Опубликовано 11 января 2021, 20:29

Искусственный интеллект поможет следить за динамикой заболеваний

Искусственный интеллект поможет следить за динамикой заболеваний

© Indicator.Ru

Международная команда ученых, в которую вошли и российские исследователи, выяснила, что методы работы с большими данными и искусственный интеллект могут позволить выявить внутреннюю динамику заболеваний и помочь прогнозировать кризисы в области здравоохранения. Использование метода главных деревьев позволило смоделировать динамику кардиологических заболеваний и диабета. Исследование опубликовано в журнале GigaScience.

Впервые представление о болезни как о сложном динамическом процессе предложил Гиппократ. Сейчас благодаря усилиям медиков в определенных случаях можно сделать прогноз для больного, а не просто диагностировать его текущее состояние. Однако требуется гораздо большее: необходимо выявить типичные кризисы и составить надежный индивидуальный прогноз. На сегодняшний день существуют возможности зафиксировать все, что происходит с целыми странами в плане здравоохранения, в виде миллиардов историй болезней. Команда ученых из Великобритании, Франции и России попыталась понять, могут ли эти большие данные в сочетании с методами искусственного интеллекта ускорить процесс роста медицинских знаний. Такой способ может помочь в проведении динамического фенотипирования больных.

«Однако при этом мы сталкиваемся с одной серьезной проблемой. Построение точной индивидуальной клинической траектории требует длительного наблюдения за больным, при этом необходимо обеспечить систематический сбор информации о состоянии его организма. Эти данные (называемые длительными, или диахроническими, наблюдениями) очень трудно собирать, и обходится это весьма дорого. Мы располагаем гораздо большим объемом синхронных (моментальных) данных, полученных путем наблюдения за пациентами в течение относительно короткого периода времени (например, во время пребывания в больнице). Возможно ли на основе таких наблюдений реконструировать клинические траектории и динамические фенотипы?» — задается вопросом соавтор работы, профессор Лестерского университета и руководитель мегагранта «Масштабируемые сети систем искусственного интеллекта для анализа данных растущей размерности» в ННГУ Александр Горбань.

Ученые выдвинули гипотезу о том, что если число синхронных наблюдений будет достаточно большим, то они будут отображать структуру клинических траекторий, поскольку каждый пациент будет представлять различное состояние прогрессирующего заболевания по определенной траектории болезни. Для моделирования клинических данных исследователи использовали метод машинного обучения, называемый методом главных деревьев. Этот подход был применен к двум большим общедоступным наборам данных наблюдений из двух наиболее сложных областей общественного здравоохранения: кардиологии и лечения диабета.

Исследователи утверждают, что предлагаемая методика является достаточно общей и может быть применена ко многим различным заболеваниям и типам данных. Она позволит усовершенствовать анализ историй болезни в электронном виде, а также улучшить результаты непрерывного мониторинга пациентов с использованием носимых медицинских приборов.

Понравился материал? Добавьте Indicator.Ru в «Мои источники» Яндекс.Новостей и читайте нас чаще.

Пресс-релизы о научных исследованиях, информацию о последних вышедших научных статьях и анонсы конференций, а также данные о выигранных грантах и премиях присылайте на адрес science@indicator.ru.