М.Ю. Костенкова1

1 ГБУЗ «Областная психиатрическая больница им. К.Р. Евграфова» (г. Пенза, Россия)
1 marikost83@mail.ru

Постановка проблемы. Развитие персонализированной психиатрии сталкивается с выбором тактики терапии при наличии у пациента сопутствующих заболеваний, выявленных инструментальными, лабораторными и другими методами диагностики; поиском диагностически значимых сочетаний показателей крови при психических патологиях; определением четких биомаркеров в анализах крови, которые указывали бы на конкретное психическое расстройство. Основная проблема – сложность клинической интерпретации врачом обширных разнородных диагностических данных и разработка интегрированных аналитических систем, объединяющих эти сведения.

Цель. Создать математическую модель информативных параметров крови пациента. Представить модель информативных параметров методом когнитивной графики; определить признаковое пространство патологий и нормы параметров крови – основы для нейросетевой классификации при определении аномалий или прогнозов состояния пациента.

Результаты. Разработана математическая модель информативных параметров крови, на основе которой создана система визуализации многомерных данных в виде когнитивного образа «Тепловая карта». Определены диагностически значимые признаковые пространства, позволяющие дифференцировать нормальные и патологические состояния для последующего применения алгоритмов машинного обучения.

Практическая значимость. Разработанная математическая модель анализа параметров крови послужила основой для создания системы управления медицинскими данными «MedData» и обеспечила комплексную обработку клинической информации. Использование метода когнитивной графики позволило наглядно визуализировать разнородные данные, облегчило диагностический процесс для врачей. Сформированное признаковое пространство «Норма/Патологии» легло в основу для доработки алгоритмов машинного обучения, направленных на выявление диагностически значимых биомаркеров. Исследование вносит существенный вклад в цифровизацию психиатрии, обеспечивая переход от субъективных оценок к доказательным диагностическим методам.

Костенкова М.Ю. Математическое моделирование и цветовое кодирование для визуальной аналитики клинических параметров пациента // Биомедицинская радиоэлектроника. 2025. T. 28. № 5. С. 64−68. DOI: https://doi.org/10.18127/ j15604136-202505-13

1. Св-во о государственной регистрации программы для ЭВМ №2024662143 (РФ). Система управления медицинскими данными «MedData» (СУМД «MedData»)/ М.Ю. Костенкова, А.М. Молодежев. 2024.
2. Костенкова М.Ю., Сидорова М. А. Применение IT-технологий когнитивной визуализации медицинских данных // Измерение. Мониторинг. Управление. Контроль. 2023. № 4(46). С. 72–80. DOI 10.21685/2307-5538-2023-4-9. EDN IXFNUR.
3. Bishop C.M. Mixture density networks. 1994.
4. Гусев А.В., Новицкий Р.Э., Ившин А.А., Алексеев А.А. Машинное обучение на лабораторных данных для прогнозирования заболеваний // Фармакоэкономика. Современная фармакоэкономика и фармакоэпидемиология. 2021. Т. 14. № 4. С. 581–592. DOI 10.17749/2070-4909/farmakoekonomika.2021.115. EDN ANFRKW.
5. Иванов А.И. Нейросетевой многокритериальный статистический анализ малых выборок. Проверка гипотезы независимости: Справочник. Пенза: Изд-во ПГУ. 2022. 218 с.