Математичне моделювання ризику розвитку кардіометаболічної коморбідності: мультибіомаркерний підхід
Notice bibliographique
Résumé
Цитуйте українською у стилі Ванкувер: Дунаєва ІП. Математичне моделювання ризику розвитку кардіометаболічної коморбідності: мультибіомаркерний підхід. Експериментальна і клінічна медицина. 2025;94(2):17-25. https://doi.org/10.35339/ekm.2025.94.2.dun Архівовано: https://doi.org/10.5281/zenodo.17522043 Резюме У даній роботі наведено результати клініко-інструментального та біохімічного дослідження, присвяченого математичному моделюванню ризику розвитку кардіометаболічної коморбідності у пацієнтів з Артеріальною Гіпертензією у поєднанні з Ожирінням та/або Цукровим Діабетом 2 типу. В ході аналізу було ідентифіковано незалежні прогностично значущі предиктори, що мають діагностичну цінність: ізоволюмічний час розслаблення лівого шлуночка, рівень Кардіотрофіну-1, цистатину С, Ліпокаліну, Асоційованого з Желатиназою Нейтрофілів (Neutrophil Gelatinase Associated Lipocalin, NGAL), N-кінцевого фрагменту натрійуретичного пептиду типу В (N-Terminal pro-Brain Natriuretic Peptide, NT-proBNP), 25-гідроксівітаміну D (25(OH)D, 25-hydroxyvitamin D), співвідношення швидкостей раннього і пізнього діастолічного наповнення, індекс маси тіла, відносна товщина стінки лівого шлуночка, площа правого передсердя, глікозильований гемоглобін (HbA1c), концентрація катестатину, швидкість клубочкової фільтрації, діаметр лівого передсердя. З використанням логістичної регресії побудовано кілька математичних моделей, які продемонстрували високу точність прогнозування поєднаних метаболічних станів шляхом обчислення площі під ROC-кривою (Area Under the (ROC) Curve, AUC>0,94). Отримані моделі дозволяють проводити ефективну стратифікацію ризику, індивідуалізувати підходи до профілактики, раннього виявлення та клінічного моніторингу кардіометаболічної коморбідності. Це відкриває нові перспективи для персоналізованої медицини в умовах поліморбідності в клініці внутрішніх хвороб. Ключові слова: артеріальна гіпертензія, цукровий діабет 2 типу, ожиріння, біомаркери, прогнозування. Cite in English in Vancouver style: Dunaieva IP. Mathematical modeling of the risk of cardio-metabolic comorbidity development: a multi-biomarker approach. Experimental and Clinical Medicine. 2025;94(2):17-25. https://doi.org/10.35339/ekm.2025.94.2.dun [in Ukrainian]. Archived: https://doi.org/10.5281/zenodo.17522043 Abstract This study presents the results of a comprehensive clinical, instrumental, and biochemical investigation aimed at developing logistic regression-based mathematical models to predict the risk of developing cardiometabolic comorbidities in patients with arterial hypertension in combination with obesity (OB) and/or type 2 diabetes mellitus. The research included an in-depth evaluation of clinical parameters, laboratory markers, and echocardiographic indicators to identify independent predictors with significant diagnostic and prognostic value. Among the key predictors were the isovolumic Relaxation Time of the left ventricle, cardiotrophin-1 (CTF-1), cystatin C, neutrophil gelatinase-associated lipocalin, N-terminal pro-B-type natriuretic peptide, 25-hydroxyvitamin D (25(OH)D), the ratio of early to late diastolic filling velocities (VE/VA), body mass index, relative wall thickness of the left ventricle, right atrial area, glycated hemoglobin (HbA1c), catestatin concentration, glomerular filtration rate, and left atrial diameter. Based on these markers, several logistic regression equations were developed for stratifying the risk of developing obesity, type 2 diabetes, or combined comorbidity in patients with hypertension. These models demonstrated high predictive performance, with an Area Under the (ROC) Curve (AUC) exceeding 0.94, indicating excellent diagnostic accuracy. The practical implementation of these models enables clinicians to identify patients at high risk at earlier stages, tailor preventive and therapeutic interventions according to individual biomarker profiles, and improve long-term outcomes through more precise clinical monitoring. The proposed approach supports the broader integration of personalized medicine into internal medicine and cardiology, particularly in the context of managing complex cardiometabolic polymorbidity, and contributes to optimizing decision-making processes in everyday clinical practice. Keywords: arterial hypertension, type 2 diabetes mellitus, obesity, biomarkers, prediction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,014 |
| Communication savante | 0,021 | 0,012 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,040 | 0,013 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».