Сухой Даниил Владимирович (ФГАОУ ВО «Пермский государственный национальный исследовательский университет», г. Пермь, Россия)
Полиданов Максим Андреевич (специалист научно-исследовательского отдела, ассистент кафедры медико-биологических дисциплин, Университет «Реавиз», г. Санкт-Петербург, Россия; аспирант кафедры хирургических болезней, Медицинский университет «Реавиз», г. Саратов, Россия)
Барулина Марина Александровна (д.ф-м.н., профессор, профессор кафедры естественно-научных дисциплин, Медицинский университет «Реавиз», г. Саратов, Россия; д.ф-м.н., директор Физико-математического института, ФГАОУ ВО «Пермский государственный национальный исследовательский университет»; г. Пермь, Россия; заведующий лабораторией «Анализ и синтез динамических систем в прецизионной механике», Саратовский научный центр РАН, Институт проблем точной механики и управления РАН, г. Саратов, Россия)
Масляков Владимир Владимирович (д.м.н., профессор, профессор кафедры мобилизационной подготовки здравоохранения и медицины катастроф, ФГБОУ ВО «Саратовский государственный медицинский университет им. В.И. Разумовского» Минздрава России; г. Саратов, Россия; д.м.н., профессор, профессор кафедры хирургических болезней, Медицинский университет «Реавиз», г. Саратов, Россия)
Паршин Алексей Владимирович (к.м.н., доцент, доцент кафедры акушерства и гинекологии лечебного факультета, ФГБОУ ВО «Саратовский государственный медицинский университет им. В.И. Разумовского» Минздрава России; г. Саратов, Россия)
Волков Кирилл Андреевич (ФГБОУ ВО «Саратовский государственный медицинский университет им. В.И. Разумовского» Минздрава России; г. Саратов, Россия)
| |
Раннее выявление и профилактика осложнений остаются сложной задачей из-за индивидуальных особенностей пациента и сложного взаимодействия различных факторов риска. Цель исследования. Исследование различных подходов для разработки системы прогнозирования осложнений, возникающих при перитоните, с использованием алгоритмов машинного обучения. Материалы и методы исследования. Были исследованы данные 1558 пациентов, которых госпитализировали с диагнозом перитонит. Средний возраст – 44±8 лет. Для достижения поставленной цели была решена подзадача нахождения именно тех показателей, которые влияли на возникновение осложнений. Построенная модель показала хорошую предсказательную способность по предсказанию возникновения или не возникновения осложнений. В поисках надежной прогностической модели мы оценили три наиболее непохожих друг на друга и общепризнанно самых эффективных алгоритма классического машинного обучения: K-ближайших соседей (KNN), машины опорных векторов (SVM) и градиентный бустинг на решающий деревьях. Результаты. Таким образом, нами были исследованы разные подходы для разработки системы прогнозирования вероятности осложнения перитонита методами искусственного интеллекта. Для рассматриваемой задачи наиболее эффективным алгоритмом оказался KNN, который был настроен с использованием перекрестной проверки и поиска гиперпараметров по сетке. Заключение. В качестве будущей работы необходимо продолжать мониторинг и обновление модели, учитывая изменяющиеся тенденции в данных и медицинской практике. Исследование демонстрирует потенциал использования алгоритмов машинного обучения для улучшения прогнозирования осложнений перитонита, тем самым способствуя повышению качества медицинского обслуживания и лечения пациентов.
Ключевые слова:перитонит; ранее выявление осложнений; прогнозирование осложнений; машинное обучение
|
|
| |
|
Читать полный текст статьи …
|
Ссылка для цитирования:
Сухой Д. В., Полиданов М. А., Барулина М. А., Масляков В. В., Паршин А. В., Волков К. А. ПРОБЛЕМЫ СОЗДАНИЯ СИСТЕМ ПРОГНОЗИРОВАНИЯ ОСЛОЖНЕНИЙ ПРИ ПЕРИТОНИТЕ НА ОСНОВЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и Технические Науки. -2024. -№07. -С. 139-146 DOI 10.37882/2223-2966.2024.7.36 |
|
|
