріптестерінің 28 зерттеуді және 106 болжамдық модельді қамтыған жүйелі шолуы мен мета-талдауы ЖЖ бар пациенттердің госпитальішілік өлімін болжауда ML модельдерінің жиынтық дискриминациясын бағалады [21]. Оқыту жиынтықтарында біріктірілген C-index 0,781, сезімталдық 0,56, ерекшелік 0,94; валидациялық жиынтықтарда C-index 0,758, сезімталдық 0,57 және ерекшелік 0,84 болды. Авторлар ML қолданылуы кеңейіп келе жатқанымен, жалпы болжамдық өнімділіктің әлі де субоптималды екенін көрсетті [21].

Кесте 1 - СЖЖ және коморбидті жағдайлардағы ЖИ/ML модельдерінің негізгі дәлелдері