Технологии искусственного интеллекта в прогнозировании генетических нарушений и персонализированной первичной и вторичной профилактике инфаркта мозга у лиц молодого возраста

Введение. На протяжении последних десятилетий активно развиваются программы прогнозирования и профилактики распространенных сердечно-сосудистых заболеваний. Для прогнозирования исхода острых нарушений мозгового кровообращения современные молекулярно-генетические методы открывают новые перспективы диагностики и лечения заболевания. Наследственная тромбофилия может рассматриваться в качестве провокатора ишемического инсульта, так как у части пациентов при обследовании выявляется окклюзия церебральных артерий вследствие внутрисосудистого тромбоза. Сведения о генетической предрасположенности пациента к ишемическому инсульту позволят разработать методы индивидуализированной первичной и вторичной профилактики заболевания.

Цель исследования. Разработать прогностическую модель на основе уравнения для расчета коэффициентов наличия патологических аллелей в генах, контролирующих предрасположенность к ишемическому инсульту по набору биохимических показателей.

Материалы и методы. Проанализированы генетические, клинические и лабораторные результаты обследования 280 человек. I группу составили пациенты с ишемическим инсультом (n = 180) в возрасте от 22 до 45 лет (средний возраст – 33,4 Ѓ} 6,57, в том числе 38 пациентов испытали повторный ишемический инсульт). II группа – пациенты с ишемическим инсультом (n = 50) от 52 до 100 лет (средний возраст – 73,4 Ѓ} 8,24 года). Группу контроля (III группа) составили практически здоровые участники (n = 50) от 20 до 43 лет (средний возраст – 31,5 Ѓ} 5,82 года). Всем пациентам выполняли компьютерную томографию головного мозга, ультразвуковое исследование брахиоцефальных артерий, эхокардиографию. Всем исследуемым однократно выполнены анализы венозной крови на наличие генетической предрасположенности к тромбофилии, фармакогенетические исследования. Для расчета коэффициентов прогноза наличия патологических аллелей использовался множественный регрессионный анализ (ANOVA).

Результаты. Разработана математическая модель на уровне генов рецептора ангиотензина II – AGTR1 (A1166C) и G-белка бета-2 – GNB2 (C825T), контролирующих артериальное давление, гена интерлейкина-6 – ИЛ-6 (G-174C), контролирующего иммунный ответ, генов метионинсинтазы – MTR (A2756G), метилентетрагидрофолатредуктазы – MTHFR (A1298C) и метилентетрагидрофолатредуктазы – MTHFR (C677T), контролирующих уровень гомоцистеина, ингибитора активатора плазминогена – PAI-1 (5G/4G), контролирующего систему гемостаза, тромбоцитарного рецептора фибриногена – GP IIIa (HPA1-1a/1b), контролирующего аспиринорезистность. Расчеты уравнения основаны на взаимосвязи между аллелями конкретного гена и 22 независимыми переменными. Модель разработана для прогнозирования возможного наличия генетической тромбофилии.

Заключение. Таким образом, можно составить рекомендации, позволяющие по результатам стандартных биохимических исследований предположить наличие мутаций в одном из генов и назначить уточняющую генетическую экспертизу. Первоначальная оценка пациентов с ишемическим инсультом может сыграть фундаментальную роль в раннем выявлении факторов, прогностически влияющих на возникновение заболевания. Разработанная программа может быть эффективным инструментом в принятии клинических решений для госпитализированной популяции ишемического инсульта.

1. Оганов Р. Г. Терапевтический архив. 2004; 6 (76): 22-24.

2. Meschia J. F. New Information on the Genetics of Stroke. CurrNeurolNeurosci Rep. 2011; 11 (1): 35-41.

3. Hart R. G., Diener H. C., Connolly S. J. Embolic strokes of undetermined source: support for a new clinical construct – authors’ reply. Lancet Neurol. 2014; 13 (10): 967. DOI: 10.1016/S1474-4422(14)70197-8. PMID: 25231516.

4. Добрынина Л. А., Калашникова Л. А., Патрушева Н. Л. и др. Полиморфизм генов 5,10-метилентетрагилрофолатредуктазы, протромбина и V фактора свертывания крови у молодых больных с ишемическим инсультом. Клиническая медицина. 2012; 3: 37-40.

5. Egeberg O. Inherited antithrombin deficiency causing thrombophilia. Thromb. Diath. Haemorgh. 1965; 13: 516-530. PMID: 14347873.

6. Шишкова В. Н., Адашева Т. В., Ременник А. Ю., Валяева В. Н., Шкловский В. М. Прогностическая значимость клинико-антропометрических, биохимических, метаболических, сосудисто-воспалительных и молекулярно-генетических маркеров в развитии первого ишемического инсульта. Журнал неврологии и психиатрии им. C. C. Корсакова. 2018; 118 (2): 4-11. https://doi.org/10.17116/jnevro2018118214-11.

7. Khanr S., Dickerman J. D. Hereditary thrombophilia. Thrombosis Journal. 2006; 4: 15. DOI: 10.1186/1477-9560-4-15.

8. Negrini S. et al. The antiphospholipid syndrome: from pathophysiology to treatment.Clin. Exp. Med. 2017; 3 (17): 257–267.

9. Erkan D. et al. Antiphospholipid Syndrome: Current Research Highlights and Clinical Insights. Springer-Verlag GmbH, 2017. 371 р.

10. Wang C., Dai J., Sun Y., Xie L., Pan L., Hu Z., Shen H. [Genetic risk score: principle, methods and application]. Zhonghua Liu Xing Bing Xue Za Zhi. 2015; 36 (10): 1062-1064. Chinese. PMID: 26837344.

11. Salas E., Farm M., Pich S., Onelöv L., Guillen K., Ortega I., Antovic J. P., Soria J. M. Predictive Ability of a Clinical-Genetic Risk Score for Venous Thromboembolism in Northern and Southern European Populations. TH Open. 2021; 5 (3): e303-e311. DOI: 10.1055/s-0041-1729626. PMID: 34263111; PMCID: PMC8266419.

12. Ramírez Cervantes K. L., Mora E., Campillo Morales S., Huerta Álvarez C., Marcos Neira P., Nanwani Nanwani K. L., Serrano Lázaro A., Silva Obregón J. A., Quintana Díaz M. A Clinical Prediction Rule for Thrombosis in Critically Ill COVID-19 Patients: Step 1 Results of the Thromcco Study. J Clin Med. 2023; 12 (4): 1253. DOI: 10.3390/jcm12041253. PMID: 36835788; PMCID: PMC9966844.

13. Дворжак В. С., Шулаев А. В., Вансовская Е. А. Опыт использования нейронных сетей для прогнозирования исходов ишемического инсульта. Обзор литературы. Здоровье населения и среда обитания. 2021; 7 (29): 82-85. DOI: https://doi.org/10.35627/2219-5238/2021-29-7-82-85.

14. Murray N. M., Unberath M., Hager G. D., Hui F. K. Artificial intelligence to diagnose ischemic stroke and identify large vessel occlusions: a systematic review. J Neurointerv Surg. 2020; 12 (2): 156-164. DOI: 10.1136/neurintsurg-2019-015135.

15. Soun J. E., Chow D. S., Nagamine M., et al. Artificial intelligence and acute stroke imaging. AJNR Am J Neuroradiol. 2021; 42 (1): 2-11. DOI: 10.3174/ajnr.A6883.