aterosklerozАтеросклерозAteroscleroz2078-256X2949-3633НИИТПМ-филиал ИЦиГ СО РАН10.52727/2078-256X-2022-18-3-208-221ateroskleroz-827Research ArticleОРИГИНАЛЬНЫЕ СТАТЬИORIGINAL ARTICLESИммунофенотипирование циркулирующих лейкоцитов как инструмент оптимизации диагностики каротидного атеросклероза с использованием методов машинного обученияImmunophenotyping of circulating leukocytes as a tool to optimize diagnosis of carotid atherosclerosis using machine learning approachhttps://orcid.org/0000-0001-5902-3803ГенкельВ. В.GenkelV. V.

Вадим Викторович Генкель кандидат медицинских наук, доцент кафедры пропедевтики внутренних болезней.

454948, Челябинск, ул. Воровского, 64

Vadim V. Genkel - candidate of medical sciences, associate professor, assistant of the department of propaedeutics of internal medicine.

64, Vorovskiy str., Chelyabinsk, 454048

henkel-07@mail.ruhttps://orcid.org/0000-0002-0901-8042ДолгушинИ. И.DolgushinI. I.

Илья Ильич Долгушин - доктор медицинских наук, профессор, заслуженный деятель науки РФ, академик РАН, президент ФГБОУ ВО ЮУГМУ МЗ РФ, зав. кафедрой микробиологии, вирусологии, иммунологии, директор НИИ иммунологии.

454948, Челябинск, ул. Воровского, 64

Ilya I. Dolgushin - doctor of medical sciences, professor, member of the Russian Academy of Sciences, President of South-Ural State Medical University, head of the department of microbiology, virology, immunology.

64, Vorovskiy str., Chelyabinsk, 454048

dol-ii@mail.ruhttps://orcid.org/0000-0002-1854-8686АстанинП. А.AstaninP. A.

Павел Андреевич Астанин - ассистент кафедры медицинской кибернетики и информатики.

117997, Москва, ул. Островитянова, 1, стр. 6

Pavel A. Astanin - assistant of the department of medical cybernetics and informatics.

1, bld. 6, Ostrovityanov str., Moscow, 117997

med_cyber@mail.ruhttps://orcid.org/0000-0002-0536-0924СавочкинаА. Ю.SavochkinaA. Yu.

Альбина Юрьевна Савочкина - доктор медицинских наук, профессор кафедры клинической лабораторной диагностики, главный научный сотрудник НИИ иммунологии.

454948, Челябинск, ул. Воровского, 64

Albina Yu. Savochkina - doctor of medical sciences, professor of department of clinical laboratory diagnostics, principal researcher of Research Institution of Immunology, South-Ural State Medical University.

64, Vorovskiy str., Chelyabinsk, 454048

alina7423@mail.ruhttps://orcid.org/0000-0002-5960-4189БатуринаИ. Л.BaturinaI. L.

Ирина Леонидовна Батурина - кандидат медицинских наук, старший научный сотрудник НИИ иммунологии.

454948, Челябинск, ул. Воровского, 64

Irina L. Baturina - candidate of medical sciences, senior researcher of Research Institution of Immunology.

64, Vorovskiy str., Chelyabinsk, 454048

irisha_baturina@mail.ruhttps://orcid.org/0000-0002-3900-9278НикушкинаК. В.NikushkinaK. V.

Карина Викторовна Никушкина - кандидат медицинских наук, ведущий научный сотрудник НИИ иммунологии.

454948, Челябинск, ул. Воровского, 64

Karina V. Nikushkina - candidate of medical sciences, leading researcher of Research Institution of Immunology.

64, Vorovskiy str., Chelyabinsk, 454048

knikushkina81@gmail.comhttps://orcid.org/0000-0002-9084-0577МинасоваА. А.MinasovaA. A.

Анна Александровна Минасова – кандидат биологических наук, доцент кафедры микробиологии, вирусологии, иммунологии.

454948, Челябинск, ул. Воровского, 64

Anna A. Minasova - candidate of medical sciences, associate professor, department of microbiology, virology, immunology.

64, Vorovskiy str., Chelyabinsk, 454048

pandora_anna@mail.ruhttps://orcid.org/0000-0003-4842-0875СумеркинаВ. А.SumerkinaV. A.

Вероника Андреевна Сумеркина - кандидат медицинских наук, ведущий научный сотрудник ЦНИЛ, начальник отдела научной работы.

454948, Челябинск, ул. Воровского, 64

Veronika A. Sumerkina - candidate of medical sciences, leading researcher of Research Institution of Immunology.

64, Vorovskiy str., Chelyabinsk, 454048

veronika.sumerkina@mail.ruhttps://orcid.org/0000-0003-0658-7626ПыховаЛ. Р.PykhovaL. R.

Любовь Романовна Пыхова - старший преподаватель кафедры микробиологии, вирусологии, иммунологии.

454948, Челябинск, ул. Воровского, 64

Lyubov R. Pykhova - senior lecturer of department of microbiology, virology, immunology.

64, Vorovskiy str., Chelyabinsk, 454048

lyubov_pykhova@mail.ruhttps://orcid.org/0000-0002-0357-5702КузнецоваА. С.KuznetsovaA. S.

Алла Сергеевна Кузнецова - кандидат медицинских наук, доцент кафедры госпитальной терапии.

454948, Челябинск, ул. Воровского, 64

Alla S. Kuznetsova - candidate of medical sciences, assistant of the department of clinical therapy.

64, Vorovskiy str., Chelyabinsk, 454048

alla.kusnezowa@googlemail.comhttps://orcid.org/0000-0002-7731-7730ШапошникИ. И.ShaposhnikI. I.

Игорь Иосифович Шапошник - доктор медицинских наук, профессор, зав. кафедрой пропедевтики внутренних болезней.

454948, Челябинск, ул. Воровского, 64

Igor I. Shaposhnik - doctor of medical sciences, professor, head of the department of propaedeutics of internal medicine.

64, Vorovskiy str., Chelyabinsk, 454048

shaposhnik@yandex.ruФедеральное государственное бюджетное образовательное учреждение высшего образования Южно-Уральский государственный медицинский университет Министерства здравоохранения Российской ФедерацииРоссияFederal State Budgetary Educational Institution of Higher Education South-Ural State Medical University of the Ministry of Healthcare of the Russian FederationRussian FederationФедеральное государственное автономное образовательное учреждение высшего образования Российский национальный исследовательский медицинский университет имени Н.И. Пирогова Министерства здравоохранения Российской ФедерацииРоссияPirogov Russian National Research Medical UniversityRussian Federation202202102022183208221Copyright © Генкель В.В., Долгушин И.И., Астанин П.А., Савочкина А.Ю., Батурина И.Л., Никушкина К.В., Минасова А.А., Сумеркина В.А., Пыхова Л.Р., Кузнецова А.С., Шапошник И.И., 20222022Генкель В.В., Долгушин И.И., Астанин П.А., Савочкина А.Ю., Батурина И.Л., Никушкина К.В., Минасова А.А., Сумеркина В.А., Пыхова Л.Р., Кузнецова А.С., Шапошник И.И.Genkel V.V., Dolgushin I.I., Astanin P.A., Savochkina A.Y., Baturina I.L., Nikushkina K.V., Minasova A.A., Sumerkina V.A., Pykhova L.R., Kuznetsova A.S., Shaposhnik I.I.This work is licensed under a Creative Commons Attribution 4.0 License.https://ateroskleroz.elpub.ru/jour/article/view/827

Целью исследования являлось изучение возможности использования иммунофенотипирования циркулирующих лимфоцитов, нейтрофилов и моноцитов в целях диагностики прогностически неблагоприятного каротидного атеросклероза с применением алгоритмов машинного обучения.

Материал и методы

Материал и методы. В исследовании приняли участие пациенты в возрасте 40–64 лет, которым было проведено дуплексное сканирование сонных артерий и артерий нижних конечностей. Фенотипирование и дифференцировку субпопуляций лимфоцитов, нейтрофилов и моноцитов осуществляли методом проточной цитометрии на аппарате «Navios 6/2» (Beckman Coulter, США). Статистическая обработка данных производилась с использованием программно-прикладного пакета SPSS 23 и собственных программных наработок, созданных с использованием основных библиотек языка программирования Python 3.8 (Scikit-learn, Pandas, Numpy, Scipy) и IDE Spyder.

Результаты

Результаты. В исследование были включены 78 пациентов, 39 (50,0 %) мужчин и 39 (50,0 %) женщин, медиана возраста 50,0 года. Возраст старше 56 лет (р = 0,001), повышенное содержание холестерина липопротеинов низкой плотности (ХС ЛПНП) (р < 0,001) и мочевой кислоты (р = 0,001), а также иммуносупрессорных нейтрофилов (р = 0,005) статистически значимо ассоциированы с развитием каротидных атеросклеротических бляшек. В то же время уменьшение популяций проангиогенных нейтрофилов (р = 0,009), классических моноцитов, экспрессирующих CD36 (р = 0,019), неклассических моноцитов (р = 0,021), промежуточных моноцитов, экспрессирующих TLR4 (р = 0,033), а также классических моноцитов, экспрессирующих TLR2 (р = 0,044), статистически значимо ассоциировано с повышенным шансом наличия каротидных атеросклеротических бляшек. Были созданы две прогностические модели. Первая модель включала базовые клинико-лабораторные параметры (возраст, содержание ХС ЛППН, мочевой кислоты), вторая – все отобранные параметры, а также иммунологические показатели. Включение выявленных иммунологических предикторов в модель привело к значимому увеличению всех стандартных метрик качества бинарной классификации. Точность модели возросла на 13 % (р = 0,014), чувствительность – на 20 % (р = 0,003), специфичность – на 6 % (р = 0,046), прогностическая ценность положительного результата – на 9 % (p = 0,037), прогностическая ценность отрицательного результата – на 16 % (р = 0,011). По данным ROC-анализа, без включения в модель иммунологических предикторов площадь под ROC-кривой (AUC) составляла 0,765 [0,682; 0,848], включение же иммунологических предикторов приводило к статистически значимому увеличению AUC (0,906 [0,854; 0,958], р = 0,041).

Заключение

Заключение. У пациентов 40–64 лет без установленных атеросклеротических сердечно-сосудистых заболеваний включение в модель иммунологических маркеров, получаемых при иммунофенотипировании лейкоцитов, позволило увеличить ее диагностическую эффективность в отношении выявления прогностически неблагоприятного каротидного атеросклероза. Диагностическую ценность продемонстрировали субпопуляции моноцитов, экспрессирующих TLR2, TLR4 и CD36, а также иммуносупрессорные и проангиогенные нейтрофилы.

The aim of the present study was to investigate the possibility of using immunophenotyping of circulating lymphocytes, neutrophils and monocytes to diagnose prognostically unfavorable carotid atherosclerosis using machine learning algorithms.

Material and methods

Material and methods. A sample of patients aged 40 to 64 years, who underwent duplex scanning of the carotid arteries and the lower limb arteries, served as a source of patients for analysis. Phenotyping and differentiation of subpopulations of lymphocytes, neutrophils, and monocytes were performed by flow cytometry using the “Navios 6/2” device (Beckman Coulter, USA) device. Data were statistically processed using software package SPSS 23 and our own software programs created using main libraries of Python 3.8 programming language (Scikit-learn, Pandas, Numpy, Scipy) and IDE Spyder.

Results

Results. Seventy-eight patients, 39 (50.0 %) males and 39 (50.0 %) females, median age 50.0 years, were included in the study. Age over 56 (р = 0,001), elevated low density lipoprotein (LDL) cholesterol (р < 0.001) and uric acid (р = 0.001), as well as immunosuppressive neutrophils level (р = 0.005) were statistically significantly associated with the development of carotid plaque. At the same time, decreased cell populations of proangiogenic neutrophils (р = 0.009), classical monocytes expressing CD36 (р = 0.019), nonclassical monocytes (р = 0.021), intermediate monocytes expressing TLR4 (р = 0.033), and classical monocytes expressing TLR2 (р = 0.044) were statistically significantly associated with an increased chance of carotid plaque. Taking into account the selected parameters, two prognostic models were created. The first model included basic clinical and laboratory parameters (age, LDL cholesterol and uric acid), and the second model included all selected parameters as well as immunological parameters. Inclusion of the identified immunological predictors in the model resulted in a significant increase in all standard quality metrics of the binary classification. Model accuracy increased by 13 % (р = 0.014), sensitivity by 20 % (р = 0.003), specificity by 6 % (р = 0.046), predictive value of a positive result by 9 % (р = 0.037), predictive value of a negative result by 16 % (р = 0.011). According to the ROC analysis, without the inclusion of immunological predictors in the model, the area under the ROC curve (AUC) was 0.765 [0.682; 0.848], the inclusion of immunological predictors resulted in a statistically significant increase in AUC (0.906 [0.854; 0.958], р = 0.041).

Conclusions

Conclusions. In patients 40–64 years old without established atherosclerotic cardiovascular disease, inclusion of immunological markers derived from leukocyte immunophenotyping in the model allowed increasing its diagnostic efficacy with regard to the detection of prognostically unfavorable carotid atherosclerosis. Subpopulations of monocytes expressing TLR2, TLR4, and CD36, as well as immunosuppressive and proangiogenic neutrophils, demonstrated diagnostic value.

атеросклерознейтрофилывоспалениемоноцитыToll-подобные рецепторыatherosclerosisneutrophilsinflammationmonocytesToll-like receptorsReferencesVirani S.S., Alonso A., Aparicio H.J., Benjamin E.J., Bittencourt M.S., Callaway C.W., Carson A.P., Chamberlain A.M., Cheng S., Delling F.N., Elkind M.S.V., Evenson K.R., Ferguson J.F., Gupta D.K., Khan S.S., Kissela B.M., Knutson K.L., Lee C.D., Lewis T.T., Liu J., Loop M.S., Lutsey P.L., Ma J., Mackey J., Martin S.S., Matchar D.B., Mussolino M.E., Navaneethan S.D., Perak A.M., Roth G.A., Samad Z., Satou G.M., Schroeder E.B., Shah S.H., Shay C.M., Stokes A., VanWagner L.B., Wang N.Y., Tsao C.W., American Heart Association Council on Epidemiology and Prevention Statistics Committee and Stroke Statistics Subcommittee. Heart Disease and Stroke Statistics-2021 Update: A Report From the American Heart Association. Circulation, 2021; 143 (8): e254– e743. doi: 10.1161/CIR.0000000000000950Circulation, 2021; 143 (8): e254– e743. doi: 10.1161/CIR.0000000000000950Wu W.Y., Berman A.N., Biery D.W., Blankstein R. Recent trends in acute myocardial infarction among the young. Curr. Opin. Cardiol., 2020; 35 (5): 524– 530. doi: 10.1097/HCO.0000000000000781Wu W.Y., Berman A.N., Biery D.W., Blankstein R. Recent trends in acute myocardial infarction among the young. Curr. Opin. Cardiol., 2020; 35 (5): 524– 530. doi: 10.1097/HCO.0000000000000781Garg N., Muduli S.K., Kapoor A., Tewari S., Kumar S., Khanna R., Goel P.K. Comparison of different cardiovascular risk score calculators for cardiovascular risk prediction and guideline recommended statin uses. Indian Heart J., 2017; 69 (4): 458–463. doi: 10.1016/j.ihj.2017.01.015Garg N., Muduli S.K., Kapoor A., Tewari S., Kumar S., Khanna R., Goel P.K. Comparison of different cardiovascular risk score calculators for cardiovascular risk prediction and guideline recommended statin uses. Indian Heart J., 2017; 69 (4): 458–463. doi: 10.1016/j.ihj.2017.01.015Martins A.M.A., Paiva M.U.B., Paiva D.V.N., de Oliveira R.M., Machado H.L., Alves L.J.S.R., Picossi C.R.C., Faccio A.T., Tavares M.F.M., Barbas C., Giraldez V.Z.R., Santos R.D., Monte G.U., Atik F.A. Innovative Approaches to Assess Intermediate Cardiovascular Risk Subjects: A Review From Clinical to Metabolomics Strategies. Front. Cardiovasc. Med., 2021; 8: 788062. doi: 10.3389/fcvm.2021.788062Martins A.M.A., Paiva M.U.B., Paiva D.V.N., de Oliveira R.M., Machado H.L., Alves L.J.S.R., Picossi C.R.C., Faccio A.T., Tavares M.F.M., Barbas C., Giraldez V.Z.R., Santos R.D., Monte G.U., Atik F.A. Innovative Approaches to Assess Intermediate Cardiovascular Risk Subjects: A Review From Clinical to Metabolomics Strategies. Front. Cardiovasc. Med., 2021; 8: 788062. doi: 10.3389/fcvm.2021.788062Клесарева Е.А., Афанасьева О.И., Шерстюк Е.Е., Тмоян Н.А., Разова О.А., Тюрина А.В., Афанасьева М.И., Ежов М.В., Покровский С.Н. Гиперлипопротеидемия (а) и повышенный уровень С-реактивного белка как факторы риска стенозирующего мультифокального атеросклероза у пациентов молодого и среднего возраста. Терапевт. арх., 2022; 4 (94): 479–484. doi: 10.26442/00403660.2022.04.201454Klesareva E.A., Afanasieva O.I., Sherstyuk E.E., Tmoyan N.A., Razova O.A., Tyurina A.V., Afanasieva M.I., Ezhov M.V., Pokrovsky S.N. The relationship between the level of Lр(а) and the prevalence of atherosclerosis among young patients. Terapevticheskiy arkhiv (Ter. arkh.), 2022; 94 (4): 479–484. (In Russ.) 10.26442/00403660.2022.04.201454Hoogeveen R.M., Pereira J.P.B., Nurmohamed N.S., Zampoleri V., Bom M.J., Baragetti A., Boekholdt S.M., Knaapen P., Khaw K.T., Wareham N.J., Groen A.K., Catapano A.L., Koenig W., Levin E., Stroes E.S.G. Improved cardiovascular risk prediction using targeted plasma proteomics in primary prevention. Eur. Heart. J., 2020; 41 (41): 3998–4007. doi: 10.1093/eurheartj/ehaa648Hoogeveen R.M., Pereira J.P.B., Nurmohamed N.S., Zampoleri V., Bom M.J., Baragetti A., Boekholdt S.M., Knaapen P., Khaw K.T., Wareham N.J., Groen A.K., Catapano A.L., Koenig W., Levin E., Stroes E.S.G. Improved cardiovascular risk prediction using targeted plasma proteomics in primary prevention. Eur. Heart. J., 2020; 41 (41): 3998–4007. doi: 10.1093/eurheartj/ehaa648Vaes B., Indestege P., Serneels T., Hegendörfer E., van Peet P.G., Poortvliet R.K.E., Wallemacq P., Gussekloo J., Degryse J. Biomarkers versus traditional risk factors to predict cardiovascular events in very old adults: cross-validated prospective cohort study. BMJ Open, 2020; 10 (6): e035809. doi: 10.1136/bmjopen-2019-035809Vaes B., Indestege P., Serneels T., Hegendörfer E., van Peet P.G., Poortvliet R.K.E., Wallemacq P., Gussekloo J., Degryse J. Biomarkers versus traditional risk factors to predict cardiovascular events in very old adults: cross-validated prospective cohort study. BMJ Open, 2020; 10 (6): e035809. doi: 10.1136/bmjopen-2019-035809Курилова О.В., Киселева А.В., Мешков А.Н., Сотникова Е.А., Ершова А.И., Иванова А.А., Лимонова А.С., Драпкина О.М. Шкалы для оценки генетического риска развития сахарного диабета 2-го типа. Профилакт. медицина, 2021; 24 (12): 115–122. doi: 10.17116/profmed202124121115Kurilova O.V., Kiseleva A.V., Meshkov A.N., Sotnikova E.A., Ershova A.I., Ivanova A.A., Limonova A.S., Drapkina O.M. Scales for assessing the genetic risk of developing type 2 diabetes mellitus. Profilakticheskaya meditsina. 2021; 24 (12): 115–122. (In Russ.) doi: 10.17116/profmed202124121115Libby P. Inflammation in atherosclerosis – no longer a theory. Clin. Chem., 2021; 67 (1): 131–142. doi: 10.1093/clinchem/hvaa275Libby P. Inflammation in atherosclerosis – no longer a theory. Clin. Chem., 2021; 67 (1): 131–142. doi: 10.1093/clinchem/hvaa275Reddy A.S., Uceda D.E., Al Najafi M., Dey A.K., Mehta N.N. PET Scan with Fludeoxyglucose/Computed Tomography in Low-Grade Vascular Inflammation. PET Clin., 2020; 15 (2): 207–213. doi: 10.1016/j.cpet.2019.11.009Reddy A.S., Uceda D.E., Al Najafi M., Dey A.K., Mehta N.N. PET Scan with Fludeoxyglucose/Computed Tomography in Low-Grade Vascular Inflammation. PET Clin., 2020; 15 (2): 207–213. doi: 10.1016/j.cpet.2019.11.009Hong L.Z., Xue Q., Shao H. Inflammatory Markers Related to Innate and Adaptive Immunity in Atherosclerosis: Implications for Disease Prediction and Prospective Therapeutics. J. Inflamm. Res., 2021; 14: 379–392. doi: 10.2147/JIR.S294809Hong L.Z., Xue Q., Shao H. Inflammatory Markers Related to Innate and Adaptive Immunity in Atherosclerosis: Implications for Disease Prediction and Prospective Therapeutics. J. Inflamm. Res., 2021; 14: 379–392. doi: 10.2147/JIR.S294809Björkegren J.L.M., Lusis A.J. Atherosclerosis: Recent developments. Cell., 2022; 185 (10): 1630–1645. doi: 10.1016/j.cell.2022.04.004Björkegren J.L.M., Lusis A.J. Atherosclerosis: Recent developments. Cell., 2022; 185 (10): 1630–1645. doi: 10.1016/j.cell.2022.04.004Li H., Zhang P., Yuan S., Tian H., Tian D., Liu M. Modeling analysis of the relationship between atherosclerosis and related inflammatory factors. Saudi J. Biol. Sci., 2017; 24 (8): 1803–1809. doi: 10.1016/j.sjbs.2017.11.016Li H., Zhang P., Yuan S., Tian H., Tian D., Liu M. Modeling analysis of the relationship between atherosclerosis and related inflammatory factors. Saudi J. Biol. Sci., 2017; 24 (8): 1803–1809. doi: 10.1016/j.sjbs.2017.11.016Wainstein M.V., Mossmann M., Araujo G.N., Gonçalves S.C., Gravina G.L., Sangalli M., Veadrigo F., Matte R., Reich R., Costa F.G., Andrades M., da Silva A.M.V., Bertoluci M.C. Elevated serum interleukin-6 is predictive of coronary artery disease in intermediate risk overweight patients referred for coronary angiography. Diabetol. Metab. Syndr., 2017; 9: 67. doi: 10.1186/s13098-017-0266-5Wainstein M.V., Mossmann M., Araujo G.N., Gonçalves S.C., Gravina G.L., Sangalli M., Veadrigo F., Matte R., Reich R., Costa F.G., Andrades M., da Silva A.M.V., Bertoluci M.C. Elevated serum interleukin-6 is predictive of coronary artery disease in intermediate risk overweight patients referred for coronary angiography. Diabetol. Metab. Syndr., 2017; 9: 67. doi: 10.1186/s13098-017-0266-5Стахнёва Е.М., Рагино Ю.И. Современные методы исследования атеросклероза и ишемической болезни сердца: проточная цитометрия. Бюл. сиб. медицины. 2021; 20 (2): 184–190. doi: 10.20538/1682-0363-2021-2184-190Stakhneva E.M., Ragino Yu.I. Modern methods for studying atherosclerosis and coronary artery disease: flow cytometry. Bulletin of Siberian Medicine. 2021; 20 (2): 184–190. (In Russ.) doi: 10.20538/1682-0363-2021-2184-190Baumer Y., Gutierrez-Huerta C.A., Saxena A., Dagur P.K., Langerman S.D., Tamura K., Ceasar J.N., Andrews M.R., Mitchell V., Collins B.S., Yu Q., Teague H.L., Playford M.P., Bleck C.K.E., Mehta N.N., McCoy J.P., Powell-Wiley T.M. Immune cell phenotyping in low blood volumes for assessment of cardiovascular disease risk, development, and progression: a pilot study. J. Transl Med., 2020; 18 (1): 29. doi: 10.1186/s12967-020-02207-0Baumer Y., Gutierrez-Huerta C.A., Saxena A., Dagur P.K., Langerman S.D., Tamura K., Ceasar J.N., Andrews M.R., Mitchell V., Collins B.S., Yu Q., Teague H.L., Playford M.P., Bleck C.K.E., Mehta N.N., McCoy J.P., Powell-Wiley T.M. Immune cell phenotyping in low blood volumes for assessment of cardiovascular disease risk, development, and progression: a pilot study. J. Transl Med., 2020; 18 (1): 29. doi: 10.1186/s12967-020-02207-0Каледина Е.А., Каледин О.Е., Кулягина Т.И. Применение методов машинного обучения для предсказания сердечнососудистых заболеваний на малых наборах данных. Проблемы информатики, 2022; 1 (54): 66–75. doi: 10.24412/2073-0667-2022-1-66-76Kaledina E.A., Kaledin O.E., Kulyagina T.I. Applying machine learning for prediction of cardiovascular diseases on small data sets. Problems of Informatics, 2022; 1 (54): 66–75. (In Russ.) doi: 10.24412/2073-0667-2022-1-66-76Sánchez-Cabo F., Rossello X., Fuster V., Benito F., Manzano J.P., Silla J.C., Fernández-Alvira J.M., Oliva B., Fernández-Friera L., López-Melgar B., Mendiguren J.M., Sanz J., Ordovás J.M., Andrés V., Fernández-Ortiz A., Bueno H., Ibáñez B., GarcíaRuiz J.M., Lara-Pezzi E. Machine Learning Improves Cardiovascular Risk Definition for Young, Asymptomatic Individuals. J. Am Coll. Cardiol., 2020; 76 (14): 1674–1685. doi: 10.1016/j.jacc.2020.08.017Sánchez-Cabo F., Rossello X., Fuster V., Benito F., Manzano J.P., Silla J.C., Fernández-Alvira J.M., Oliva B., Fernández-Friera L., López-Melgar B., Mendiguren J.M., Sanz J., Ordovás J.M., Andrés V., Fernández-Ortiz A., Bueno H., Ibáñez B., GarcíaRuiz J.M., Lara-Pezzi E. Machine Learning Improves Cardiovascular Risk Definition for Young, Asymptomatic Individuals. J. Am Coll. Cardiol., 2020; 76 (14): 1674–1685. doi: 10.1016/j.jacc.2020.08.017Генкель В.В., Кузнецова А.С., Лебедев Е.В., Шапошник И.И. Факторы, связанные с наличием прогностически неблагоприятного каротидного атеросклероза у мужчин и женщин старше 40 лет. Атеросклероз и дислипидемии, 2021; 4 (45): 33–40. doi: 10.34687/2219-8202.JAD.2021.04.0004Genkel V.V., Kuznetsova A.S., Lebedev E.V., Shaposhnik I.I. Factors associated with the presence of prognostically unfavorable carotid atherosclerosis in men and women over age 40. Atherosclerosis and Dyslipidemia, 2021; 4 (45): 33–40. (In Russ.) doi: 10.34687/2219-8202.JAD.2021.04.0004Johri A.M., Nambi V., Naqvi T.Z., Feinstein S.B., Kim E.S.H., Park M.M., Becher H., Sillesen H. Recommendations for the Assessment of Carotid Arterial Plaque by Ultrasound for the Characterization of Atherosclerosis and Evaluation of Cardiovascular Risk: From the American Society of Echocardiography. J. Am Soc. Echocardiogr., 2020; 33 (8): 917–933. doi: 10.1016/j.echo.2020.04.021Johri A.M., Nambi V., Naqvi T.Z., Feinstein S.B., Kim E.S.H., Park M.M., Becher H., Sillesen H. Recommendations for the Assessment of Carotid Arterial Plaque by Ultrasound for the Characterization of Atherosclerosis and Evaluation of Cardiovascular Risk: From the American Society of Echocardiography. J. Am Soc. Echocardiogr., 2020; 33 (8): 917–933. doi: 10.1016/j.echo.2020.04.021Vassalle C. New biomarkers and traditional cardiovascular risk scores: any crystal ball for current effective advice and future exact prediction? Clin. Chem. Lab. Med., 2018; 56 (11): 1803–1805. doi: 10.1515/cclm2018-0490Vassalle C. New biomarkers and traditional cardiovascular risk scores: any crystal ball for current effective advice and future exact prediction? Clin. Chem. Lab. Med., 2018; 56 (11): 1803–1805. doi: 10.1515/cclm2018-0490Stakhneva E.M., Striukova E.V., Ragino Y.I. Proteomic Studies of Blood and Vascular Wall in Atherosclerosis. Int. J. Mol. Sci., 2021; 22 (24): 13267. doi: 10.3390/ijms222413267Stakhneva E.M., Striukova E.V., Ragino Y.I. Proteomic Studies of Blood and Vascular Wall in Atherosclerosis. Int. J. Mol. Sci., 2021; 22 (24): 13267. doi: 10.3390/ijms222413267Bargieł W., Cierpiszewska K., Maruszczak K., Pakuła A., Szwankowska D., Wrzesińska A., Gutowski Ł., Formanowicz D. Recognized and Potentially New Biomarkers-Their Role in Diagnosis and Prognosis of Cardiovascular Disease. Medicina (Kaunas), 2021; 57 (7): 701. doi: 10.3390/medicina57070701Bargieł W., Cierpiszewska K., Maruszczak K., Pakuła A., Szwankowska D., Wrzesińska A., Gutowski Ł., Formanowicz D. Recognized and Potentially New Biomarkers-Their Role in Diagnosis and Prognosis of Cardiovascular Disease. Medicina (Kaunas), 2021; 57 (7): 701. doi: 10.3390/medicina57070701Fani L., van der Willik K.D., Bos D., Leening M.J.G., Koudstaal P.J., Rizopoulos D., Ruiter R., Stricker B.H.C., Kavousi M., Ikram M.A., Ikram M.K. The association of innate and adaptive immunity, subclinical atherosclerosis, and cardiovascular disease in the Rotterdam Study: A prospective cohort study. PLoS Med., 2020; 17 (5): e1003115. doi: 10.1371/journal.pmed.1003115Fani L., van der Willik K.D., Bos D., Leening M.J.G., Koudstaal P.J., Rizopoulos D., Ruiter R., Stricker B.H.C., Kavousi M., Ikram M.A., Ikram M.K. The association of innate and adaptive immunity, subclinical atherosclerosis, and cardiovascular disease in the Rotterdam Study: A prospective cohort study. PLoS Med., 2020; 17 (5): e1003115. doi: 10.1371/journal.pmed.1003115Hong L.Z., Xue Q., Shao H. Inflammatory Markers Related to Innate and Adaptive Immunity in Atherosclerosis: Implications for Disease Prediction and Prospective Therapeutics. J. Inflamm. Res., 2021; 14: 379–392. doi: 10.2147/JIR.S294809Hong L.Z., Xue Q., Shao H. Inflammatory Markers Related to Innate and Adaptive Immunity in Atherosclerosis: Implications for Disease Prediction and Prospective Therapeutics. J. Inflamm. Res., 2021; 14: 379–392. doi: 10.2147/JIR.S294809Feinstein M.J., Buzkova P., Olson N.C., Doyle M.F., Sitlani C.M., Fohner A.E., Huber S.A., Floyd J., Sinha A., Thorp E.B., Landay A., Freiberg M.S., Longstreth W.T.Jr., Tracy R.P., Psaty B.M., Delaney J.A. Monocyte subsets, T cell activation profiles, and stroke in men and women: The Multi-Ethnic Study of Atherosclerosis and Cardiovascular Health Study. Atherosclerosis, 2022; 351: 18–25. doi: 10.1016/j.atherosclerosis.2022.05.007Feinstein M.J., Buzkova P., Olson N.C., Doyle M.F., Sitlani C.M., Fohner A.E., Huber S.A., Floyd J., Sinha A., Thorp E.B., Landay A., Freiberg M.S., Longstreth W.T.Jr., Tracy R.P., Psaty B.M., Delaney J.A. Monocyte subsets, T cell activation profiles, and stroke in men and women: The Multi-Ethnic Study of Atherosclerosis and Cardiovascular Health Study. Atherosclerosis, 2022; 351: 18–25. doi: 10.1016/j.atherosclerosis.2022.05.007Genkel V., Dolgushin I., Baturina I., Savochkina A., Nikushkina K., Minasova A., Kuznetsova A., Shaposhnik I. Associations between Circulating VEGFR2hiNeutrophils and Carotid Plaque Burden in Patients Aged 40-64 without Established Atherosclerotic Cardiovascular Disease. J. Immunol. Res., 2022; 2022: 1539935. doi: 10.1155/2022/1539935Genkel V., Dolgushin I., Baturina I., Savochkina A., Nikushkina K., Minasova A., Kuznetsova A., Shaposhnik I. Associations between Circulating VEGFR2hiNeutrophils and Carotid Plaque Burden in Patients Aged 40-64 without Established Atherosclerotic Cardiovascular Disease. J. Immunol. Res., 2022; 2022: 1539935. doi: 10.1155/2022/1539935Долгушин И.И., Генкель В.В., Батурина И.Л., Савочкина А.Ю., Минасова А.А., Никушкина К.В., Пыхова Л.Р., Кузнецова А.С., Шапошник И.И. Взаимосвязи иммуносупрессорных нейтрофилов и показателей врожденного и адаптивного иммунитета у пациентов с субклиническим атеросклерозом. Мед. иммунология, 2022; 24 (2): 283–294. doi: 10.15789/1563-0625-IBI-2463Dolgushi I.I., Genkel V.V., Baturina I.L., Savochkina A.Yu., Minasova A.A., Nikushkina K.V., Pykhova L.R., Kuznetsova A.S., Shaposhnik I.I. Interactions between immunosuppressor neutrophiles, innate and adaptive immunity indexes in the patients with subclinical atherosclerosis. Medical Immunology (Russia), 2022; 24 (2): 283–294. (In Russ.) doi: 10.15789/1563-0625-IBI-2463Gupta S., Maratha A., Siednienko J., Natarajan A., Gajanayake T., Hoashi S., Miggin S. Analysis of in flammatory cytokine and TLR expression levels in Type 2 Diabetes with complications. Sci. Rep., 2017; 7 (1): 7633. doi: 10.1038/s41598-017-07230-8Gupta S., Maratha A., Siednienko J., Natarajan A., Gajanayake T., Hoashi S., Miggin S. Analysis of in flammatory cytokine and TLR expression levels in Type 2 Diabetes with complications. Sci. Rep., 2017; 7 (1): 7633. doi: 10.1038/s41598-017-07230-8Sadeghi K., Wisgrill L., Wessely I., Diesner S.C., Schüller S., Dürr C., Heinle A., Sachet M., Pollak A., Förster-Waldl E., Spittler A. GM-CSF Down-Regulates TLR Expression via the Transcription Factor PU.1 in Human Monocytes. PLoS One., 2016; 11 (10): e0162667. doi: 10.1371/journal.pone. 0162667Sadeghi K., Wisgrill L., Wessely I., Diesner S.C., Schüller S., Dürr C., Heinle A., Sachet M., Pollak A., Förster-Waldl E., Spittler A. GM-CSF Down-Regulates TLR Expression via the Transcription Factor PU.1 in Human Monocytes. PLoS One., 2016; 11 (10): e0162667. doi: 10.1371/journal.pone. 0162667Zamora C., Cantó E., Nieto J.C., Angels Ortiz M., Juarez C., Vidal S. Functional consequences of CD36 downregulation by TLR signals. Cytokine, 2012; 60 (1): 257–265. doi: 10.1016/j.cyto.2012.06.020Zamora C., Cantó E., Nieto J.C., Angels Ortiz M., Juarez C., Vidal S. Functional consequences of CD36 downregulation by TLR signals. Cytokine, 2012; 60 (1): 257–265. doi: 10.1016/j.cyto.2012.06.020Газатова Н.Д., Меняйло М.Е., Малащенко В.В., Гончаров А.Г., Мелащенко О.Б., Морозова Е.М., Селедцов В.И. Прямые эффекты гранулоцитарномакрофагального колониестимулирующего фактора на функциональные свойства моноцитов/макрофагов человека. Мед. иммунология, 2019; 21 (3): 419–426. doi: 10.15789/1563-0625-2019-3-419-426Gazatova N.D., Meniailo M.E., Malashchenko V.V., Goncharov A.G., Melashchenko O.B., Morozova E.M., Seledtsov V.I. Direct effects of gm-csf on the functions of human monocytes/macrophages. Medical Immunology (Russia), 2019; 21 (3): 419–426. (In Russ.) doi: 10.15789/1563-0625-2019-3-419-426Boyer J.F., Balard P., Authier H., Faucon B., Bernad J., Mazières B., Davignon J.L., Cantagrel A., Pipy B., Constantin A. Tumor necrosis factor alpha and adalimumab differentially regulate CD36 expression in human monocytes. Arthritis Res. Ther., 2007; 9 (2): R22. doi: 10.1186/ar2133Boyer J.F., Balard P., Authier H., Faucon B., Bernad J., Mazières B., Davignon J.L., Cantagrel A., Pipy B., Constantin A. Tumor necrosis factor alpha and adalimumab differentially regulate CD36 expression in human monocytes. Arthritis Res. Ther., 2007; 9 (2): R22. doi: 10.1186/ar2133Herrero-Cervera A., Soehnlein O., Kenne E. Neutrophils in chronic inflammatory diseases. Cell. Mol. Immunol., 2022; 19 (2): 177–191. doi: 10.1038/s41423-021-00832-3Herrero-Cervera A., Soehnlein O., Kenne E. Neutrophils in chronic inflammatory diseases. Cell. Mol. Immunol., 2022; 19 (2): 177–191. doi: 10.1038/s41423-021-00832-3Qi X., Yu Y., Sun R., Huang J., Liu L., Yang Y., Rui T., Sun B. Identification and characterization of neutrophil heterogeneity in sepsis. Crit. Care., 2021; 25 (1): 50. doi: 10.1186/s13054-021-03481-0Qi X., Yu Y., Sun R., Huang J., Liu L., Yang Y., Rui T., Sun B. Identification and characterization of neutrophil heterogeneity in sepsis. Crit. Care., 2021; 25 (1): 50. doi: 10.1186/s13054-021-03481-0Filep J.G. Targeting Neutrophils for Promoting the Resolution of Inflammation. Front. Immunol., 2022; 13: 866747. doi: 10.3389/fimmu.2022.866747Filep J.G. Targeting Neutrophils for Promoting the Resolution of Inflammation. Front. Immunol., 2022; 13: 866747. doi: 10.3389/fimmu.2022.866747Salminen A. Increased immunosuppression impairs tissue homeostasis with aging and age-related diseases. J. Mol. Med. (Berl.), 2021; 99 (1): 1–20. doi: 10.1007/s00109-020-01988-7Salminen A. Increased immunosuppression impairs tissue homeostasis with aging and age-related diseases. J. Mol. Med. (Berl.), 2021; 99 (1): 1–20. doi: 10.1007/s00109-020-01988-7Williams M.C., Newby D.E. Machine learning to predict cardiac events in asymptomatic individuals. Atherosclerosis, 2021; 318: 38–39. doi: 10.1016/j.atherosclerosis.2020.12.006Williams M.C., Newby D.E. Machine learning to predict cardiac events in asymptomatic individuals. Atherosclerosis, 2021; 318: 38–39. doi: 10.1016/j.atherosclerosis.2020.12.006

The authors declare that there are no conflicts of interest present.