СПОСОБ ОПРЕДЕЛЕНИЯ ВЕРОЯТНОСТИ НАЛИЧИЯ ГЕНЕТИЧЕСКИ ВЕРИФИЦИРОВАННОГО СИНДРОМА МНОЖЕСТВЕННЫХ ЭНДОКРИННЫХ НЕОПЛАЗИЙ 1 ТИПА СРЕДИ ПАЦИЕНТОВ С ЕГО ФЕНОКОПИЯМИ Российский патент 2025 года по МПК A61B5/16 G01N33/574 A61B6/00 G16H50/00 

Область техники, к которой относится изобретение

Изобретение относится к медицине, а именно к эндокринологии, и может быть использовано в клинической практике для прогнозирования вероятности наличия генетически верифицированного синдрома множественных эндокринных неоплазий 1 типа (МЭН-1) среди пациентов с клиническими проявлениями МЭН-1 (фенокопиями).

Уровень техники

Синдром множественных эндокринных неоплазий 1 типа (МЭН-1; OMIM #131100) представляет собой редкое аутосомно-доминантное заболевание, вызванное мутациями в гене-супрессоре опухолей MEN1, кодирующем белок менин [Agarwal SK. Multiple endocrine neoplasia type 1. Front Horm Res. 2013;41:1-15. doi: 10.1159/000345666]. Распространенность синдрома МЭН-1, по оценкам большинства исследований, составляет примерно 3-20/100 тыс. человек. Заболевание поражает все возрастные группы пациентов и имеет высокую степень пенетрантности. Таким образом к пятому десятилетию клинические и биохимические проявления заболевания развиваются у более чем 98% пациентов с МЭН-1. Заболевание характеризуется сочетанием опухолей околощитовидных желез (ОЩЖ), нейроэндокринных опухолей (НЭО) желудочно-кишечного тракта (чаще всего поджелудочной железы), гипофиза, а также других эндокринных и неэндокринных опухолевых образований [Al-Salameh A, Cadiot G, Calender A, Goudet Р, Chanson P. Clinical aspects of multiple endocrine neoplasia type 1. Nat Rev Endocrinol. 2021; 17(4):207-224. doi: 10.1038/s41574-021-00468-3.].

Для диагностики синдрома МЭН-1 необходимо проведение генетического тестирования. В соответствии с клиническими рекомендациями диагноз МЭН-1 можно заподозрить при сочетании двух или более классических проявлений синдрома, или при наличии у пациента по крайней мере одной МЭН-1-ассоциированной опухоли, у которого есть родственник первой степени родства с генетически подтвержденным МЭН-1. Также показаниями для проведения генетического тестирования являются бессимптомные родственники первой степени родства человека с генетически подтвержденным МЭН-1, пациенты с 2 и более опухолями ОЩЖ или аденомой ОЩЖ в возрасте до 30 лет, а также пациенты с гастриномой или множественными образованиями поджелудочной железы в любом возрасте [Thakker RV, Newey PJ, Walls GV, et al. Clinical practice guidelines for multiple endocrine neoplasia type 1 (MEN1). J Clin Endocrinol Metab. 2012;97(9):2990-3011. doi:10.1210/jc.2012-1230.]. Встречающиеся терминальные мутации в гене MEN1, как в семейных (около 90%), так и в спорадических случаях (около 10%) синдрома МЭН-1, рассеяны по всей кодирующей области и сайтам сплайсинга [Giusti F, Cianferotti L, Boaretto F, et al. Multiple endocrine neoplasia syndrome type 1: institution, management, and data analysis of a nationwide multicenter patient database. Endocrine. 2017;58(2):349-359. doi:10.1007/s12020-017-1234-4.]. Тем не менее от 5% до 10% пациентов с клиническими проявлениями МЭН-1 не имеют мутаций в кодирующей области MEN1. Если у пациента с клиническими проявлениями МЭН-1 все-таки не удалось обнаружить мутацию, то данное состояние считается фенокопией синдрома МЭН-1. Причина сочетания нескольких эндокринных МЭН-1-ассоциированных опухолей у таких пациентов остается не до конца изученной, и как возможным основанием возникновения такого фенотипа могут быть рассмотрены мутации в таких генах, как CDKN1A, CDKN1B, CDKN2B, CDKN2C, CDC73, CASR, RET, AIP, эпигенетические изменения [Мамедова Е.О., Мокрышева Н.Г., Пигарова Е.А., Пржиялковская Е.Г., Васильев Е.В., Петров В.М., Дзеранова Л.К., Молитвословова Н.Н., Рожинская Л.Я., Тюльпаков А.Н., Мельниченко Г.А. Фенокопии синдрома множественных эндокринных неоплазий 1 типа: роль генов, ассоциированных с развитием аденом гипофиза. Проблемы Эндокринологии. 2016;62(4):4-10. https://doi.org/10.14341/probl20166244-10]. Наиболее часто при фенокопиях синдрома МЭН-1 имеется сочетание аденомы гипофиза (чаще - соматотропиномы) и опухоли ОЩЖ (приводящей к развитию первичного гиперпаратиреоза (ПГПТ)). Это связано с распространенностью как ПГПТ, так и аденом гипофиза: за последние два десятилетия частота ПГПТ увеличилась с 76 до 233 на 100000 женщин и с 30 до 85 на 100000 мужчин [Yeh MW, Ituarte РН, Zhou НС, Nishimoto S, Liu IL, Harari A, Haigh PI, Adams AL. Incidence and prevalence of primary hyperparathyroidism in a racially mixed population. J Clin Endocrinol Metab. 2013 Mar;98(3):1122-9. doi: 10.1210/jc.2012-4022. Epub 2013 Feb 15. PMID: 23418315; PMCID: PMC3590475.], а опухоли гипофиза выявляются в более чем в 25% аутопсий и у 20% населения, подвергающихся внутричерепной визуализации [Daly AF, Tichomirowa MA, Beckers A. The epidemiology and genetics of pituitary adenomas. Best Pract Res Clin Endocrinol Metab. 2009;23(5):543-554. doi:10.1016/j.beem.2009.05.008]. Следовательно, вероятность развития у пациентов случайного сочетания опухолей ОЩЖ и гипофиза, которые соответствуют клиническим критериям синдрома МЭН-1, также возрастает.

Таким образом, если при рутинном методе генетического тестирования, мультиплексной амплификации лигированных зондов отсутствуют мутации в гене MEN1, то необходимо исключать мутации в промоторе и прочих нетранслируемых областях гена MEN1, мутации в таких генах, как CDKN1A, CDKNIB, CDKN2B, CDKN2C, CDC73, CASR, RET, AIP, PRKAR1A, GNAS, PRKCA, P0U1F1, также возможно проведение полноэкзомного, полногеномного секвенирования для исключения других еще неизвестных генов, способных вызывать МЭН-1-ассоциированные проявления [Brandi ML, Agarwal SK, Perrier ND, Lines KE, Valk GD, Thakker RV. Multiple Endocrine Neoplasia Type 1: Latest Insights. Endocr Rev. 2021;42(2):133-170. doi:10.1210/endrev/bnaa031].

При всем при этом сомнительно, что пациенты с фенотипом МЭН-1 и отсутствием мутаций подвержены риску развития других опухолей, ассоциированных с МЭН-1, и что их тактика ведения должна включать долгосрочный регулярный инструментальный и лабораторный скрининг, который рекомендуется пациентам с генетически подтвержденным синдромом МЭН-1, а также тестирование их родственников. Таким образом, учитывая потенциальную распространенность случайного сочетания фенотипа МЭН-1, ограниченную доступность специализированного генетического анализа имеет первостепенное значение в раннем выявлении пациентов, которым необходимо проведение генетического тестирования, в том числе не только доступными методами.

Из уровня техники известен способ прогнозирования наличия мутации в гене MEN1 на основании клинического фенотипа пациентов с первичным гиперпаратиреозом при помощи логистической регрессионной модели, основанной на данных 206 пациентов (n=22, с ПГПТ и наличием мутации в гене MEN1; n=89, со спорадическим ПГПТ и фенокопиями синдрома МЭН-1 без мутации в гене MEN1) и включивший 8 переменных-предикторов (возраст манифестации ПГПТ; наличие в анамнезе аденомы гипофиза; наличие в анамнезе НЭО ЖКТ; отягощенная наследственность; количество образований, выявленных с помощью методов дооперационной топической диагностики ≥2; количество образований, выявленных интраоперационно ≥2; гистологическая характеристика образований; отсутствие ремиссии ПГПТ) [Мокрышева Н.Г., Еремкина А.К., Милютина А.П., и др. Прогнозирование наличие мутации в гене MEN1 на основании клинического фенотипа пациентов с первичным гиперпаратиреозом // Проблемы эндокринологии. - 2023. - Т. 69. - №5. - С. 4-15. doi: https://doi.org/10.14341/probl13322]. В данном способе используются в том числе послеоперационные показатели, которые могут быть доступны не у всех пациентов, также акцент сделан на пациентах с обязательным наличием ПГПТ, и не рассмотрены пациенты без наличия данного компонента синдрома.

Также из уровня техники известен способ дифференциальной диагностики пациентов с клиническими проявлениями синдрома МЭН-1 для выявления мутаций в гене MEN1, при помощи дисперсионного анализа, основанного на данных 104 пациентов (n=27, с мутациями в гене MEN1; n=77, без мутаций в гене MEN1) и параметров, которые значимо различались между группами (возраст на момент диагностики синдрома МЭН-1; отсутствие ремиссии ПГПТ; наличие аденомы гипофиза; наличие НЭО ЖКТ; наличие множественных НЭО ЖКТ; возраст манифестации НЭО ЖКТ; наличие НЭО ЖКТ в возрасте до 30 лет; 2 классических проявления МЭН-1 до 30 лет; сочетание ПГПТ и аденомы гипофиза; сочетание ПГПТ и НЭО ЖКТ; сочетание аденомы гипофиза и НЭО ЖКТ; сочетание ПГПТ, аденомы гипофиза и НЭО ЖКТ [Kövesdi A, Tóth М, Butz Н, Szücs N, Sármán В, Pusztai Р, Tőke J, Reismann Р, Fáklya М, Tóth G, Somogyi А, Borka К, Erdei А, Nagy EV, Deák V, Valkusz Z, Igaz P, Patócs A, Grolmusz VK. True MEN1 or phenocopy? Evidence for geno-phenotypic correlations in MEN1 syndrome. Endocrine. 2019 Aug;65(2):451-459. doi: 10.1007/s12020-019-01932-x. Epub 2019 May 1. PMID: 31044390; PMCID: PMC6656790.]. Однако в работе не представлено применение выявленных параметров в рамках прогностической модели для выявления пациентов с мутацией в гене MEN1.

Наиболее близким к заявляемому является способ прогнозирования риска выявления мутаций у пациентов со спорадическими эндокринными опухолями, подозрительными в отношении синдрома МЭН-1 при помощи полиномиальной логистической регрессии, основанной на 365 пациентах из обучающей выборки (n=58, с мутациями в гене MEN1), 144 пациентов из тестовой выборки (n=27, с мутациями в гене MEN1) и включивший 7 переменных-предикторов (отягощенная наследственность в отношении НЭО; наличие НЭО поджелудочной железы; наличие аденомы гипофиза; наличие НЭО тимуса, легких или желудка; возраст на момент диагностики; рецидив ПГПТ или множественное поражение ОЩЖ; отсутствие рецидива ПГПТ) [de Laat JM, Tham E, Pieterman CR, et al. Predicting the risk of multiple endocrine neoplasia type 1 for patients with commonly occurring endocrine tumors. Eur J Endocrinol. 2012; 167(2): 181-187. doi: 10.1530/EJE-12-0210]. Данный способ прогнозирования наличия мутации в гене MEN1 у пациентов со спорадическими эндокринными опухолями подозрительными в отношении МЭН-1 выбран нами в качестве прототипа.

Однако следует отметить, что у вышеназванного способа имеются некоторые ограничения для его применения: не учитывается ряд параметров, а именно тип секреции аденомы гипофиза (СТГ-АГ), который чаще всего отличается у пациентов с генетически подтвержденным синдромом МЭН-1 и фенокопиями данного синдрома; не отмечен как предиктор наличия и отсутствия мутации такой показатель как пол, учитывая различия по полу у пациентов с фенотипом МЭН-1 и отсутствием или наличием мутации; также не указан отдельно такой параметр как количество измененных ОЩЖ. В том числе в модели применены показатели (рецидив ПГПТ, отсутствие рецидива ПГПТ), которые применимы только после проведения оперативного вмешательства, что ограничивает применение данного метода у пациентов без хирургического лечения.

Техническая проблема, решаемая использованием разработанного способа, состоит в расширении арсенала средств для определения вероятности наличия генетически верифицированного синдрома МЭН-1 среди пациентов с клиническими проявлениями МЭН-1 с целью неинвазивной дифференциальной диагностики пациентов на дооперационном этапе.

Раскрытие сущности изобретения

Техническим результатом, на достижение которого направлено заявленное изобретение, является возможность неинвазивной дифференциальной диагностики пациентов с фенотипом МЭН-1, а именно выявление групп пациентов с клиническими проявлениями МЭН-1 и высоким риском наличия генетически верифицированного синдрома МЭН-1 на дооперационном этапе.

Технический результат достигается за счет реализации способа прогнозирования наличия мутации у пациентов с фенотипом МЭН-1, включающий определение комплекса диагностически значимых показателей: количество ОЩЖ; возраст на момент диагностики клинического МЭН-1; тип секреции аденомы гипофиза (СТГ-АГ); наличие НЭО поджелудочной железы; отягощенная наследственность; пол, которые затем обрабатывают с использованием классификационной модели, обученной для определения вероятности наличия мутации у пациентов с клинической картиной МЭН-1, выраженной в процентах.

Способ характеризуется тем, что в качестве классификационной модели используют метод k-ближайших соседей (k-nearest neighbors algorithm, k-NN).

Различные способы машинного обучения были использованы для решения поставленной задачи. Оценка параметров моделей (обучение) производилась на объединенных данных, полученных от пациентов, и была направлена на минимизацию ошибок предсказания алгоритма. На финальном этапе выбранная классификационная модель проверялась на тестовой выборке пациентов. Обученная модель может быть использована для неинвазивной дифференциальной диагностики пациентов с фенотипом МЭН-1 на основе комплекса лабораторных и инструментальных показателей.

Заявляемый способ предполагает расчет одного объективного критерия (вероятность наличия мутации у пациентов с фенотипом МЭН-1, выраженная в процентах), величина которого зависит от комплекса диагностически значимых показателей, выявленных авторами. Этот комплекс был получен по результатам проведенного исследования с использованием алгоритмов машинного обучения и многоступенчатой процедурой отбора, включавшей оценку информативности переменных-предикторов с помощью автоматических методов, в частности алгоритма Boruta, а также подбор клинических признаков, определяющих точность прогнозирования. Использование данного алгоритма позволило ранжировать отдельные предикторы по степени влияния на прогностический потенциал и определить переменные, необходимые для построения высокопроизводительной модели (фиг. 1). Оценка параметров моделей (обучение) производилась на объединенных данных, полученных на пациентах, и была направлена на минимизацию предсказательных ошибок алгоритма. На финальном этапе выбранная классификационная модель проверялась на тестовом наборе данных (фиг. 1).

Точность заявляемого определения вероятности наличия генетически верифицированного синдрома МЭН-1 среди пациентов с клиническими проявлениями МЭН-1 обеспечивается за счет использования комплекса из 6 показателей (анамнестических, лабораторно-инструментальных), а также за счет использования классификационной модели с последующей оценкой результатов расчета.

Точность разработанного авторами способа составляет: вероятность наличия генетически верифицированного синдрома МЭН-1 - с вероятностью верного заключения (прогностической ценностью положительного результата, ПЦПР) 100%; отсутствие мутации у пациентов с фенотипом МЭН-1 - с вероятностью верного заключения (прогностическая ценность отрицательного результата, ПЦОР) 92,3%. Заявляемый способ позволяет с чувствительностью 94,4% и специфичностью 100% установить наличие генетически верифицированного синдрома МЭН-1 среди пациентов с клиническими проявлениями МЭН-1. На основании полученного результата врач сможет персонифицировать алгоритм ведения пациента, выбрать оптимальный объем лечебных и, в случае положительного прогноза модели, дополнительных диагностических мероприятий, а также позволит избежать неоправданных долгосрочных лабораторно-инструментальных исследований в случае отрицательного прогноза модели.

Заявляемый способ отличается от ранее известных способов учетом типа секреции аденомы гипофиза (СТГ-АГ), пола, упрощением неинвазивной дифференциальной диагностики за счет показателей, используемых на дооперационном этапе. Таким образом, заявляемое изобретение основано на оценке комплекса параметров, позволяющего максимально повысить точность и достоверность определения вероятности наличия определения вероятности наличия генетически верифицированного синдрома МЭН-1 среди пациентов с клиническими проявлениями МЭН-1.

Краткое описание чертежей

Изобретение поясняется чертежами, где на фиг. 1 представлено ранжирование отдельных предикторов по степени влияния на прогностический потенциал. На графиках зеленым цветом обозначены признаки, вошедшие в предсказательную модель и являющиеся значимыми; красным цветом - признаки вне модели; желтым - признаки, почти достигшие значимого результата; синим цветом показана важность для значений теневых признаков.

На фиг. 2 - ROC-кривая для метод k-ближайших соседей (k-nearest neighbors algorithm, k-NN), полученная на тестовой выборке.

На фиг. 3 - прогностическая важность признаков, обеспечивающих принятие решения для метод k-ближайших соседей (k-nearest neighbors algorithm, k-NN).

На фиг. 4 - точность предсказаний метод k-ближайших соседей (k-nearest neighbors algorithm, k-NN) на тестовой выборке.

Осуществление изобретения

Изобретение основано на использовании группы параметров пациента:

1. Количество ОЩЖ;

2. Возраст на момент постановки клинического диагноза МЭН-1;

3. НЭО поджелудочной железы;

4. Отягощенная наследственность;

5. Секреция аденомой гипофиза СТГ;

6. Пол.

Для прогнозирования вероятности наличия генетически верифицированного синдрома МЭН-1 среди пациентов с клиническими проявлениями МЭН-1 первым этапом определяют комплекс диагностически значимых показателей. Из медицинской документации определяется пол пациента, далее проводится опрос пациента для сбора анамнеза жизни и заболевания, в ходе которого определяется отягощенная наследственность (наличие родственников с клиническими проявлениями МЭН-1 с наличием или отсутствием мутаций). Также определяется возраст на момент постановки клинического диагноза МЭН-1 (т.е. без проведенного генетического тестирования; сочетании двух или более классических проявлений синдрома МЭН-1, пациенты с 2 и более ОЩЖ или аденомой ОЩЖ в возрасте до 30 лет, пациенты с гастриномой или множественными образованиями поджелудочной железы в любом возрасте). Количество пораженных ОЩЖ определяется методом ультразвукового исследования. НЭО поджелудочной железы выявляется при помощи МРТ или МСКТ органов брюшной полости. При наличии аденомы гипофиза необходимо исключение ее гормональной активности, так для исключения/подтверждения секреции аденомой гипофиза СТГ рекомендовано определение в крови после предварительного голодания в течение не менее 8 часов ИФР-1 (нг/мл), а также, при необходимости, проведение перорального глюкозотолерантного теста (75 г глюкозы per os) с определением СТГ каждые 30 минут в течение двух часов.

Способ был разработан в результате проведенного одномоментного сравнительного исследования пациентов с клиническими проявлениями МЭН-1, находившихся на стационарном обследовании и лечении в отделении нейроэндокринологии и остеопатий ФГБУ «НМИЦ эндокринологии» Минздрава России в период с мая 2015 по 2023 гг. Для построения модели дифференциальной диагностики пациентов с фенотипом МЭН-1 и предсказания вероятности наличия мутации у таких пациентов использованы данные этой выборки пациентов.

Критерии включения пациентов в выборку:

- В группу фенокопий синдрома МЭН-1: пациенты обоих полов, с наличием двух и более опухолевых поражений эндокринных желез с отсутствием мутаций по данным NGS в панели генов-кандидатов (MEN1, CDKN1A, CDKN1B, CDKN1C, CDKN2A, CDKN2C, CDKN2D, AIP, SDHA, SDHB, SDHC, SDHD, PRKAR1A, GNAS, PRKCA, POU1F1, CASR, CDC73); отсутствием крупных делеций/дупликаций кодирующей области MEN1 по данным мультиплексной амплификации лигированных зондов (MLPA).

- В группу генетически подтвержденного МЭН-1: пациенты обоих полов, с генетически подтвержденным синдромом МЭН-1 методом секвенирования по Сэнгеру или методом NGS.

Критерии исключения из исследования:

- Отсутствие проведенного молекулярно-генетического тестирования.

В соответствии с критериями включения в исследование вошло 155 пациента с фенотипом МЭН-1, 95 с мутациями и 60 без каких-либо выявленных мутаций. Общая характеристика пациентов, включенных в исследование, основные лабораторные и инструментальные параметры, измеренные в ходе обследования пациентов, и результаты сравнительного анализа представлены в таблице 1. Совокупность параметров включает антропометрические и лабораторно-инструментальные показатели, измеряемые при диагностике МЭН-1. Все больные распределены на две группы по окончательному диагнозу.

Таблица 1. Общая характеристика и основные лабораторно-инструментальные показатели включенных в исследование пациентов с фенотипом МЭН-1.

Заявляемый способ включает следующие этапы:

Сбор информации о пациенте с уточнением количество ОЩЖ; возраста на момент постановки диагноза клинического МЭН-1; образование поджелудочной железы; отягощенная наследственность; секреция аденомой гипофиза СТГ; пол.

Совокупность полученных данных обрабатывают с использованием алгоритма машинного обучения - метода k-ближайших соседей (k-nearest neighbors algorithm, k-NN). Для машинного обучения с учителем необходима выборка данных для обучения. Предварительная обработка данных включает в себя удаление всех случаев, содержащих неполные данные, удаление признаков с околонулевой дисперсией (near-zero variance), отсев коллинеарных предикторов. Кроме того, для тех алгоритмов, которые этого требуют, проводится нормализация и центрирование предикторов. Во избежание утечки данных (data leakage) вся предварительная обработка и трансформация выполняются после разделения набора данных.

Разделение на обучающую/тренировочную (training set) и тестовую (test set) выборки проводится по схеме 80/20 случайным стратифицированным отбором. С целью подтверждения соответствия распределения данных в обучающей и тестовой выборках выполняется анализ с оценкой модифицированного многомерного расстояния Махаланобиса (Eklavya Jain, 2022) и тестированием нулевой гипотезы о соответствии распределений (методом Монте-Карло).

Для идентификации наилучшей модели прогнозирования наличия генетически верифицированного синдрома МЭН-1 среди пациентов с клиническими проявлениями МЭН-1 (фенокопиями) применяется вложенная кросс-валидация с 5 внешними и 3 внутренними циклами (3×5 Nested Cross-Validation). Данный подход обеспечивает более точную оценку ошибки обобщения (Generalization error) при одновременной оптимизации гиперпараметров и показал свою применимость в предметной области.

С помощью алгоритма Boruta [Kursa, М. В., & Rudnicki, W. R. (2010). Feature Selection with the Boruta Package. Journal of Statistical Software, 36(11), 1-13. https://doi.org/10.18637/jss.v036.i11] отбираются предикторы для обучения моделей. Данный алгоритм является оберточным методом отбора признаков и настроен на поиск минимального оптимального набора признаков, вместо всех возможных релевантных признаков, что приводит к несмещенному и устойчивому отбору важных предикторов. Дополнительно проводится поиск параметров, рекомендуемых программой на основании математических расчетов, для оптимального управления процессом обучения модели.

Обучение и оценка производительности алгоритмов машинного обучения проводится на тренировочном наборе данных. После этого выполняется подбор параметров модели. На финальном этапе выбранная модель проверяется на тестовом наборе данных. Подходящая и проверенная модель может быть использована для неинвазивной дифференциальной диагностики наличия генетически верифицированного синдрома МЭН-1 среди пациентов с клиническими проявлениями МЭН-1, выраженной в процентах.

Известно, что разные модели машинного обучения будут выявлять важные для классификации и прогнозирования признаки (переменные) и основывать свои прогнозы на характеристиках (признаках) пациентов совершенно по-разному. Таким образом, предварительное обучение модели машинного обучения может включать различные этапы. Для нейронных сетей очень трудно определить важность каждой характеристики. Чтобы полностью понять, как модель машинного обучения может быть обучена и реализована, эта заявка будет описывать изобретение в контексте использования метода k-ближайших соседей (k-nearest neighbors algorithm, k-NN). Клинические примеры расчетов приведены ниже для раскрытия характеристик данного изобретения.

Исходно общая группа пациентов с фенотипом МЭН-1 (n=155) случайным образом разделена на две выборки в соотношении 80%:20% - для обучения (n=124) и для тестирования моделей (n=31).

Далее был выполнен отбор наиболее информативных переменных с помощью метода случайного леса и алгоритма Boruta. В качестве потенциальных параметров рассматривались исходные клинические показатели пациентов, представленные в таблице 1. По окончании процедуры отбора каждый признак получил значение, которое выражает степень его информативности. Чем выше значение, тем ценнее этот признак для прогнозирования и классификации. В результате был получен перечень признаков, которые можно ранжировать в соответствии с их значимостью для решения задачи классификации и прогнозирования (фиг. 1). Финальными переменными для классификации и прогнозирования наличия генетически верифицированного синдрома МЭН-1 среди пациентов с клиническими проявлениями МЭН-1 (фенокопиями) являются:

1. Количество ОЩЖ;

2. Возраст на момент постановки клинического диагноза МЭН-1;

3. НЭО поджелудочной железы;

4. Отягощенная наследственность;

5. Секреция аденомой гипофиза СТГ;

6. Пол.

Переменные, оказавшиеся менее релевантными, были удалены из анализа (фиг. 1).

Для разработки модели прогнозирования наличия генетически верифицированного синдрома МЭН-1 среди пациентов с клиническими проявлениями МЭН-1 (фенокопиями) проводилось сравнение 8 алгоритмов машинного обучения: логистическая регрессия (Logistic Regression), метод k-ближайших соседей (k-nearest neighbors, kNN), наивный байесовский классификатор (Naive Bayes), бинарное дерево решений (CART), алгоритмы дерева решений С5.0, бутстрэп-агрегирование CART (Bagged CART), случайный лес (Random Forest), градиентный бустинг (Stochastic Gradient Boosting, GBM). Результаты эффективности полученных моделей сравнивались между собой путем анализа стандартных метрик, полученных из матрицы ошибок классификации (confusion matrix): 1. Эффективность (Accuracy); 2. Площадь под кривой операционных характеристик - ROC (Receiver Operating Characteristic curve) AUC (Area Under Curve); 3. Чувствительность (Sensitivity); 4. Специфичность (Specificity); 5. Точность (Precision); 6. Полнота (Recall); 7 Fi-мера. Основными метриками для выбора финальной модели были ROC-AUC, чувствительность и специфичность.

Тренировочный набор данных использовался для обучения моделей. Сравнение параметров эффективности прогностических моделей, полученных после применения алгоритмов машинного обучения к обучающей выборке (n=124), представлено в таблице 2.

В результате осуществления изобретения вывод о вероятности наличия у пациента с фенотипом МЭН-1 мутации может быть сделан с помощью метода k-ближайших соседей (k-nearest neighbors, kNN), продемонстрировавшей наилучшую предсказательную способность из всех обученных моделей машинного обучения по всем трем итоговым метрикам (ROC-AUC, чувствительность, специфичность).

Примеры реализации изобретения

Результаты проверки точности классификации, сделанной методом k-ближайших соседей (k-nearest neighbors, kNN), на тестовой выборке (n=31) представлены на фиг. 4, в таблице 3. На фиг. 2 представлена ROC-кривая для метода k-ближайших соседей (к-nearest neighbors, kNN), полученная на тестовой выборке.

Значимость клинических признаков, определяющих точность прогнозирования для метода k-ближайших соседей (k-nearest neighbors, kNN), представлена на фиг. 3. При анализе полученных данных выявлено, что доминирующее влияние на результирующую переменную оказывают 6 факторов, при этом к наиболее значимым параметрам относятся количество ОЩЖ, Возраст на момент постановки клинического диагноза МЭН-1, наличие НЭО поджелудочной железы, отягощенная наследственность, тип секреции АГ. Меньшее влияние оказывает показатель пола (фиг. 3).

Заявляемый способ может представляет собой инструмент для поддержки принятия врачебных решений. На выходе врач получает вероятность наличия генетически верифицированного синдрома МЭН-1 среди пациентов с клиническими проявлениями МЭН-1 (фенокопиями), выраженную в процентах. Низкая вероятность наличия мутации свидетельствует в пользу фенокопий синдрома МЭН-1. На основании полученных результатов врач определяет тактику дальнейшего ведения пациента.

Для доказательства возможности реализации заявленного назначения и достижения указанного технического результата приводим следующие клинические примеры.

Клинический пример 1

Пациентка И., 58 лет, поступила в отделение нейроэндокринологии и остеопатий ГНЦ РФ ФГБУ «НМИЦ эндокринологии» Минздрава России. Результаты опроса и обследования пациента И. в стационаре представлены в таблице 4.

Согласно расчету модели, у данной пациентки вероятность наличия генетически верифицированного синдрома МЭН-1 составляет 9%, то есть в данном случае модель позволяет сделать вывод в пользу наличия у пациентки И. фенокопии синдрома МЭН-1 с отсутствием мутаций и исключить проведение углубленного генетического тестирования и необходимость проведения долгосрочного регулярного обследования.

Для подтверждения, полученного с помощью разработанного способа вывода, мы оценили данные генетического тестирования с использованием полноэкзомного секвенирования и MLPA. Мутации в генах-кандидатах MEN1, CDKN1A, CDKN1B. CDKN1C, CDKN2A, CDKN2C, CDKN2D, AIP, SDHA, SDHB, SDHC, SDHD, PRKAR1A, GNAS, PRKCA, POU1F1, CASR, CDC73, а также других вошедших в исследование генов, способных приводить к фенотипу МЭН-1 выявлено не было. Таким образом, заключения, сделанные на основании разработанного способа и результатов патоморфологического исследования, совпали.

Клинический пример 2

Пациент Р., 30 лет, поступил в отделение нейроэндокринологии и остеопатий ГНЦ РФ ФГБУ «НМИЦ эндокринологии» Минздрава России. Результаты опроса и обследования пациента Р. в стационаре представлены в таблице 5.

Согласно расчету модели, у данного пациента вероятность наличия мутации составляет 100%, то есть в данном случае модель позволяет сделать вывод в пользу наличия у пациента Р. мутации, приводящей к клинической картине МЭН-1, что позволяет рекомендовать проведение генетического тестирования, в том числе и родственников, и регулярного скрининга.

Для подтверждения, полученного с помощью разработанного способа вывода, мы оценили данные генетического тестирования с использованием полноэкзомного секвенирования и MLPA. Выявлена мутация в гене MEN1, NM_001370259.2(MEN1): c.1673_1675del (p.Met558del). Таким образом, заключения, сделанные на основании разработанного способа и результатов патоморфологического исследования, совпали.

Изобретение относится к медицине, а именно к эндокринологии, и может быть использовано для определения вероятности наличия генетически верифицированного синдрома МЭН-1 среди пациентов с его фенокопиями. Определяют показатели: количество околощитовидных желез, возраст на момент постановки клинического диагноза МЭН-1, наличие нейроэндокринной опухоли поджелудочной железы, отягощенная наследственность, секреция аденомой гипофиза соматотропного гормона, пол. Полученные значения обрабатывают с использованием классификационной модели, обученной для определения вероятности наличия генетически верифицированного синдрома МЭН-1 среди пациентов с его фенокопиями, выраженной в процентах. Способ обеспечивает простое, достоверное, неинвазивное определение вероятности наличия генетически верифицированного синдрома МЭН-1 среди пациентов с его фенокопиями за счет оценки комплекса наиболее диагностически значимых показателей. 1 з.п. ф-лы, 4 ил., 5 табл., 2 пр.

1. Способ определения вероятности наличия генетически верифицированного синдрома множественных эндокринных неоплазий 1 типа (МЭН-1) среди пациентов с его фенокопиями, включающий определение комплекса диагностически значимых показателей: количество околощитовидных желез (ОЩЖ), возраст на момент постановки клинического диагноза МЭН-1, наличие нейроэндокринной опухоли (НЭО) поджелудочной железы, отягощенная наследственность, а именно родственники с клиническими проявлениями синдрома МЭН-1, секреция аденомой гипофиза соматотропного гормона (СТГ), пол, после чего совокупность полученных значений обрабатывают с использованием классификационной модели, обученной для определения вероятности наличия генетически верифицированного синдрома МЭН-1 среди пациентов с его фенокопиями, выраженной в процентах.

2. Способ по п. 1, отличающийся тем, что в качестве классификационной модели используют метод k-ближайших соседей (k-nearest neighbors, kNN).