2024, випуск 4, c. 71-80
Одержано 24.09.2024; Виправлено 27.10.2024; Прийнято 03.12.2024
Надруковано 18.12.2024; Вперше Online 23.12.2024
https://doi.org/10.34229/2707-451X.24.4.7
Попередня | ПОВНИЙ ТЕКСТ | Наступна
Прогнозування і оцінка ризику інфаркту міокарду за сукупністю текстів лікарських висновків
М.О. Празднікова
Інститут кібернетики імені В.М. Глушкова НАН України, Київ
Листування: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.
Вступ. Інфаркт міокарда залишається однією з провідних причин смерті у світі, викликаючи ушкодження серцевого м'яза через раптове порушення кровопостачання. В основі розвитку інфаркту лежать фактори ризику, такі як куріння, вік, стать, високий рівень холестерину, діабет та інші. Незважаючи на значний прогрес у методах діагностики та лікування, завчасне прогнозування ризику інфаркту залишається важливим завданням, яке може значно знизити смертність і покращити якість життя пацієнтів. У цій статті розглянуто підхід до прогнозування ризику інфаркту на основі аналізу текстових даних лікарських висновків за допомогою машинного навчання.
Мета роботи – розробка та впровадження ефективної моделі прогнозування ризику інфаркту міокарда шляхом аналізу великих обсягів медичних даних. Використовуючи деперсоналізовану базу даних ДНУ ЦІТОЗ ДУС, що містить лікарські записи за десятирічний період, дослідження спрямоване на виявлення ключових факторів та патернів, які можуть свідчити про підвищений ризик інфаркту. Застосування методів машинного навчання, зокрема наївного байєсівського класифікатора, дозволить оцінити ефективність таких підходів у медичній практиці та визначити їх потенціал для інтеграції у системи підтримки клінічних рішень.
Результати. Запропонована модель прогнозування показала високу ефективність у виявленні пацієнтів з підвищеним ризиком інфаркту. Аналізуючи частоту появи певних слів у медичних записах, алгоритм зміг передбачити високий ризик інфаркту для 80 % пацієнтів з очікуваним інфарктом. Це свідчить про значний потенціал використання текстових даних та методів машинного навчання для медичної діагностики. Крім того, зниження кількості помилкових прогнозів підкреслює надійність моделі та її придатність для практичного застосування.
Висновки. Використання машинного навчання для прогнозування ризику інфаркту на основі аналізу бази даних є перспективним напрямком у медичній практиці. Запропонований метод дозволяє підвищити точність діагностики та прогнозування, що може суттєво вплинути на вибір стратегії лікування та покращення результатів для пацієнтів. Інтеграція таких інструментів у клінічну практику сприятиме більш інформованому прийняттю рішень лікарями та зниженню ризиків для пацієнтів.
Ключові слова: інфаркт міокарда, прогнозування ризику, машинне навчання, база даних, наївний байєсівський класифікатор, медична аналітика.
Цитувати так: Празднікова М.О. Прогнозування і оцінка ризику інфаркту міокарду за сукупністю текстів лікарських висновків. Cybernetics and Computer Technologies. 2024. 4. С. 71–80. https://doi.org/10.34229/2707-451X.24.4.7
Список літератури
1. Кабінет Міністрів України. Як виявити інфаркт і що робити при серцевому нападі: коментує експерт. 2024 липня 24. https://kmu.gov.ua/news/yak-viyaviti-infarkt-i-shcho-robiti-pri-sercevomu-napadi-komentuye-ekspert (звернення: 24.07.2024)
2. Bemando C., Miranda E., Aryuni M. Machine-Learning-Based Prediction Models of Coronary Heart Disease Using Naïve Bayes and Random Forest Algorithms. International Conference on Software Engineering & Computer Systems and 4th International Conference on Computational Science and Information Management. 2021. P. 232–237.
3. Nandal N., Goel L., Tanwar R. Machine learning-based heart attack prediction: A symptomatic heart attack prediction method and exploratory analysis. 2022. P. 5–17.
4. Park J., Kim J., Kang S.-H., Lee J., Hong Y., Chang H.-J., et al. Artificial intelligence–enhanced electrocardiography analysis as a promising tool for predicting obstructive coronary artery disease in patients with stable angina. European Heart Journal - Digital Health. Vol. 5, Iss. 4. P. 444–453. https://doi.org/10.1093/ehjdh/ztae038
5. Медведєв М.Г. Відстань Левенштейна та пов'язані з нею задачі. Наукові записки НаУКМА. Комп'ютерні науки. 2000. Т. 18. С. 33–37. https://ekmair.ukma.edu.ua/server/api/core/bitstreams/c1190351-8225-469b-9d01-3eabafb6fee4/content
6. Jain Y. Principal Component Analysis (PCA) [NLP, Python]. 2024 https://medium.com/@yashj302/principal-component-analysis-pca-nlp-python-ce9caa58bd7a (звернення: 09.09.2024)
7. Suman S. Text Data Pre-Processing Using Word2Vector and t-SNE. 2024. https://medium.com/swlh/text-data-pre-processing-using-word2vector-and-t-sne-2321fbce5b9 (звернення: 09.09.2024)
8. Becht E., Dutertre C.-A., Kwok I.W.H., Ng L.G., Ginhoux F., Newell E.W. Evaluation of UMAP as an alternative to t-SNE for single-cell data. The preprint server of biology. April 10, 2018. https://doi.org/10.1101/298430
9. Nigam K., McCallum A., Thrun S., Mitchell T. Learning to classify text from labeled and unlabeled documents using EM. Machine Learning. 2000. 39. P. 103–134.
10. Празднікова М.О., Кравченко А.М., Тульчинський В.Г., Чайковський І.А. Використання бази даних ДНУ НЦППКМ ДУС для прогнозування ризику інфаркту міокарда: від ідеї до реалізації. Тези доповідей Міжнародної науково-практичної конференції «Організаційні та клінічні аспекти пацієнт-орієнтованого підходу до лікування та реабілітації в сучасних умовах», 29-30 травня 2024. С. 152. https://ua-medical.com/downloads/conferences/abstracts-2024.pdf
ISSN 2707-451X (Online)
ISSN 2707-4501 (Print)
Попередня | ПОВНИЙ ТЕКСТ | Наступна