Способ стратификации пожилых пациентов в возрасте 90 лет и старше по принадлежности к классу, выбранному из: мультиморбидный, сохранный, метаболический, дементный, низкофункциональный Российский патент 2024 года по МПК G16H10/00 

Введение

Изобретение относится к области медицины, а именно к гериатрии, и может быть использовано для стратификации пожилых пациентов в возрасте 90 лет и старше (долгожителей) на основе данных комплексной гериатрической оценки. Изобретение позволяет отнести долгожителя к одному из пяти фенотипов старения для дальнейшего выбора оптимальной терапевтической стратегии поддержания качества жизни пациента.

Старение - это неравномерный процесс: одни люди доживают до 90 лет, сохраняя физическую и умственную активность, другие умирают раньше от возраст-ассоциированных заболеваний. Более того, даже когорта долгожителей весьма разнородна, так как современная медицина в развитых странах позволяет людям достигнуть долголетия вне зависимости от наличия хронических заболеваний. Стратификация пациентов этой возрастной группы важна для определения подходящих подходов к терапии, поддержанию качества их жизни и персонализации медицинской помощи, что делает ее задачей множества исследователей и врачей-клиницистов.

При всем объеме проведенных исследований на тему фенотипов старения они мало имплементированы в реальную гериатрическую практику. В то же время существуют попытки встроить различные решения на основе машинного обучения в медицинскую систему помощи пожилым. Это касается не только непосредственно принятия врачебных решений (алгоритмы для этих целей существуют, например, в контексте онкологии пожилых ("How to Incorporate Geriatric Assessment in Clinical Decision-Making for Older Patients with Cancer. An Implementation Study" 2019; Kirkhus et al. 2017), но и повышения качества повседневной жизни. Так, акселерометры, встроенные в носимые устройства, могут быть источниками информации для алгоритма, который сообщает лечащему врачу или опекуну пациента с неврологическими расстройствами о частных падениях и других критических изменениях в активности пожилого человека (Nahiduzzaman et al. 2020).

Использование опросников для определения качества жизни пожилого человека и выдачи соответствующих рекомендаций также было уже совмещено с нейросетью, позволяющей учесть все параметры одновременно (Ahmadi and Nopour 2022). Одним из наиболее близких аналогов данного изобретения является иследование Маркуччи и соавторов, произведенное согласно публикации «Defining Aging Phenotypes and Related Outcomes: Clues to Recognize Frailty in Hospitalized Older Patients» (The Journals of Gerontology: Series A, 2017. В исследовании Маркуччи приводится иерархическая кластеризация 3915 пожилых пациентов 65 лет и старше из Италии и Испании, госпитализированных с 2010 по 2014 год и вошедших в регистр REPOSI. По результатам кластеризации авторы обнаруживают наличие в выборке четырех фенотипов старения и предлагают использовать такое разделение для стратификации пациентов при предсказании риска смертности во время неотложной госпитализации. Однако это исследование не предлагает инструментов или критериев, по которым новый пациент может быть отнесен к тому или другому фенотипу. Другим аналогом является инструмент для предсказания риска наличия деменции, созданный с использованием метода опорных векторов и опубликованный в статье Баттинени и соавторов «Machine learning in medicine: Performance calculation of dementia prediction by support vector machines (SVM)» (Informatics in Medicine Unlocked, 2019). В исследовании использовались данные о 150 пациентах в возрасте от 60 до 96 лет, для которых имелись результаты магниторезонансной томографии и результаты других методов оценки когнитивного статуса, в том числе баллы по шкале MMSE. Метод опорных векторов использовался Баттинени и соавторами для определения, к какому из трех классов (деменция, отсутствие деменции, переходный тип) относится исследуемый пациент. Однако в разработке Баттинени рассматривается только одно возраст-ассоциированное заболевание (деменция).

Перечень рисунков

Рисунок 1. Оценка качества классификатора на тестовой выборке.

Рисунок 2. Схема работы программного решения.

Рисунок 3. Оценка качества классификатора на валидационной выборке. А - валидация врачом 1. В - валидация врачом 2.

Рисунок 4. Матрица ошибок для валидации врачом 1.

Рисунок 5. Матрица ошибок для валидации врачом 2.

Описание

Перед авторами стояла задача определения фенотипа старения пациента, поступающего к врачу-гериатру, для облегчения процесса подбора правильной терапевтической стратегии и поддержания качества жизни.

Техническим результатом является разработанный нами способ стратификации пожилых пациентов в возрасте 90 лет и старше, позволяющий оценить текущий функциональный статус долгожителя на основе результатов обследования и тестирования по различным гериатрическим шкалам. Результатом работы калькулятора является вероятность попадания конкретного долгожителя в каждый из пяти фенотипических классов (мультиморбидный, сохранный, метаболический, дементный, низкофункциональный). На основании этих данных и своего профессионального опыта врач-гериатр может принять решение относительно выбора подходящего вида лечения или поддерживающей терапии на основе предложенных практических рекомендаций. Представленный способ стратификации пожилых пациентов в возрасте 90 лет и старше может стать основой для полноценной системы поддержки гериатрических решений, основанной на машинном обучении. В качестве способа стратификации пожилых пациентов в возрасте 90 лет и старше представлен мультиклассовый классификатор, созданный с помощью метода опорных векторов на базе библиотеки scikit-learn для языка программирования Python версии 3.9.12.

Для создания модели использовалась выборка из 2953 долгожителей, набранных в период с 2019 по 2022 год в совместном исследовании ФГБУ "ЦСП" ФМБА России и РГНКЦ РНИМУ им. Н.И. Пирогова Минздрава России, для которых была известна принадлежность к одному из пяти фенотипических классов: мультиморбидный, сохранный, метаболический, дементный, низкофункциональный. Исходная выборка была разделена на обучающую (80% участников) и тестовую (20% участников). В качестве предикторов использовались данные о наличии или отсутствии ССЗ, СД, ХОБЛ, онкологических заболеваний в настоящее время, полипрагмазии, а также следующие показатели: индекс массы тела, значение динамометрии справа, баллы MMSE, FAB, SPPB, Bartel, IADL, GDS-5. Предварительно все параметры были стандартизованы с помощью инструмента StandardScaler библиотеки scikit-learn.

Для оценки качества классификатора для каждого класса была построена ROC-кривая по принципу "один-против-остальных", а также рассчитана площадь по кривой (рис. 1).

Средняя площадь под ROC-кривой составила 0.9992. Отдельно для каждого фенотипа площади под ROC-кривыми, построенными по принципу "один-против-остальных" составили: 1 для сохранного, 0,9996 для мультиморбидного, 1 для метаболического, 0,9999 для дементного и 0,9967 для низкофункционального.

На рисунке 2 представлена общая схема работы программного решения. Ниже подробно описаны отдельные шаги, необходимые для воспроизведения способа стратификации пожилых пациентов в возрасте 90 лет и старше.

Шаг 1. Сбор данных о пациенте

Для каждого пациента создается вектор значений

X=[cvd, sd, hobl, onco, pol, dem, ast, imt, dinam, sppb, mmse, fab, bartel, iadl, gds], описание переменных вектора представлено в таблице 1.

Шаг 2. Нормализация данных.

Значение каждого элемента вектора X нормируется следующим образом:

где:

х - элемент вектора X (вектора исходных данных о пациенте)

u - среднее значение для переменной х, рассчитанное внутри обучающей выборки из таблицы 1

s - корень из дисперсии для переменной х, рассчитанной внутри обучающей выборки из таблицы 1

Вектор X' содержит все нормированные значения х', полученные на шаге 2.

Шаг 3. Расчет расстояний до опорных векторов.

Для каждого пациента проводится попарное сравнение классов с вычислением значения f_ij

где:

X' - нормированный вектор данных о пациенте;

SV_i - пространство опорных векторов для класса i (см. таблица 2 для класса 0, таблица 4 для класса 1, таблица 6 для класса 2, таблица 8 для класса 3, таблица 10 для класса 4);

SV_j - пространство опорных векторов для класса] (см. таблица 2 для класса 0, таблица 4 для класса 1, таблица 6 для класса 2, таблица 8 для класса 3, таблица 10 для класса 4);

- опорный вектор с индексом к или 1 из пространства SV_i или SV_j соответственно;

- дуальный коэффициент попарного сравнения классов i и j для опорного вектора с индексом к (см. таблица 3 для класса 0, таблица 5 для класса 1, таблица 7 для класса 2, таблица 9 для класса 3, таблица 11 для класса 4);

- дуальный коэффициент попарного сравнения классов j и i для опорного вектора с индексом (см. таблица 3 для класса 0, таблица 5 для класса 1, таблица 7 для класса 2, таблица 9 для класса 3, таблица 11 для класса 4);

b_ij - константа для попарного сравнения классов i и j из таблицы 12.

Шаг 4. Расчет вероятностей попадания пациента в определенную фенотипическую группу.

4.1. Попарные бинарные вероятности

Рассчитанные на шаге 2 значения f использовались для расчета попарных вероятностей, где Aij и Bij - коэффициенты из таблицы 12.

4.2. Итоговые вероятности

Итоговые вероятности р рассчитывались в ходе минимизации функции при обязательном выполнении условий и p_i≥0 для всех i.

Итоговым результатом работы классификатора Р является набор из 5 значений вероятностей наличия у пациентов следующих фенотипов: мультиморбидный, сохранный, метаболический, дементный, низкофункциональный.

Р - вектор вероятностей

Шаг 5. Клиническое решение на основе фенотипической группы.

Мультиморбидный фенотип

К долгожителям мультиморбидного фенотипа (фенотипический класс 0) относятся высокофункциональные пациенты, однако уже имеющие признаки старческой астении (SPPB<8). Среди них тоже превалируют пациенты с ССЗ, а также встречаются люди с ХОБЛ, онкологией, сахарным диабетом и деменцией. Явление мультиморбидности в целом рассматривается экспертами как маркер старения, так как одни и те же механизмы управляют старением и связанными с возрастом хроническими заболеваниями (Fabbri et al. 2015).

Мультиморбидность предполагает наличие двух или более заболеваний, которые могут и не находиться в причинно-следственной связи, это более широкое понятие, ориентированное на весь комплекс заболеваний пациента, а не на одно «основное» заболевание. Ряд исследований показал, что часть популяции имеет тенденцию к высокой восприимчивости сразу к нескольким заболеваниям, в то время как другие кажутся чрезвычайно устойчивыми. Возможно, объединение некоторых специфических заболеваний происходит не случайно. Известным примером кластеризации хронических состояний является хроническая обструктивная болезнь легких (ХОБЛ) как часть системного воспалительного синдрома связанная с прогрессирующим развитием атеросклероза (Savransky et al. 2007), остеопорозом (Inoue, Watanabe, and Okazaki 2016), хронической болезнью почек (Gaddam et al. 2016) и раком легких (Houghton 2013).

Мультиморбидность связана с ухудшением прогноза пациентов и высокими показателями инвалидности (Nunes et al. 2016). Медианная выживаемость составляет 926 дней.

С одной стороны, наличие большого количество одновременно обнаруживаемых заболеваний требует единовременного лечения каждого из них. С другой стороны, фармакологические схемы лечения могут стать обременительными для пациентов мультиморбидного фенотипа. Например, при лечении гипотетической 80-летней женщины с 6 хроническими заболеваниями (остеопороз, остеоартрит, сахарный диабет 2 типа, артериальная гипертензия, дислипидемия и ХОБЛ), с учетом всех клинических рекомендаций, будет назначено до 12 отдельных лекарственных средств, принимаемых 5 раз в течение дня. Подобная полипрагмазия влечет за собой серьезную проблему неблагоприятного лекарственного взаимодействия. Возникает так называемый «каскад назначений», когда побочные эффекты очередного лекарственного средства принимаются за новое заболевание, что приводит к дополнительным назначениям.

С учетом сложности курации пациентов мультиморбидного фенотипа, необходимо разработать концепцию «индивидуального подхода к пациенту» которая должна определять тактику их ведения. Основным принципом этой концепции является выделение приоритетного заболевания, лечение которого в данный момент времени позволит улучшить качество жизни пациента и прогноз его здоровья. В то же время необходимо осуществлять депрескрайбинг и выделять те аспекты уже назначенного лечения, которые могут быть прекращены ввиду ограниченной пользы или высокого риска нежелательных явлений.

Сохранный фенотип

Сохранный фенотип (фенотипический класс 1) определяет людей без признаков старческой астении. Это условно здоровые, высокофункциональные люди, демонстрирующие высокие баллы по всем гериатрическим шкалам. При этом среди них могут встречаться и незначительное количество людей с такими заболеваниями, как ХОБЛ, рак, сахарный диабет второго типа и даже деменция. Наличие сердечнососудистым заболеваний в целом характерно для большинства долгожителей, поэтому представленность этой группы патологий высока даже в сохранном кластере. Однако несмотря на наличие этих заболеваний, сохранные долгожители самостоятельны и не нуждаются в посторонней помощи в повседневной жизни. Высокие значения по шкалам Bartel (более 85) и Lowton IADL (не менее 4) также являются определяющими для сохранного фенотипа. Ожидаемо люди этой группы показывают наилучшую выживаемость (медианная выживаемость составляет 2300 дней с момента обследования).

Группа сохранных долгожителей в нашей выборке характеризуется относительно высоким процентом мужчин. Известно, что женщины в целом склонны чаще доживать до 90 лет, однако при этом сохраняют гораздо более низкую функциональность, в то время как дожившие до этого возраста мужчины обычно более здоровы (Di Lego, Di Giulio, and Luy 2020). Метаболический фенотип

Метаболический фенотип (фенотипический класс 2) определяет людей, для которых сахарный диабет второго типа является основным характерным заболеванием, помимо сердечно-сосудистых патологий и старческой астении. Метаболический фенотип близок по описанию к широко известному метаболическому синдрому, который связан с одновременным риском развития тяжелой артериальной гипертензии (АГ), СД, нарушений липидного обмена и ИБС (Mottillo et al. 2010; Dunkley et al. 2012). Также интересно, что долгожители этой группы часто имеют деменцию как сопутствующее заболевание. О коморбидности деменции и сахарного диабета говорит множество современных исследователей (Biessels and Despa 2018; Bellia et al. 2022; Hanyu 2019). Ожидаемо, участники с метаболическим фенотипом имеют больший ИМТ и чаще страдают ожирением, чем остальные. Для них также характерны повышенные показатели углеводного обмена, такие как уровень гликированного гемоглобина и глюкозы.

Несмотря на известную корреляцию между синдромом хрупкости и метаболическим синдромом в стареющей популяции (Buchmann et al. 2019), в нашем исследовании долгожители в группе с метаболическим фенотипом оказались относительно функционально сохранными. Медианная выживаемость составила 1249 дней. Для метаболического фенотипа, как и для мультиморбидного, подходы к лечению должны также разрабатываться индивидуально в связи с возможным наличием сопутствующих заболеваний. При этом контроль углеводного обмена в данном случае может и не оказаться ключевым звеном в поддержании качества жизни долгожителя. В исследовании Greenfield было показано, что у пациентов с СД 2 типа и сопутствующими заболеваниями имеет место меньшая польза от интенсивного контроля уровня глюкозы в отношении сердечно-сосудистого риска и следует активнее использовать другие технологии для улучшения прогноза пациентов (Greenfield et al. 2009). Подход к ведению пациентов с метаболическим фенотипом старения должен основываться в том числе и на модификации образа жизни, и введении нефармакологического лечения как возможной альтернативы лекарственной терапии.

Дементный фенотип

Дементный фенотип (фенотипический класс 3) собрал в себя только тех долгожителей, для которых деменция была самостоятельным заболеванием, не ассоциированным с другими гериатрическими синдромами. Медианная выживаемость составляет 694 дня. Было показано увеличение уровня гомоцистеина в группе с дементным фенотипом, что соотносится с консенсусным заявлением, сделанным группой исследователей в 2018 году (David Smith et al. 2018). Снижение уровня гомоцистеина является потенциальным способом снижения рисков развития когнитивного снижения в пожилом возрасте. Подходы к лечению пациентов с дементным фенотипом включают как лекарственные, так и немедикаментозные методы и подразумевают коррекцию не только когнитивных, но и других некогнитивных нервнопсихических (поведенческих, психотическиих, эмоционально-аффективных) нарушений. Для дементного фенотипа определяющим шагом будет формирование новой модели медицинской помощи, включающей специальные подразделения: кабинеты и клиники памяти, кабинеты гериатра, психолога и специалиста по социальной помощи, пансионаты для пожилых по уходу за больными с деменцией и многое другое.

Важным аспектом помощи пациентам дементного фенотипа является когнитивная стимуляция, которая позволяет более интенсивно задействовать когнитивный резерв. Предложено множество техник когнитивного стимулирования: с применением когнитивного тренинга и нейроинтерфейсных технологий и др. Основные компоненты когнитивного тренинга включают упражнения на распределение, переключаемость, концентрацию внимания, упражнения на полисенсорное взаимодействие, мнемотехники (Bahar-Fuchs, Clare, and Woods 2013; Turnbull et al. 2022). Нейроинтерфейсные технологии - это семейство технологий, которые погружают пользователей в сенсорно стимулирующие виртуальные среды (Freeman et al. 2017). Программы когнитивного обучения в виртуальной реальности подтвердили, что когнитивные тренировки в виртуальной реальности улучшают не только когнитивные функции людей и их эмоциональные, но и их повседневные жизненные способности (Freeman et al. 2017; Bauer and Andringa 2020).

Низкофункиональный фенотип

Низкофункциональный фенотип (фенотипический класс 4) описывает людей с ярко выраженной старческой астенией (SPPB<2) и сильной зависимостью от посторонней помощи. Для данного класса характерен высокий уровень ферритина в крови по сравнению с остальными. Ранее повышение уровня ферритина в крови уже было ассоциировано с высоким риском смертности в разных популяциях (Karaboyas et al. 2018), однако тогда речь шла о более значительных изменениях по данному показателю. Тем не менее, в нашем исследовании низкофункциональный кластер ожидаемо показал самый высокий уровень смертности (медианная выживаемость составляет 597 дней). С учетом того, что группа долгожителей с низкофункциональным фенотипом содержит участников более старшего возраста, можно предположить, что этот фенотип является конечным этапом для других. Однако однозначно утверждать это можно только в продолжительном исследовании. Ожидаемая продолжительность жизни является ключевым параметром, на который обращает внимание врач при выборе подхода к лечению пациента с низкофункциональным фенотипом. Она должна сопоставляться с приоритетами пациента и его родственников или опекунов (выживание, независимость, обезболивание и облегчение симптомов, потребность в паллиативной помощи). При выборе метода лечения приходится тщательно взвешивать ожидаемые выгоды и возможные недостатки и вред. Прогноз пациентов данного фенотипа тесно определяется в первую очередь уровнем функционирования, а также степенью физических, когнитивных, биологических и социальных нарушений. Учитывая весь спектр проблем пациента модель медицинской помощи должна включать в себя взаимодействие множества служб, таких как патронаж, система долговременного ухода, дома престарелых, пансионаты, паллиатив, хоспис.

Применение способа стратификации пожилых пациентов в возрасте 90 лет и старше

Для валидации калькулятора использовались данные о 96 долгожителях, набор которых производился в 2023 году. Баллы по гериатрическим шкалам и данные о наличии у участников возраст-ассоциированных заболеваний были переданы на вход калькулятору фенотипов старения. В качестве "решения" калькулятора для каждого участника был выбран кластер, вероятность попадания в который по результатам работы модели оказалась наибольшей.

Параллельно вся информация об этих 96 долгожителях была передана врачам-гериатрам амбулаторного и стационарного отделений РГНКЦ, которые выносили решение о наличии у участника определенного фенотипа старения. Затем врачебные заключения сравнивались с результатами работы модели с использованием следующих метрик: accuracy, precision, recall, F-метрика. Для результатов на валидационной выборке также были построены ROC-кривые по принципу "один-против-остальных" (Рис. 3, Табл. 13, 14). Матрицы ошибок приведены на рисунках 4 и 5. Средняя площадь под ROC-кривой для валидационных фенотипов, представленных врачом 1, составила 0,923 (Рис. 3А), врачом 2-0,954 (Рис. 3В).

Пример 1. Пациент 1, мужчина, в возрасте 92 лет поступает к врачу-гериатру. Врач проводит комплексную гериатрическую оценку Пациента 1 (сбор анамнеза и тестирование по гериатрическим шкалам: MMSE, FAB, SPPB, Bartel, Lowton, GDS-5). О пациенте известно, что у него имеются атеросклероз (сердечно-сосудистое заболевание), сахарный диабет и полипрагмазия. Хроническая абструктивная болезнь легких и рак отсутствуют. Индекс массы тела пациента равен 32,4, динамометрический показатель правой руки - 13 кг/м. Пациент 1 показывает следующие результаты по гериатрическим шкалам: MMSE=29, FAB=11, SPPB=3, Bartel=90, Lowton IADL=1, GDS-5=4. Исходя из результатов тестирования по MMSE и SPPB, у Пациента 1 отсутсвует деменция и присутствует старческая астения. Таким образом, исходный вектор значений для пациента 1 имеет вид: Х=[1; 1; 0; 0; 1; 0; 1; 32,4; 13; 3; 29; 11; 90; 1; 4]. Врач передает калькулятору фенотипов старения на вход вектор X. Разработанная модель первым делом стандартизует значения вектора X, вычитая из них среднее по обучающей выборке и деля их на стандартное отклонение по обучающей выборке. Далее для стандартизованного вектора значений производятся 10 попарных сравнений фенотипов (см. Шаг 3) и рассчитываются 10 попарных вероятностей (см. Шаг 4.1). Итогом работы калькулятора является набор из пяти вероятностей попадания Пациента 1 в каждый из фенотипических классов: 0,0005 для мультиморбидного, 0,0011 для сохранного, 0,9962 для метаболического, 0,0012 для дементного и 0,001 для низкофункционального. Максимальная вероятность показана для наличия у Пациента 1 метаболического фенотипа старения, что соотносится с заключением врача-гериатра. На основании данного заключения врач может предложить Пациенту 1 терапевтическую стратегию, которая включает регуляцию углеводного обмена и модификацию образа жизни.

Пример 2. Пациент 2, женщина, в возрасте 97 лет поступает к врачу-гериатру. Врач проводит комплексную гериатрическую оценку Пациента 2 (сбор анамнеза и тестирование по гериатрическим шкалам: MMSE, FAB, SPPB, Bartel, Lowton, GDS-5). О пациенте известно, что у него имеются сердечная недостаточность (сердечнососудистое заболевание), сахарный диабет, полипрагмазия и хроническая абструктивная болезнь легких. Рак отсутствует. Индекс массы тела пациента равен 22,5, динамометрический показатель правой руки - 11 кг/м. Пациент 2 показывает следующие результаты по гериатрическим шкалам: MMSE=19, FAB=7, SPPB=3, Bartel=15, Lowton IADL=1, GDS-5=4. Исходя из результатов тестирования по MMSE и SPPB, у Пациента 2 присутствуют деменция и старческая астения. Таким образом, исходный вектор значений для пациента 2 имеет вид: Х=[1; 1; 1; 0; 1; 1; 1; 22,5; 11; 3; 19; 7; 15; 1; 4]. Врач передает калькулятору фенотипов старения на вход вектор X. Разработанная модель первым делом стандартизует значения вектора X, вычитая из них среднее по обучающей выборке и деля их на стандартное отклонение по обучающей выборке. Далее для стандартизованного вектора значений производятся 10 попарных сравнений фенотипов (см. Шаг 3) и рассчитываются 10 попарных вероятностей (см. Шаг 4.1). Итогом работы калькулятора является набор из пяти вероятностей попадания Пациента 2 в каждый из фенотипических классов: 0,0714 для мультиморбидного, 0,0068 для сохранного, 0,0054 для метаболического, 0,0067 для дементного и 0,9097 для низкофункционального. Максимальная вероятность показана для наличия у Пациента 2 низкофункционального фенотипа старения, что соотносится с заключением врача-гериатра. На основании данного заключения врач может предложить Пациенту 2 паллиативную помощь.

Пример 3. Пациент 3, женщина, в возрасте 90 лет поступает к врачу-гериатру. Врач проводит комплексную гериатрическую оценку Пациента 3 (сбор анамнеза и тестирование по гериатрическим шкалам: MMSE, FAB, SPPB, Bartel, Lowton, GDS-5). О пациенте известно, что у него имеются аритмия (сердечно-сосудистое заболевание), и полипрагмазия. Рак, сахарный диабет и хроническая абструктивная болезнь легких отсутствуют. Индекс массы тела пациента равен 23,0, динамометрический показатель правой руки - 18 кг/м. Пациент 3 показывает следующие результаты по гериатрическим шкалам: MMSE-30, FAB=15, SPPB=8, Bartel=98, Lowton IADL=4, GDS-5=1. Исходя из результатов тестирования по MMSE и SPPB, у Пациента 3 отсутствуют деменция и старческая астения. Таким образом, исходный вектор значений для пациента 3 имеет вид: Х=[1; 0; 0; 0; 1; 0; 0; 23; 18; 8; 30; 15; 98; 4; 1]. Врач передает калькулятору фенотипов старения на вход вектор X. Разработанная модель первым делом стандартизует значения вектора X, вычитая из них среднее по обучающей выборке и деля их на стандартное отклонение по обучающей выборке. Далее для стандартизованного вектора значений производятся 10 попарных сравнений фенотипов (см. Шаг 3) и рассчитываются 10 попарных вероятностей (см. Шаг 4.1). Итогом работы калькулятора является набор из пяти вероятностей попадания Пациента 3 в каждый из фенотипических классов: 0 для мультиморбидного, 0,9976 для сохранного, 0,0008 для метаболического, 0,0009 для дементного и 0,0007 для низкофункционального. Максимальная вероятность показана для наличия у Пациента 3 сохранного фенотипа старения, что соотносится с заключением врача-гериатра. На основании данного заключения Пациент 3 в настоящий момент не нуждается в терапевтической помощи.

Пример 4. Пациент 4, мужчина, в возрасте 95 лет поступает к врачу-гериатру. Врач проводит комплексную гериатрическую оценку Пациента 4 (сбор анамнеза и тестирование по гериатрическим шкалам: MMSE, FAB, SPPB, Bartel, Lowton, GDS-5). О пациенте известно, что у него имеются сердечная недостаточность (сердечно-сосудистое заболевание), сахарный диабет, полипрагмазия и хроническая абструктивная болезнь легких. Рак отсутствует. Индекс массы тела пациента равен 24, динамометрический показатель правой руки - 13 кг/м. Пациент 4 показывает следующие результаты по гериатрическим шкалам: MMSE=30, FAB=14, SPPB=5, Bartel=85, Lowton IADL=4, GDS-5=2. Исходя из результатов тестирования по MMSE и SPPB, у Пациента 4 отсутствует деменция и присутствует старческая астения. Таким образом, исходный вектор значений для пациента 1 имеет вид: Х=[1; 1; 1; 0; 1; 0; 1; 24; 13; 5; 30; 14; 85; 4; 2]. Врач передает калькулятору фенотипов старения на вход вектор X. Разработанная модель первым делом стандартизует значения вектора X, вычитая из них среднее по обучающей выборке и деля их на стандартное отклонение по обучающей выборке. Далее для стандартизованного вектора значений производятся 10 попарных сравнений фенотипов (см. Шаг 3) и рассчитываются 10 попарных вероятностей (см. Шаг 4.1). Итогом работы калькулятора является набор из пяти вероятностей попадания Пациента 4 в каждый из фенотипических классов: 0,9976 для мультиморбидного, 0,0006 для сохранного, 0,0008 для метаболического, 0,0008 для дементного и 0,0002 для низкофункционального. Максимальная вероятность показана для наличия у Пациента 4 мультиморбидного фенотипа старения, что соотносится с заключением врача-гериатра. На основании данного заключения врач может предложить Пациенту 4 терапевтическую стратегию, направленную на одновременное лечение нескольких заболеваний, характерных для пациента (сердечная недостаточность, сахарный диабет и ХОБЛ).

Пример 5. Пациент 5, женщина, в возрасте 93 лет поступает к врачу-гериатру. Врач проводит комплексную гериатрическую оценку Пациента 5 (сбор анамнеза и тестирование по гериатрическим шкалам: MMSE, FAB, SPPB, Bartel, Lowton, GDS-5). О пациенте известно, что у него имеются атеросклероз (сердечно-сосудистое заболевание) и полипрагмазия. Рак, сахарный диабет отсутствует и хроническая абструктивная болезнь легких. Индекс массы тела пациента равен 20, динамометрический показатель правой руки - 10 кг/м. Пациент 5 показывает следующие результаты по гериатрическим шкалам: MMSE=15, FAB=5, SPPB=3, Bartel=40, Lowton IADL=2, GDS-5=4. Исходя из результатов тестирования по MMSE и SPPB, у Пациента 5 присутствуют деменция и старческая астения. Таким образом, исходный вектор значений для пациента 1 имеет вид: Х=[1; 0; 0; 0; 1; 1; 1; 20; 10; 3; 15; 5; 40; 2; 4]. Врач передает калькулятору фенотипов старения на вход вектор X. Разработанная модель первым делом стандартизует значения вектора X, вычитая из них среднее по обучающей выборке и деля их на стандартное отклонение по обучающей выборке. Далее для стандартизованного вектора значений производятся 10 попарных сравнений фенотипов (см. Шаг 3) и рассчитываются 10 попарных вероятностей (см. Шаг 4.1). Итогом работы калькулятора является набор из пяти вероятностей попадания Пациента 5 в каждый из фенотипических классов: 0,0010 для мультиморбидного, 0,0007 для сохранного, 0,0014 для метаболического, 0,9967 для дементного и 0,0003 для низкофункционального. Максимальная вероятность показана для наличия у Пациента 5 дементного фенотипа старения, что соотносится с заключением врача-гериатра. На основании данного заключения врач может предложить Пациенту 5 когнитивную стимуляцию с применением когнитивного тренинга и нейроинтерфейсных технологий.

Список литературы:

Ahmadi, Maryam, and Raoof Nopour. 2022. "Clinical Decision Support System for Quality of Life among the Elderly: An Approach Using Artificial Neural Network". BMC Medical Informatics and Decision Making 22 (1): 1-15.

Bahar-Fuchs, Alex, Linda Clare, and Bob Woods. 2013. "Cognitive Training and Cognitive. Rehabilitation for Mild to Moderate Alzheimer's Disease and Vascular Dementia". Cochrane Database of Systematic Reviews 2013 (6): CD003260.

Bauer, Anna Cornelia Maria, and Gerda Andringa. 2020. "The Potential of Immersive Virtual Reality for Cognitive Training in Elderly." Gerontology 66 (6): 614-23.

Bellia, Chiara, Mauro Lombardo, Marco Meloni, David Della-Morte, Alfonso Bellia, and Davide Lauro. 2022. "Diabetes and Cognitive Decline." Advances in Clinical Chemistry 108: 37-71.

Biessels, Geert Jan, and Florin Despa. 2018. "Cognitive Decline and Dementia in Diabetes Mellitus: Mechanisms and Clinical Implications." Nature Reviews. Endocrinology 14 (10): 591-604.

Buchmann, Nikolaus, D. Spira, M. Konig, I. Demuth, and E. Steinhagen-Thiessen. 2019. "Frailty and the Metabolic Syndrome - Results of the Berlin Aging Study II (BASE-II)." The Journal of Frailty & Aging 8 (4): 169-75.

David Smith, A., Helga Refsum, Teodoro Bottiglieri, Michael Fenech, Babak Hooshmand, Andrew McCaddon, Joshua W. Miller, Irwin H. Rosenberg, and Rima Obeid. 2018. "Homocysteine and Dementia: An International Consensus Statement." Journal of Alzheimer's Disease: JAD 62 (2): 561.

Di Lego, Vanessa, Paola Di Giulio, and Marc Luy. 2020. "Gender Differences in Healthy and Unhealthy Life Expectancy." In International Handbook of Health Expectancies, edited by Carol Jagger, Eileen M. Crimmins, Yasuhiko Saito, Renata Tiene De Carvalho Yokota, Herman Van Oyen, and Jean-Marie Robine, 151-72. Cham: Springer International Publishing.

Dunkley, A. J., K. Charles, L. J. Gray, J. Camosso-Stefinovic, M. J. Davies, and K. Khunti. 2012. "Effectiveness of Interventions for Reducing Diabetes and Cardiovascular Disease Risk in People with Metabolic Syndrome: Systematic Review and Mixed Treatment Comparison Meta-Analysis." Diabetes, Obesity & Metabolism 14 (7): 616-25.

Fabbri, Elisa, Marco Zoli, Marta Gonzalez-Freire, Marcel E. Salive, Stephanie A. Studenski, and Luigi Ferrucci. 2015. "Aging and Multimorbidity: New Tasks, Priorities, and Frontiers for Integrated Gerontological and Clinical Research." Journal of the American Medical Directors Association 16 (8): 640-47.

Freeman, D., S. Reeve, A. Robinson, A. Ehlers, D. Clark, B. Spanlang, and M. Slater. 2017. "Virtual Reality in the Assessment, Understanding, and Treatment of Mental Health Disorders." Psychological Medicine 47 (14): 2393-2400.

Gaddam, Swarna, Sameer K. Gunukula, James W. Lohr, and Pradeep Arora. 2016. "Prevalence of Chronic Kidney Disease in Patients with Chronic Obstructive Pulmonary Disease: A Systematic Review and Meta-Analysis." BMC Pulmonary Medicine 16 (1): 158.

Greenfield, Sheldon, John Billimek, Fabio Pellegrini, Monica Franciosi, Giorgia De Berardis, Antonio Nicolucci, and Sherrie H. Kaplan. 2009. "Comorbidity Affects the Relationship between Glycemic Control and Cardiovascular Outcomes in Diabetes: A Cohort Study." Annals of Internal Medicine 151 (12): 854-60.

Hanyu, Haruo. 2019. "Diabetes-Related Dementia." Advances in Experimental Medicine and Biology 1128: 147-60.

Houghton, A. Mcgarry. 2013. "Mechanistic Links between COPD and Lung Cancer." Nature Reviews. Cancer 13 (4): 233-45.

"How to Incorporate Geriatric Assessment in Clinical Decision-Making for Older Patients with Cancer. An Implementation Study." 2019. Journal of Geriatric Oncology 10 (6):951-59.

Inoue, Daisuke, Reiko Watanabe, and Ryo Okazaki. 2016. "COPD and Osteoporosis: Links, Risks, and Treatment Challenges." International Journal of Chronic Obstructive Pulmonary Disease 11 (March): 637-48.

Karaboyas, Angelo, Hal Morgenstern, Ronald L. Pisoni, Jarcy Zee, Raymond Vanholder, Stefan H. Jacobson, Masaaki Inaba, Lisa C. Loram, Friedrich K. Port, and Bruce M. Robinson. 2018. "Association between Serum Ferritin and Mortality: Findings from the USA, Japan and European Dialysis Outcomes and Practice Patterns Study." Nephrology, Dialysis, Transplantation: Official Publication of the European Dialysis and Transplant Association - European Renal Association 33 (12): 2234-44.

Kirkhus, Lene, Siri Rostoft, Bj0rn Henning Granberg, Marianne J. Hjermstad, Geir Selbask, Torgeir B. Wyller, Magnus Harneshaug, and Marit S. Jordh0y. 2017. "Geriatric Assessment Is Superior to Oncologists' Clinical Judgement in Identifying Frailty." British Journal of Cancer 117 (4): 470-77.

Mottillo, Salvatore, Kristian B. Filion, Jacques Genest, Lawrence Joseph, Louise Pilote, Paul Poirier, Stephane Rinfret, Ernesto L. Schiffrin, and Mark J. Eisenberg. 2010. "The Metabolic Syndrome and Cardiovascular Risk a Systematic Review and Meta-Analysis." Journal of the American College of Cardiology 56 (14): 1113-32.

Nahiduzzaman, Md, Moumitu Tasnim, Nishat Tasnim Newaz, M. Shamim Kaiser, and Mufti Mahmud. 2020. "Machine Learning Based Early Fall Detection for Elderly People with Neurological Disorder Using Multimodal Data Fusion." Brain Informatics, 204-14.

Nunes, Bruno Pereira, Thayna Ramos Flores, Gregore Iven Mielke, Elaine Thume, and Luiz Augusto Facchini. 2016. "Multimorbidity and Mortality in Older Adults: A Systematic Review and Meta-Analysis." Archives of Gerontology and Geriatrics 67 (August): 130-38.

Savransky, Vladimir, Ashika Nanayakkara, Jianguo Li, Shannon Bevans, Philip L. Smith, Annabelle Rodriguez, and Vsevolod Y. Polotsky. 2007. "Chronic Intermittent Hypoxia Induces Atherosclerosis." American Journal of Respiratory and Critical Care Medicine 175 (12): 1290-97.

Turnbull, Adam, Aaron Seitz, Duje Tadin, and Feng Vankee Lin. 2022. "Unifying Framework for Cognitive Training Interventions in Brain Aging." Ageing Research Reviews 81 (November): 101724.

Изобретение относится к области медицины, а именно к гериатрии, и может быть использовано для стратификации пожилых пациентов в возрасте 90 лет и старше (долгожителей) на основе данных комплексной гериатрической оценки. Предложен способ, в котором собирают информацию о пациенте (наличие сердечно-сосудистых заболеваний, сахарного диабета, рака, хронической обструктивной болезни легких, полипрагмазии, старческой астении, деменции, индекс массы тела, значение динамометрии справа, баллы по шкалам MMSE, FAB, Bartel, Lowton, SPPB, GDS-5). Далее стандартизуют каждую переменную, вычитая из нее среднее и деля на корень из дисперсии, полученные для обучающей выборки и представленные в таблице 1. Вектор стандартизованных переменных подается на вход алгоритму, использующему метод опорных векторов для определения фенотипического класса долгожителей по математической формуле. Рассчитанные значения используются для расчета попарных вероятностей, где итоговые вероятности наличия у пациента каждого из пяти фенотипов старения рассчитываются в ходе минимизации функции при обязательном выполнении заданных условий. Изобретение обеспечивает стратификацию пожилых пациентов в возрасте 90 лет и старше, позволяющую оценить текущий функциональный статус долгожителя на основе результатов обследования и тестирования по различным гериатрическим шкалам. 5 ил., 14 табл.

Способ стратификации пожилых пациентов в возрасте 90 лет и старше по принадлежности к классу, выбранному из: мультиморбидный, сохранный, метаболический, дементный, низкофункциональный, предусматривающий сбор следующей информации о пациенте: наличие сердечно-сосудистых заболеваний, сахарного диабета, онкологических заболеваний, хронической обструктивной болезни легких, полипрагмазии, старческой астении, деменции, значения индекса массы тела и динамометрии справа, баллы по шкалам MMSE, FAB, Bartel, Lowton, SPPB, GDS-5; стандартизацию переменных; определение фенотипического класса долгожителей по формуле:

где: X' - нормированный вектор данных о пациенте, SV_i, SVj - пространства опорных векторов для классов i и j, описанные в таблицах 2, 4, 6, 8, 10, X_k, - опорные вектора с индексами k и из пространств SV_i или SVj соответственно, - дуальный коэффициент попарного сравнения классов i и j для опорного вектора с индексом k из таблиц 3, 5, 7, 9, 11, - дуальный коэффициент попарного сравнения классов j и i для опорного вектора с индексом из таблиц 3, 5, 7, 9, 11, b_ij - константа для попарного сравнения классов i и j; расчет попарных вероятностей по формуле:

где A_ij и B_ij - величины из таблицы 12, ƒ_ij - величина, полученная на предыдущем этапе; использование полученных попарных вероятностей r_ij для получения итоговых вероятностей р наличия у пациента каждого из пяти фенотипов старения в ходе минимизации функции при обязательном выполнении условий и p_i≥0 для всех i, где i - номер фенотипического класса, p_i - вероятность наличия у долгожителя данного фенотипа; принятие клинического решения на основе фенотипа с максимальной вероятностью.