Математичне моделювання ризику розвитку кардіометаболічної коморбідності: мультибіомаркерний підхід
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.007 | 0.014 |
| Scholarly communication | 0.021 | 0.012 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.040 | 0.013 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".