Введение
Одним из наиболее тяжелых осложнений острых форм ишемической болезни сердца является кардиогенный шок (КШ). По данным клинических регистров, частота его развития при остром коронарном синдроме (ОКС) и верифицированном инфаркте миокарда (ИМ) составляет 5–10 %, достигая 15 % в отдельных когортах больных ИМ с подъемом сегмента ST [1, 2]. Несмотря на внедрение современных стратегий реперфузии и интенсивной терапии, госпитальная летальность (ГЛ) при КШ остается крайне высокой и достигает 40–60 % [3]. За последние десятилетия наблюдается тенденция к росту числа пациентов с КШ в отделениях реанимации и интенсивной терапии (ОРИТ), что может быть обусловлено увеличением возраста больных, распространенностью и тяжестью коморбидной патологии, расширением показаний к использованию инвазивных методов реваскуляризации миокарда [4]. Сохраняющаяся высокая смертность при КШ актуализировала необходимость внедрения в клиническую практику новых терапевтических стратегий (механической поддержки кровообращения, использования современных инотропных и вазоактивных препаратов) и совершенствования рискометрических инструментов для ранней оценки вероятности неблагоприятных исходов. Исторически первой классификацией тяжести острой сердечно-сосудистой недостаточности, ассоциированной с КШ, стала шкала Т. Killip (1967) [5]. В дальнейшем были предложены многочисленные шкалы, ранжирующие тяжесть этого состояния (в общей сложности более 30), основанные на использовании клинических, гемодинамических и лабораторных параметров [3]. Наиболее востребованной из них является классификация КШ, разработанная Обществом коронарной ангиографии и интервенционных вмешательств в 2019 г., которая получила широкое распространение благодаря своей простоте и высокой прогностической ценности [6]. Вместе с тем проблема точного прогнозирования развития и исходов КШ у пациентов с ИМ остается нерешенной. Одним из направлений совершенствования прогностических инструментов является использование для их разработки методов машинного обучения (МО), позволяющих на основе анализа больших клинических данных выявлять скрытые или неочевидные закономерности развития патологических процессов и извлекать новые знания [7–9]. Учитывая высокую актуальность данной темы в настоящем обзоре, предпринята попытка анализа и систематизации данных мировой литературы по вопросам прогнозирования развития и исходов КШ у больных ИМ.
Цель исследования
Оценить точность различных инструментов рискометрии для прогнозирования ГЛ у больных КШ.
Материалы и методы
При планировании и описании исследования мы опирались на методологию прогностических моделей в соответствии с TRIPOD-guidelines (Transparent Reporting of a multivariable prediction model for Individual Prognosis or Diagnosis), что обеспечивает прозрачность разработки и валидацию модели [9]. Систематический обзор был проведен в соответствии с требованиями отчетности для систематических обзоров и метаанализов (PRISMA — Preferred Reporting Items for Systematic reviews and Meta-Analyses). Использовались исследования на английском и русском языках. Критерии включения были предварительно определены с использованием стратегии PICOS (patient, population or problem [P]; intervention [I]; comparison [C]; outcomes [O] and study design [S]), оптимизированной для разработки всех этапов интервенционного систематического обзора (табл. 1). Выработка критериев включения/исключения осуществлялась совместно всеми авторами до начала поиска соответствующих публикаций. Разногласия разрешались консенсусом. В систематический обзор включали исследования, в которых для прогнозирования риска ГЛ при КШ использовались как оригинальные авторские модели, так и известные шкалы-рискометры. КШ определялся авторами в соответствии с рекомендацией обществ специалистов в области кардиологии и рентгенэндоваскулярных методов диагностики и лечения. Точность прогноза оценивалась показателем площади под ROC-кривой (AUC), который в ряде исследований дополнялся индикаторами чувствительности (Sen) и специфичности (Spec). Данные извлекались только из опубликованных полнотекстовых работ. К критериям исключения были отнесены: бездоказательный дизайн исследования (тезисы конференций, протоколы заседаний, клинические случаи и серии случаев), обзоры литературы, метаанализы, диссертационные работы и авторефераты. Исключались исследования, где анализировались отдельные клинические и лабораторные предикторы ГЛ. Следует отметить, что количество включенных в исследования пациентов не являлось определяющим фактором отбора. Поиск литературы производился в базах данных PubMed (за 1982–2025 гг.), Google Scholar (за 2000–2025 гг.) и eLibrary.ru (за 2000–2025 гг.). Поисковые запросы: кардиогенный шок, прогнозирование, cardiogenic shock, risk score, prediction и prognosis. Последний поиск проведен 23 июля 2025 г. (рис. 1).
Рис. 1. Блок-схема алгоритма поиска литературы Fig. 1. Block diagram of the literature search algorithm
| Показатели | Критерии включения в систематический обзор |
|---|---|
| Пациенты | Взрослые пациенты (≥ 18 лет) с диагнозом инфаркта миокарда, осложненным кардиогенным шоком |
| Вмешательство | Использование шкал оценки исходов заболевания |
| Сравнение | Сравнение различных методов прогнозирования исходов |
| Результаты | Летальность истинная и прогнозируемая |
| Дизайн исследования | Рандомизированные контролируемые проспективные исследования, рандомизированные контролируемые проспективные/ретроспективные исследования. Эпидемиологические исследования на больших выборках |
Извлечение данных и оценка качества
Все найденные цитаты были внесены в базу данных, удаление дубликатов статей было выполнено вручную. При поиске литературы был выявлен 6701 источник, в том числе 639 — в базе данных Pubmed, 4300 — в базе данных Google Scholar и 1762 — в eLibrary RU. Из найденных 6701 источника были исключены дублированные публикации (n = 234). После исключения публикаций, не соответствующих цели обзора, были отобраны 115 статей с анализом полного текста на соответствие установленным критериям включения и исключения. После применения критериев включения было отобрано 40 статей. Следующим шагом было исключение работ, где сравнивались отдельные предикторы. В результате 31 статья соответствовала всем критериям систематического обзора. Из исследований были извлечены основные данные, включающие информацию о группах пациентов, методах прогнозирования, статистической обработке, метриках точности моделей. Оценка риска предвзятости и применимости включенных прогностических моделей проводилась с применением инструмента PROBAST (Prediction model Risk Of Bias ASsessment Tool), с анализом следующих доменов: участники (participants), предикторы (predictors), исход (outcome), анализ (analysis) [10]. Интегральная оценка предвзятости соответствовала высокому, низкому или неуточненному риску для всех включенных исследований. В настоящем обзоре 5 работ имели итоговую оценку низкого риска предвзятости, в остальных исследованиях неуточненный или высокий уровень предвзятости фиксировался в одном или более доменах. Риск систематической ошибки и применимость каждой модели прогнозирования оценивались независимо двумя рецензентами с использованием инструмента PROBAST; разногласия разрешались путем обсуждения или привлечения третьего рецензента [9, 10].
| Публикация | Типы исследования | Объем выборки | Виды шкал и методы МО | AUC | Sen | Spec | Внешняя валидация | Калибровка |
|---|---|---|---|---|---|---|---|---|
| Hasdai et al., 2000 [11] | Ретроспективное РКИ | 1889 | Авторская модель (CoxPH) | 0,796 | 0,76 | 0,78 | Нет | Нет |
| Klein et al., 2005 [12] | Ретроспективное | 483 | Авторская модель (ОЛР, МЛР) | 0,76 0,719 |
0,73 0,70 |
0,719 0,69 |
Нет | Нет |
| Yang et al., 2013 [13] | Ретроспективное одноцентровое | 816 | TIMI, GRACE, GRACE + глюкоза |
0,615 0,652 0,705 |
0,77 0,74 0,78 |
0,70 0,72 0,72 |
Нет | Нет |
| Harjola et al., 2015[14] | Проспективное мультицентровое обсервационное | 219 | CardShock score | 0,85 | — | — | Нет | Нет |
| Muller et al., 2016 [15] | Ретроспективное мультицентровое | 138 | ENCOURAGE score | 0,84 | — | — | Нет | Нет |
| Puymerat et al., 2017 [16] | Ретроспективное обсервационное | 19 416 | SAPS II | — | — | — | Нет | Нет |
| Lin et al., 2017 [17] | Ретроспективное и проспективное | 53 | SYNTAX score | — | — | — | Нет | Нет |
| Poss et al., 2017 [18] | РКИ ретроспективное | 600 | IABP-SHOCK II | 0,79 | 0,85 | 0,58 | 0,73 | Нет |
| Na et al., 2019 [19] | Ретроспективное | 493 | VIS score | 0,868 | 0,70 | 0,857 | Нет | Нет |
| Jentzer et al., 2019 [20] | Ретроспективное | 10 004 | SCAI shock stage | 0,775 | — | — | Нет | Нет |
| Tehrani et al., 2019 [21] | Ретроспективное одноцентровое | 204 | IHVI, CardShock score |
0,97 0,97 |
— | — | Нет | Нет |
| Miller et al., 2019 [22] | Ретроспективный анализ | 510 | APACHE II, CardShock, IABP-SHOCK II, SOFA |
0,75 0,75 0,72 0,79 |
— | — | 0,75 0,75 0,72 0,79 |
Нет |
| Guedeney et al., 2020 [23] | РКИ ретроспективное | 624 | SYNTAX score | — | — | — | Нет | Нет |
| Cosentino et al., 2021 [24] | Ретроспективное | 465 | Авторская модель (ОЛР, МЛР) | 0,79 0,80 |
— | — | 0,76 0,79 |
Нет |
| Rivas-Lasarte et al., 2021 [25] | Проспективное когортное | 696 | CardShock, IABP-SHOCK II |
0,742 0,752 |
— | — | 0,76 0,68 |
0,22 0,68 |
| Hongisto et al., 2021 [26] | Проспективное обсервационное мультицентровое | 219 | CardShock score, IABP-SHOCK II |
0,75 0,71 |
— | — | Нет | Нет |
| Semaan et al., 2021 [27] | Ретроспективное одноцентровое | 51 | ENCOURAGE score | 0,83 | — | — | Нет | 0,70 |
| Rong et al., 2022 [28] | Ретроспективное | 919 | Авторская модель (CoxBoost) | 0,73 | 0,813 | 0,813 | 0,77 | Нет |
| Arias et al., 2022 [29] | Ретроспективное и проспективное | 154 | S3 (Santiago Shock Score) | 0,85 | 0,73 | 0,76 | Нет | Нет |
| Yu et al., 2023 [30] | Ретроспективное одноцентровое | 630 | Фенотипирование КШ (САК K-ср), МЛР | — | — | Нет | Нет | |
| Wang et al., 2023 [31] | Ретроспективное | 21 925 | Авторская модель (САК K-ср) | 0,349 | — | — | Нет | Нет |
| Xu et al., 2024 [32] | Ретроспективное | 611 | Авторская модель (ЛРА) | 0,689 | 0,805 | 0,539 | Нет | Нет |
| Wang et al., 2024 [33] | Ретроспективное | 210 | Фенотипирование КШ (САК K-ср) | — | — | Нет | Нет | |
| Veyret et al., 2024 [34] | Ретроспективное | 147 | IMPACT score | 0,780 | 0,684 | 0,579 | Нет | Нет |
| Soussi et al., 2024 [35] | Проспективное | 228 | Фенотипирование КШ (САК К-ср), LCA | — | — | Нет | Нет | |
| Chlabicz et al., 2024 [36] | Проспективное | 63 | CardShock score, APACHE II, SOFA |
0,70 0,62 0,62 |
0,52 0,71 0,76 |
0,88 0,87 0,85 |
Нет | Нет |
| Hu et al., 2024 [37] | Ретроспективное мультицентровое | 1742 | VIS score | 0,65 | — | — | Нет | Нет |
| Shen et al., 2025 [38] | Ретроспективное | 332 | LASSO-р, МЛР |
0,869 0,77 |
0,74 0,72 |
0,77 0,74 |
0,76 0,68 |
0,64 |
| Stamate et al., 2025 [39] | Ретроспективное | 158 | LASSO-р, СЛ |
0,82 0,77 |
0,72 | 0,74 | Нет | Нет |
Результаты
Анализ прогностических исследований, в которых для оценки вероятности развития и исходов КШ использовались классические шкалы-рискометры ОКС или ИМ (GRACE, TIMI, SYNTAX score I–II и др.), демонстрировал вариабельность точности генерируемых ими заключений (табл. 2). В ретроспективном исследовании CULPRITE-SHOCK trial была показана высокая эффективность шкалы SYNTAX score в отношении прогноза ГЛ у больных с КШ после чрескожного коронарного вмешательства. При этом риски развития КШ и ГЛ имели прямую зависимость от выраженности коронарного атеросклероза и последовательно увеличивались по мере нарастания его тяжести. Так, у больных ИМ с умеренным нарушением коронарного кровотока (< 22 баллов) показатель ГЛ при КШ составил 36,1 %, а при его тяжелом нарушении (≥ 33 баллов) — 66,9 % (р < 0,00001) [40]. Вместе с тем в исследовании, выполненном на данных национального регистра ОКС Республики Корея, была показана низкая точность шкал TIMI и GRACE в отношении прогноза КШ (AUC 0,615 и 0,652 соответственно). Незначительное повышение точности шкалы GRACE (AUC 0,701) было достигнуто только при расширении состава ее предикторов за счет концентрации глюкозы в крови [41]. Harjola et al. [14] в обсервационном исследовании для оценки риска ГЛ у больных с КШ использовали шкалу CardShock score, результаты применения которой показали хорошую точность прогноза в общей когорте (AUC 0,8), ее повышение среди пациентов с ОКС (AUC 0,84), а в группе больных с КШ неишемического генеза точность прогноза была наиболее высокой (AUC 0,94). Кроме того, на данных этой группы больных была проверена прогностическая ценность шкал APACHE II и Sleeper score, которые демонстрировали ее приемлемый уровень (AUC 0,76). В этой же работе авторами тестировалась прогностическая ценность шкалы CardShock score на когорте пациентов из исследования IABP-SCHOCK II, точность которой по метрике AUC составила 0,71. Прогностический потенциал шкал CardShock и IABP-SHOCK II анализировался также в исследовании, выполненном на когортах больных пожилого и старческого возраста с признаками КШ. Показано преимущество шкалы CardShock в оценке риска ГЛ среди больных < 75 лет (AUC 0,82) по сравнению с лицами более старшего возраста (AUC 0,75). Прогностические возможности шкалы IABP-SHOCK II были заметно ниже (AUC 0,73 и 0,71 соответственно) [25]. В исследовании Poss et al. [18] с помощью многофакторной регрессии Кокса анализировали прогностическую ценность шкалы IABP-SHOCK II на базе данных, включающих сведения о 600 больных ИМ, у 480 из которых фиксировались признаки КШ. Качество прогноза ГЛ на тестовых выборках соответствовало приемлемому уровню (AUC 0,79; Spec 0,58; Sen 0,85), но при внешней валидации шкалы на данных исследования CardShock уровень AUC составил 0,73. Оценка эффективности использования классических шкал-рискометров неотложных состояний для прогнозирования исходов КШ (APACHE II, SAPS II, SI и др.), выполненная на данных национального регистра пациентов ОРИТ госпиталей Франции (CUB-Rea), показала, что они обеспечивают более низкую прогностическую точность, чем у больных с септическим шоком или при критических состояния, связанных с циррозом печени [42].
В последние годы при прогнозировании летальности больных КШ на различных горизонтах наблюдения учитывается ее возможная взаимосвязь с клиническими фенотипами данного осложнения. Так, при использовании базы данных MIMIC-IV у больных с ОКС были выделены 3 фенотипа КШ. К первому из них относились пациенты со стандартным набором признаков (клинических, гемодинамических и инструментальных маркеров шока), ко второму — больные с быстрым развитием острого почечного повреждения, а к третьему — больные с высоким уровнем маркеров системного воспаления. Для отбора наиболее информативных предикторов использовали метод МО случайный лес, а для формирования кластеров — согласованный алгоритм кластеризации на основе k-средних. Установлено, что при КШ, относящемуся ко 2-му и 3-му фенотипам, относительный риск ГЛ был существенно выше, чем при фенотипе 1 [31]. В другом исследовании [30] на базе регистра MIMIC-IV были верифицированы 6 фенотипов КШ на основе показателей гликемического разрыва [43], содержания лактата, оценки нарушения сознания с использованием шкалы комы Глазго, отношения триглицеридов к глюкозе. В этой работе прогностические модели, определяющие возможную взаимосвязь фенотипических особенностей КШ с риском ГЛ, не обладали приемлемой точностью (AUC 0,672–0,689). В 2024 г. Soussi et al. [35] при проведении ретроспективного анализа базы данных FROG-ICU выделили 2 фенотипа КШ. У пациентов с фенотипом А, для которого был характерен нормативный уровень прокальцитонина, интерлейкина-6, маркеров эндотелиальной дисфункции и почечного повреждения, выживаемость была статистически значимо выше, чем у пациентов с фенотипом В, где указанные маркеры превышали референсный диапазон.
При ретроспективном анализе электронных баз данных ОРИТ методами МО было выделено 3 фенотипа пациентов с КШ, которым проводилась вено-артериальная экстракорпоральная мембранная оксигенация (ВА-ЭКМО) [33]. Для первого из них был характерен уровень тромбоцитов в пределах референсного диапазона, второй отличался избыточным воспалительным ответом, а третий ассоциировался с признаками гепаторенального синдрома. В этом исследовании благоприятный исход КШ чаще фиксировался у пациентов с фенотипом 1. В работе [36] методами МО были выделены 2 кластера пациентов, различающихся по уровню артериального давления, содержанию эритроцитов, альбумина, калия, остаточного азота, бикарбоната, оценок по шкалам тяжести состояния (SOFA, APACHE IV). В этом исследовании результаты фенотипирования КШ значительно снижали точность прогноза ГЛ в условиях ОРИТ (AUC 0,349). Эффективность ВА-ЭКМО в комплексной терапии пациентов с КШ и ее влияние на исходы лечения анализировались также с помощью шкалы IMPACT, прогностическая ценность которой была приемлемой (AUC 0,78). В работе Semaan et al. [27], по данным многоцентрового исследования, оценивали протективное воздействие ВА-ЭКМО на пациентов с КШ и сравнили прогностическую ценность 4 шкал (ENCOURAGE, SAPS II, SAVE и SOFA), точность которых существенно различалась (AUC 0,83; 0,71; 0,67; 0,66 соответственно). В более раннем исследовании [15] шкала ENCOURAGE в аналогичной группе пациентов демонстрировала уровень AUC 0,84. В ряде работ проведена прогностическая оценка влияния на исходы КШ вазоактивных препаратов в сочетании с методами механической поддержки кровообращения. Показано, что хорошая прогностическая точность шкалы VIS score достигается при уровне оценки выше 85 баллов, использовании искусственной вентиляции легких и методов заместительной почечной терапии (AUC 0,8679) [20]. В 2024 г. в ретроспективном мультицентровом исследовании Hu et al. [37] анализировали прогностический потенциал шкалы VIS score у пациентов с КШ в условиях ВА-ЭКМО. Точность прогноза при сочетании КШ и ОКС была недостаточной (AUC 0,65), а при КШ на фоне миокардита — приемлемой (AUС 0,7).
В проспективном мультицентровом исследовании Red-Shock анализировали предиктивный ресурс шкал CardShock и IABP-SHOCK II в отношении риска ГЛ у пациентов с КШ, ассоциированным с ОКС и неишемическими причинам [25]. У больных с ОКС точность прогноза ГЛ соответствовала приемлемому уровню для обеих шкал (AUC 0,74 и 0,752 соответственно), а в группе без ОКС качество прогноза КШ было недостаточным (AUC 0,648 и 0,619 соответственно). Валидация рискометрических шкал (APACHE II и SOFA), а также CardShock и IABP-SHOCK II в отношении неблагоприятных исходов КШ была проведена в 2019 г. в проспективном исследовании TRACER, результаты которого демонстрировали наилучшую точность прогноза шкалы SOFA (AUC 0,79) [22]. В 2024 г. опубликовано проспективное исследование, в котором прогностическая ценность шкал CardShock, APACHE II и SOFA была существенно ниже (AUC 0,7; 0,62; 0,62 соответственно) [36].
После принятия новой классификации КШ, предложенной ассоциацией сердечно-сосудистых и интервенционных хирургов (SCAI) в 2019 г., проведен ретроспективный анализ базы данных ОРИТ кардиологического профиля. Установлено, что показатели функционального статуса пациентов, соответствующих определенной стадии КШ по классификации SCAI shock stage и используемых в качестве предикторов, повышают точность прогноза ГЛ (AUC 0,775) [6]. В 2021 г. Cosentino et al. [24] по результатам ретроспективного анализа базы данных пациентов с КШ сформировали набор критериев, объединенных в оценочную систему на основе многофакторной логистической регрессии, которая обладала приемлемой прогностической точностью (AUC 0,79), при проведении внешней валидации прогностического инструмента получены приемлемые показатели дискриминационных показателей (AUC 0,76; 0,79). В 2022 г., используя данные от 158 больных с КШ с применением метода многофакторной логистической регрессии, была разработана шкала S3 (Santiago Shock Score), которая также соответствовала хорошей точности прогноза (AUC 0,85) [29]. Более высокая точность прогноза КШ была достигнута Tehrani et al. [21] в одноцентровом ретроспективном исследовании при использовании шкал CardShock и IHVI, которые демонстрировали сопоставимый результат для обеих рискометров (AUC 0,97). В 2022 г. авторским коллективом Rong et al. [28] на данных регистра MIMIC-III с помощью различных методов МО у больных КШ были разработаны прогностические модели ГЛ, при валидации которых на выборке из 115 больных лучшую точность прогноза демонстрировала модель на основе стохастического градиентного бустинга (AUC 0,77). Эффективность прогноза ГЛ при использовании рискометров LASSO, SAPS II и CardShock была существенно ниже.
В 2025 г. были опубликованы исследования, в которых для прогнозирования исходов КШ использовались современные методы МО. Так, в работе Shen et al. [37] из базы данных eICU-CRD были отобраны 332 случая КШ, на основе которых методами случайный лес, LASSO-регрессии и многофакторной логистической регрессии были разработаны прогностические модели ГЛ. Лучшим из них был алгоритм многофакторной логистической регрессии (AUC 0,869), при валидации которого на данных регистра MIMIC-IV точность прогноза снижалась (AUC 0,77). В ретроспективном исследовании Stamate E. et al. [39] авторы для прогнозирования летальности больных КШ использовали технологии МО (алгоритм k-ближайших соседей, методы синтетической передискретизации миноритарных групп-SMOTE, случайный лес, LASSO-регрессию, AdaBoost, XGBoost, LightGMB и ансамбли моделей). Лучшее качество прогноза демонстрировала модель на основе многофакторной логистической регрессии (AUC 0,82; Sen 0,72; Spec 0,74). Важно отметить, что в ряде исследований при оценке качества прогноза авторы не использовали показатели Sen и Spec, что ограничивало верификацию соотношений истинно положительных и истинно отрицательных случаев неблагоприятного исхода.
При проведении исследования для достижения поставленной цели выполнена оценка калибровки представленных шкал рискометров. Следует констатировать, что в представленных исследованиях только 3 авторских коллектива провели калибровку своих инструментов. Rivas-Lasarte et al. в 2021 г. [25] представили показатель калибровки для шкалы CardShock p = 0,22, а для IABP-SHOCK II — p = 0,68, что соответствует приемлемому уровню. Semaan et al. в 2021 г. [27] провели калибровку шкалы ENCOURAGE score, и был получен результат р = 0,7. Shen et al. в 2025 г. [38] провели калибровку использованных в своем исследовании рискометрических инструментов с получением приемлемого результата р = 0,64.
Обсуждение
КШ является наиболее тяжелым и прогностически неблагоприятным осложнением ИМ, что определяет возрастающую потребность в разработке надежных инструментов рискометрии, стратифицирующих вероятность его развития и исходов [44]. В систематическом обзоре представлен анализ научных исследований по различным аспектам прогнозирования КШ за последние 25 лет, свидетельствующий о высокой публикационной активности по этой проблеме и ее актуальности. Анализируемые в обзоре исследования можно условно разделить на несколько групп. К первой из них мы отнесли работы, в которых авторы изучали эффективность общеклинических шкал оценки тяжести состояния больных (SAPS II, SOFA, APACHE II, SAVE) для прогнозирования риска ГЛ при КШ различной этиологии. Оценка метрик качества данных шкал показала, что они имеют более высокую прогностическую ценность у пациентов с септическим шоком и тяжелой печеночной недостаточностью, чем при КШ. Вторая группа публикаций включала исследования, в которых для прогнозирования КШ применялись шкалы, исходно предназначенные для стратификации риска ГЛ у больных ОКС и оценки тяжести поражения коронарных артерий (TIMI, GRACE, SYNTAX score). Прогностические свойства этих шкал в отношении ГЛ при КШ в большинстве случаев не достигали приемлемого уровня (AUC < 0,7). Вместе с тем применение шкалы SYNTAX было полезным для определения оптимальной стратегии реваскуляризации миокарда, улучшающей прогноз у больных ИМ, осложненным КШ. Третья группа научных публикаций была представлена исследованиями, в которых изучены прогностические свойства «классических» шкал, специально разработанных для оценки риска развития и исходов КШ (ENCOURAGE, CardShock, IABP-SHOCK II). Они были разделены на две подгруппы. В первой из них эффективность прогноза КШ изучалась на когортах пациентов, которым проводилась ЭКМО или использовались другие устройства поддержки кровообращения [45–47]. Вторая подгруппа была представлена больными, получающими только медикаментозную терапию. Анализ этих исследований показал, что шкалы, демонстрирующие хорошую точность прогноза в группе ВА-ЭКМО (ENCOURAGE), имели недостаточную предиктивную эффективность в группе больных, получавших медикаментозную терапию [15]. Необходимо также отметить, что анализируемые исследования по ВА-ЭКМО были, как правило, одноцентровыми с участием менее 150 пациентов и по критериям риска предвзятости имели его высокий уровень. В подгруппе пациентов, которые получали медикаментозную терапию и экстренное чрескожное коронарное вмешательство, оценивалась прогностическая эффективность шкал CardShock, IABP-SHOCK II, VIS score. В одной из работ (219 больных с КШ), которая соответствовала умеренному риску предвзятости, точность прогноза ГЛ по шкале CardShock была высокой (AUC 0,85), но значительно снижалась при валидации на внешних выборках (AUC 0,7–0,75) [23]. Заслуживает комментариев одноцентровое ретроспективное исследование Tehrani et al. [21], которое отличалось максимальной точностью прогноза КШ при использовании шкал IHVI и CardShock (AUC 0,97), но по данным оценки предвзятости имело ее высокий риск. Хорошее качество прогноза ГЛ при КШ, которое не подтверждалось результатами более позднего исследования, выполненного на расширенной когорте пациентов (AUC 0,65), также демонстрировала шкала VIS score (AUC 0,8679) [19]. В ряде работ приемлемый уровень прогноза КШ демонстрировала шкала IABP-SHOCK II (AUC 0,71–0,79) [25]. В четвертой группе публикаций представлены результаты исследований, в которых были разработаны авторские шкалы прогноза КШ с использованием различных наборов клинико-лабораторных и инструментальных предикторов [23–29]. По метрике AUC точность этих прогностических инструментов соответствовала приемлемому уровню (0,76–0,8), но большинство из них не были валидированы на внешних выборках, а исследования имели высокий уровень предвзятости. Единственная работа этой группы с низким риском предвзятости была выполнена в 2020 г. на данных регистра GUSTО [23]. В этом исследовании прогноз ГЛ при КШ осуществлялся среди больных ИМ, у которых для реваскуляризации миокарда использовалась фармако-инвазивная стратегия. Пятая группа исследований была связана с использованием для прогнозирования КШ методов МО, позволяющих обрабатывать большие объемы данных и извлекать новые знания, уточняющие взаимосвязи потенциальных предикторов с конечной точкой. По данным нашего обзора, в анализируемых исследованиях для построения прогностических моделей чаще всего использовались базовые методы МО на основе логистических регрессий, преимуществом которых является прозрачность предсказательных решений, а недостатком — учет только линейных связей между предикторами и конечной точкой, что ограничивает их прогностический потенциал. Вместе с тем в последние годы для разработки прогностических моделей в клинической медицине привлекают современные МО на основе случайного леса, деревьев решений, стохастического градиентного бустинга, категориального бустинга, метода опорных векторов, искусственных нейронных сетей, ансамблей моделей и др. [8, 48]. Анализ публикаций указывает на возрастающий интерес авторов к использованию указанных технологий для оценки вероятности развития и исходов КШ. Результаты этих исследований в большинстве случаев демонстрировали хорошую прогностическую ценность разработанных моделей (0,8 < AUC = < 0,9), которая подтверждалась внешней валидацией. Необходимо также отметить, что к факторам, ограничивающим качество прогноза КШ, можно отнести небольшие выборки этих больных и выраженный количественный дисбаланс в группах миноритарного и мажоритарного классов. В ряде работ показано, что проблема дисбаланса может быть частично преодолена за счет создания синтетических образцов больных, аналогичных представителям миноритарного класса [49]. Важным направлением предиктивной аналитики в клинической медицине, в том числе для прогнозирования КШ, является разработка и использование новых технологий на основе объяснимого искусственного интеллекта и интерпретируемых моделей МО. К ним относят методы многоуровневой категоризации потенциальных предикторов, позволяющих верифицировать их пороговые значения, ранжирование предикторов по степени влияния на конечную точку, фенотипирование факторов риска неблагоприятных событий с выделением групп признаков, обладающих синергичным влиянием на результирующую переменную, верификация клинико-патогенетических фенотипов анализируемых патологических состояний [50]. В ряде работ показана целесообразность использования фенотипов факторов риска в качестве предикторов прогностических моделей неблагоприятных клинических событий в кардиологической практике. В анализируемых нами исследованиях для выделения фенотипов КШ чаще использовались методы кластеризации, которые, как правило, не обеспечивают полноценный отбор уникальных признаков, персонифицирующих клинические особенности КШ и детализирующих его прогноз. В нашем обзоре это подтверждалось недостаточной точностью генерируемых моделями заключений, связанных с фенотипами КШ. Использование для фенотипирования таких методов МО, как деревья решений, стохастический бустинг, искусственные нейронные сети, ассоциируется с повышением эффективности прогностических решений и возможностью их клинической интерпретации.
Ограничения обзора
Настоящий обзор имеет ряд ограничений. Включенные исследования характеризуются выраженной клинической и методологической гетерогенностью (различные популяции пациентов с КШ, различные этиология, стадии шока, горизонты прогноза и типы моделей), что не позволило выполнить метаанализ и ограничивает прямую сопоставимость результатов. В большинстве работ оценка прогностической эффективности ограничивалась показателями дискриминации (AUC) при практически полном отсутствии данных о калибровке моделей, что снижает их клиническую интерпретируемость. Значительная часть исследований имела ретроспективный и одноцентровой дизайн, небольшие выборки и выраженный дисбаланс классов, что повышает риск переобучения и оптимистической оценки точности. Внешняя валидация моделей выполнялась редко, а добавочная прогностическая ценность по сравнению с базовыми клиническими предикторами, как правило, не оценивалась. Кроме того, часть включенных работ была выполнена до внедрения современных концепций КШ (стадирование по SCAI и фенотип-ориентированные подходы [51]), что накладывает определенные ограничения на использование представленных в них результатов в клинической практике.
Заключение
Результаты систематического обзора научных исследований по оценке риска ГЛ у больных КШ свидетельствуют о значительной вариабельности показателей точности при использовании различных рискометрических инструментов и о необходимости совершенствования технологий прогнозирования. Инструменты прогнозирования, показавшие высокую ценность в оригинальных исследованиях, демонстрировали ее снижение при валидации на внешних выборках. Возможным вариантом увеличения точности прогнозирования ГЛ может быть применение современных методов объяснимого искусственного интеллекта и интерпретируемых моделей МО. Реализация такого подхода повышает качество персонификации рисков ГЛ и эффективность управления ими. Это в свою очередь создает условия для разработки востребованных в повседневной клинической практике специализированных информационных систем поддержки принятия решений для специалистов ОРИТ. Имплементация в структуру этих систем прогностических инструментов расширяет их возможности, что ассоциируется с повышением качества оказания медицинской помощи. К перспективным направлениям исследований по проблеме прогнозирования КШ можно отнести разработку интерпретируемых моделей МО на когортах больных с различными клиническими формами ОКС, кардиомиопатиями ишемического и неишемического генеза как на этапах, предшествующих его развитию, так и на ранних стадиях этого осложнения с учетом динамики изменений мониторируемых индикаторов функционального статуса больных и вариантов проводимой терапии.
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Disclosure. The authors declare no competing interests.
Вклад авторов. Все авторы в равной степени участвовали в разработке концепции статьи, получении и анализе фактических данных, написании и редактировании текста статьи, проверке и утверждении текста статьи.
Author contribution. All authors according to the ICMJE criteria participated in the development of the concept of the article, obtaining and analyzing factual data, writing and editing the text of the article, checking and approving the text of the article.
Этическое утверждение. Не требуется.
Ethics approval. Not required.
Информация о финансировании. Работа выполнена в рамках проекта Минобрнауки России FZNS-2023-0010 Госзадания Дальневосточного федерального университета.
Funding source. The study was financially supported by the Ministry of Science and Higher Education of the Russian Federation (the project FZNS-2023-0010 of the State Assignment of the Far Eastern Federal University [FEFU]).
Декларация о наличии данных. Условие доступа к данным неприменимо, новые данные не генерируются.
Data Availability Statement. Data sharing not applicable, no new data generated.
