CC BY
26Информационно-вычислительные технологии, искусственный интеллект и обработка больших данных в медицине
ИССЛЕДОВАНИЕ ПРИЗНАКОВ ВОЗНИКНОВЕНИЯ ОСЛОЖНЕНИЙ ПРИ АКУШЕРСКОМ ПЕРИТОНИТЕ НА РАННЕМ ЭТАПЕ МЕТОДАМИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Романов Р.А.1, Костенко В.Д.1, Полиданов М.А.2, Кондрашкин И.Е.2
Саратовский государственный университет, Саратов, Россия 2Саратовский государственный медицинский университет имени В.И. Разумовского, Саратов, Россия Научный руководитель: Барулина М.А, д-р физ.-мат. наук
Введение. Перитонит остается одной из актуальных хирургических, общеклинических и общепатологических проблем в силу стабильно высокой летальности. В патогенезе перитонита выделяют воспаление париетального и висцерального листков брюшины, которое сопровождается тяжелым общим состоянием организма и, как правило, требует неотложной медицинской помощи. Прогноз при несвоевременном или недостаточном лечении перитонита весьма неблагоприятный, вплоть до летального исхода [1, 2]. Кроме того, есть вероятность возникновения послеоперационных осложнений различного типа [3]. Возможность выявления и прогнозирования возникновения осложнений на ранней стадии, несомненно, сможет значительно упростить построение и стратегию лечения. Зная об осложнениях, можно подготовиться к такому развитию ситуации и скорректировать схему наблюдения за пациентом, и его лечение.
Целью данной работы было определение признаков возникновения осложнений при акушерском перитоните на раннем этапе классическими статистическими методами и методами искусственного интеллекта на основе исследования результатов анализов, взятых у пациентов при поступлении в гинекологическое отделение с диагнозом перитонит.
Анализ данных. Во время обработки данных главной задачей было найти именно те показатели, которые влияли на возникновение осложнений. Были исследованы результаты анализов 18 пациентов, у 11 из которых на 3 или 5 день госпитализации возникли осложнения. Для определения степени значимости параметров набора данных (результатов анализов, взятых при госпитализации, и назначенного лечения) на возникновение осложнений было использовано два подхода. Первых подход был основан на построении корреляционных соотношений Пирсона [4] параметров и возникновения осложнений (0 - нет осложнений, 1 - есть осложнения). Второй подход использовал нейронную сеть CatBoost [5] для определения степени влияния парамеров на возникновение осложнений.
Согласно корреляции Пирсона было выявлено 25 параметров, коэффициент корреляции которых по модулю больше 0.3. Определение важности параметров с помощью нейросети дало другие параметры. Так среди параметров были определены всего 9, важность которых была более 2,5 %: С реактивный_белок (биохимия крови) 19,2 %, УЗИ брюшной полости (диурез 8,81 %, давность заболевания 11,29 %, пульс 3,47 %), биохимия крови Na 3,24 %, АЧТВ 3,97 %, ОАК (СОЭ 3,17 %, цветовой показатель 3,01 %, лимфоциты 2,80 %).
Заключение. В ходе работы были исследованы результаты анализов 18 пациентов, поступивших в гинекологическое отделение с диагнозом перитонит. Исследование важности параметров по влиянию на возникновение осложнений при лечении было проведено классическими статистическими методами и моделями глубокого обучения искусственного интеллекта. Было определено, что методы глубокого обучения определяют существенно меньше важных параметров, чем классические методы (9 и 25 параметров, соответственно). Так как алгоритмы глубокого обучения способны улавливать внутренние неявные связи между данными, то при дальнейшей работе с данными и обучении предиктивных моделей видится целесообразным использовать методы искусственного интеллекта для отбора важных параметров, а не классические статистические подходы.
Литература
1. Военно-полевая хирургия / ред. П.Г. Брюсов, Э.А. Нечаев. М.: Геотар, 1996.
2. Хирургические болезни / ред. М.И. Кузин. 2-е изд. М.: Медицина, 1995.
3. Савельев В.С., Гельфанд Б.Р. Абдоминальная хирургическая инфекция. Национальные рекомендации. М.: Боргес, 2011. 98 с.
4. Критерий корреляции Пирсона [Электронный ресурс]. URL: https://medstatistic.ru/methods/methods8.html7ysclid = lgce2phu7s101348257 (дата обращения: 11.04.2023).
5. CatBoost [Электронный ресурс]. URL: https://catboost.ai/7ysclid = Igce8l4u2w627918923 (дата обращения: 11.04.2023).
МАШИННОЕ ОБУЧЕНИЕ КАК ПОМОЩНИК В МЕДИЦИНЕ Сабитов Ш.К.
Казанский государственный энергетический университет, Казань, Россия Научный руководитель: Чичиров А.А., д-р хим. наук, профессор
В последние годы информационно-вычислительные технологии стали неотъемлемой частью медицинской отрасли. Они помогают врачам быстро и точно диагностировать заболевания, отслеживать эффективность лечения и сокращать время обработки медицинских данных. В данной статье мы рассмотрим некоторые примеры информационно-вычислительных технологий, применяемых в медицине, и обсудим их возможности и преимущества.
Машинное обучение, позволяет создавать алгоритмы, способные самостоятельно обрабатывать медицинские данные и находить в них закономерности и связи между различными показателями.
Вестник медицинского института «РЕАВИЗ». 2023. Том 13. № 2. Приложение
Например, исследования показали, что машинное обучение может помочь в диагностике рака груди, используя данные из маммографии. Также с его помощью можно обработать результаты анализов и выявить скрытые связи между различными факторами, такими как наследственность, питание и образ жизни, что позволяет более точно предсказывать риск различных заболеваний. Приложения для мониторинга здоровья могут отслеживать показатели, такие как пульс, кровяное давление и уровень глюкозы в крови, и отправлять полученную информацию врачу. Это позволяет врачам более точно оценивать состояние пациента и принимать более эффективные меры для лечения.
Для примера, можно разработать программу, использующую машинное обучение для анализа медицинских данных. Для этого необходимо собрать достаточно большой объем медицинских данных, включающих в себя результаты анализов, информацию о заболеваниях, возрасте и других факторах, влияющих на состояние здоровья пациента. Далее данные необходимо обработать и использовать алгоритмы машинного обучения для нахождения связей между различными факторами и прогнозирования вероятности возникновения заболеваний. Пример кода на python: import pandas as pd
from sklearn.neural_network import MLPClassifier from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split, StratifiedKFold, GridSearchCV
# Считываем данные
data = pd.read_csv('health_data.csv')
# Предобработка данных scaler = StandardScaler()
normalized_data = scaler.fit_transform(data.drop('disease', axis = 1))
# Разделяем данные на обучающую и тестовую выборки
train_data, test_data, train_labels, test_labels = train_test_split(normalized_data, data['disease'], test_size = 0.2)
# Выбираем модель машинного обучения и гиперпараметры model = MLPClassifier()
params = {'hidden_layer_sizes': [(10,), (20,), (30,)], 'max_iter': [1000, 2000, 3000], 'alpha': [0.0001, 0.001, 0.01]}
# Обучаем модель и выбираем наилучшие гиперпараметры с помощью GridSearchCV cv = StratifiedKFold(n_splits = 5)
grid_search = GridSearchCV(model, param_grid = params, cv = cv) grid_search.fit(train_data, train_labels) best_model = grid_search.best_estimator_
# Оцениваем качество модели на тестовой выборке accuracy = best_model.score(test_data, test_labels)
В этом коде используется модель машинного обучения Multi-layer Perceptron (MLP), которая представляет собой нейронную сеть с несколькими скрытыми слоями.
MLPClassifier из библиотеки scikit-learn является реализацией MLP для задачи классификации. В начале кода данные считываются из CSV-файла в DataFrame с помощью метода read_csv из библиотеки pandas. Затем данные предобраба-тываются с помощью StandardScaler из библиотеки scikit-learn. Нормализация данных может улучшить качество модели, поскольку помогает избежать проблем с различными масштабами признаков.
Далее данные разбиваются на обучающую и тестовую выборки с помощью метода train_test_split из библиотеки scikit-learn. Это необходимо для оценки качества модели на неизвестных данных. Затем выбирается модель MLPClassifier и ее гиперпараметры. В данном случае, мы выбираем гиперпараметры, такие как размер скрытого слоя, максимальное число итераций и параметр регуляризации.
Для выбора наилучших гиперпараметров используется GridSearchCV из библиотеки scikit-learn. GridSearchCV перебирает все возможные комбинации гиперпараметров и выбирает наилучшую модель по критерию качества на кросс-валидации. Для кросс-валидации мы используем StratifiedKFold, который сохраняет баланс классов во всех фолдах. Кроме того, мы разбиваем данные на 5 фолдов, то есть используем 5-кратную кросс-валидацию.
После обучения модели и выбора наилучших гиперпараметров, мы оцениваем качество модели на тестовой выборке с помощью метода score. Оценка accuracy показывает процент правильных ответов на тестовой выборке.
Один из реальных примеров, где можно использовать этот код, - это задача предсказания заболеваемости пациентов на основе их медицинских данных. Например, можно использовать этот код для предсказания вероятности возникновения сердечно-сосудистых заболеваний на основе данных о возрасте, поле, уровне холестерина, курении и других факторах.
Таким образом, большое количество данных в медицине может представлять как вызовы, так и возможности для различных медицинских организаций и исследовательских центров. Использование новых технологий и методов анализа может помочь максимально использовать эти данные и улучшить качество здравоохранения.
