Журнал кардиореспираторных исследований 2026. №3

Тема статьи

Сравнительный анализ алгоритмов машинного обучения для прогнозирования уровня HbA1C у пациентов с ибс и сахарным диабетом 2 типа при терапии метформином и ситаглиптином (82-90)

Авторы

Тригулова Р.Х., Икрамов А.A., Алимова Д.А.

Учреждение

Республиканский специализированный научно-практический медицинский центр кардиологии, Университет Нового Узбекистана

Аннотация

Введение. У пациентов с сахарным диабетом 2 типа (СД 2) и установленной ишемической болезнью сердца (ИБС) гликированный гемоглобин (HbA1c) отражает не только степень гликемического контроля, но и системную кардиометаболическую нагрузку. Прогнозирование долгосрочной динамики HbA1c может способствовать более точной стратификации риска и персонализации терапии в данной популяции высокого риска. Материал и методы. В исследование была включена когорта из 130 пациентов со стабильной ИБС и СД 2 типа, наблюдавшихся в течение 24 месяцев. На исходном этапе были собраны клинические, лабораторные и эхокардиографические показатели. Оценивались различные алгоритмы машинного обучения (Random Forest, Extra Trees, SVM, k-NN, линейная регрессия, Lasso, Elastic Net, XGBoost). Производительность моделей анализировалась с использованием средней абсолютной ошибки (MAE) и коэффициента детерминации (R²). Вклад предикторов оценивался с применением SHAP-анализа. Результаты. У пациентов, получавших комбинированную терапию метформином и ситаглиптином, наилучшую прогностическую эффективность на валидационной выборке продемонстрировал алгоритм Extra Trees (R² = 0,5967; MAE = 0,997) с высокой производительностью на тестовой выборке (R² = 0,88; MAE = 0,65). В группе монотерапии метформином оптимальные результаты показал Random Forest (валидация: R² = 0,3509; MAE = 0,6947; тест: R² = 0,86; MAE = 0,41). SHAP-анализ выявил, что наибольший вклад в прогноз динамики HbA1c вносили исходный уровень HbA1c, гликемия натощак, систолическое артериальное давление (САД), параметры диастолической функции и расчётная скорость клубочковой фильтрации (рСКФ). Заключение. Ансамблевые модели машинного обучения, интегрирующие метаболические, гемодинамические и эхокардиографические параметры, обеспечивают точное прогнозирование двухлетней динамики HbA1c у пациентов с ИБС и СД 2 типа. Полученные данные подтверждают концепцию HbA1c как маркера системного кардиометаболического ремоделирования

Ключевые слова

гликированный гемоглобин; метформин; ситаглиптин; сахарный диабет 2 типа; случайный лес

Литературы

1. Riccioni G, Notarangelo C, Riccioni M, D’Orazio N. Cardiovascular Disease and Diabetes: A New Challenge in the Treatment and Management. International Journal of Molecular Sciences. 2026; 27(1):354. https://doi.org/10.3390/ijms27010354 2. Lyons TJ, Basu A. Biomarkers in diabetes: hemoglobin A1c, vascular and tissue markers. Transl Res. 2012 Apr;159(4):303-12. doi: 10.1016/j.trsl.2012.01.009 3. Hong LF, Li XL, Guo YL, Luo SH, Zhu CG, Qing P, Xu RX, Wu NQ, Li JJ. Glycosylated hemoglobin A1c as a marker predicting the severity of coronary artery disease and early outcome in patients with stable angina. Lipids Health Dis. 2014 May 29;13:89. doi: 10.1186/1476-511X13-89. 4. Zhang Y, Hu G, Yuan Z, Chen L. Glycosylated hemoglobin in relationship to cardiovascular outcomes and death in patients with type 2 diabetes: a systematic review and meta-analysis. PLoS One. 2012;7(8):e42551. doi: 10.1371/journal.pone.0042551 5. Liu X, Wang L, Xing Y, Engel SS, Zeng L, Yao B, Xu W, Chen G, Zhang Y, Zhang R, Liu S, Weng J, Ji Q. Efficacy and safety of metformin and sitagliptin-based dual and triple therapy in elderly Chinese patients with type 2 diabetes: Subgroup analysis of STRATEGY study. J Diabetes Investig. 2020 Nov;11(6):1532-1541. doi: 10.1111/jdi.13277. 6. Zeng DK, Xiao Q, Li FQ, Tang YZ, Jia CL, Tang XW. Cardiovascular risk of sitagliptin in treating patients with type 2 diabetes mellitus. Biosci Rep. 2019 Jul 15;39(7):BSR20190980. doi: 10.1042/BSR20190980 7. Tao X и соавт., Wang J и соавт., Fu X и соавт.) [5 Tao X, Jiang M, Liu Y, Hu Q, Zhu B, Hu J, Guo W, Wu X, Xiong Y, Shi X, Zhang X, Han X, Li W, Tong R, Long E. Predicting three-month fasting blood glucose and glycated hemoglobin changes in patients with type 2 diabetes mellitus based on multiple machine learning algorithms. Sci Rep. 2023 Sep 30;13(1):16437. doi: 10.1038/s41598-023-43240-5. 8. Wang J, Wang MY, Wang H, Liu HW, Lu R, Duan TQ, Li CP, Cui Z, Liu YY, Lyu YJ, Ma J. Status of glycosylated hemoglobin and prediction of glycemic control among patients with insulin-treated type 2 diabetes in North China: a multicenter observational study. Chin Med J (Engl). 2020 Jan 5;133(1):17-24. doi: 10.1097/CM9.0000000000000585. 9. Fu X, Wang Y, Cates RS, Li N, Liu J, Ke D, Liu J, Liu H, Yan S. Implementation of five machine learning methods to predict the 52-week blood glucose level in patients with type 2 diabetes. Front Endocrinol (Lausanne). 2023 Jan 20;13:1061507. doi: 10.3389/fendo.2022.1061507 10. Khokhar PB, Gravino C, Palomba F. Advances in artificial intelligence for diabetes prediction: insights from a systematic literature review. Artif Intell Med. 2025;164:103132. doi:10.1016/j.artmed.2025.103132 11. Kiran M, Xie Y, Anjum N, Ball G, Pierscionek B and Russell D (2025) Machine learning and artificial intelligence in type 2 diabetes prediction: a comprehensive 33-year bibliometric and literature analysis. Front. Digit. Health 7:1557467. doi: 10.3389/fdgth.2025.1557467 12. Žďárská DJ, Hill M, Kvapil M, Piťhová P, Brož J. Analysis of Postprandial Glycemia in Relation to Metabolic Compensation and Other Observed Parameters of Outpatients with Type 2 Diabetes Mellitus in the Czech Republic. Diabetes Ther. 2018 Apr;9(2):665-672. doi: 10.1007/s13300-018-0379-3 13. Chaudhary AK, Aneja GK, Shukla S, Razi SM. Study on Diastolic Dysfunction in Newly Diagnosed Type 2 Diabetes Mellitus and its Correlation with Glycosylated Haemoglobin (HbA1C). J Clin Diagn Res. 2015 Aug;9(8):OC20-2. doi: 10.7860/JCDR/2015/13348.6376 14. Przezak A, Bielka W, Pawlik A. Hypertension and Type 2 Diabetes-The Novel Treatment Possibilities. Int J Mol Sci. 2022 Jun 10;23(12):6500. doi: 10.3390/ijms23126500 15. Hur KY, Kim MK, Ko SH, Han M, Lee DW, Kwon HS, et al. Metformin treatment for patients with diabetes and chronic kidney disease: A korean diabetes association and korean society of nephrology consensus statement. Diabetes Metab J. (2020) 44:3–10. doi: 10.4093/dmj.2020.0004 16. Olesen KKW, Thrane PG, Hansen MK, et al. Impact of glycated hemoglobin A1c on cardiovascular risk in diabetes patients with and without coronary artery disease: a contemporary cohort study. Eur Heart J. 2023;44(Suppl_2):ehad655.2546. doi:10.1093/eurheartj/ehad655.2546 17. Pei J, Wang X, Pei Z, Hu X. Glycemic control, HbA1c variability, and major cardiovascular adverse outcomes in type 2 diabetes patients with elevated cardiovascular risk: insights from the ACCORD study. Cardiovasc Diabetol. 2023;22:287. doi:10.1186/s12933-023-02026-9Olesen KKW et al., 2023; Pei J et al., 2023 18. Lyu C, Tong X, Fu P, et al. The hemoglobin glycation index stratifies heart failure phenotypes and in-hospital risk. Front Endocrinol (Lausanne). 2025;16:1740447. doi:10.3389/fendo.2025.1740447 19. Visseren FLJ, Mach F, Smulders YM, et al. 2024 ESC Guidelines for the management of cardiovascular disease in patients with diabetes. Eur Heart J. 2024;45(39):XXXX–XXXX. doi:10.1093/eurheartj/ehaeXXX 20. Y. Porel R, Shyama S, Ahmad S, Ojha VS, Biswas R. Can glycated haemoglobin (HbA1c) be used as a predictor of left ventricular diastolic dysfunction in non-hypertensive patients with newly diagnosed type 2 diabetes mellitus. BMJ Open. 2023;14(3):e081269. 21. Z. Aldhahia RA, Barhoushb MM, Almunifa DS, et al. Left ventricular diastolic dysfunction and its predictive factors among Saudi patients with type 2 diabetes mellitus. J Clin Med Res. 2025;17(5):262-269 22. Kosmala W, Przewlocka-Kosmala M, Mazurek W. Subclinical right ventricular dysfunction in diabetes mellitus--an ultrasonic strain/strain rate study. Diabet Med. 2007 Jun;24(6):656-63. doi: 10.1111/j.1464-5491.2007.02101.x 23. Li N, Zhao M, Yuan L, Chen Y, Zhou H. Association between glycosylated hemoglobin levels, diabetes duration, and left ventricular diastolic dysfunction in patients with type 2 diabetes and preserved ejection fraction: a cross-sectional study. Front Endocrinol (Lausanne). 2023 Dec 20;14:1326891. doi: 10.3389/fendo.2023 24. Collins GS, Moons KGM, Dhiman P, et al. Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis– Artificial Intelligence (TRIPOD-AI): explanation and elaboration. BMJ. 2024;385:e078378. doi:10.1136/bmj-2023-078378 25. Dhiman P, Ma J, Collins GS, et al. Updating and extending the PROBAST tool for machine learning prediction models (PROBAST-AI). BMJ. 2024;385:e078379. doi:10.1136/bmj-2023-078379).