350 руб
Журнал «Динамика сложных систем - XXI век» №1 за 2022 г.
Статья в номере:
Использование методов машинного обучения для прогнозирования неврологических заболеваний
Тип статьи: научная статья
DOI: 10.18127/j19997493-202201-07
УДК: 004.89.616.8
Авторы:

К.С. Мышенков1, Некула Хаддад2

1,2 МГТУ им. Н.Э. Баумана (Москва, Россия)
 

Аннотация:

Постановка проблемы. В области медицины диагностика заболеваний - трудная задача, зависящая от тщательного анализа множества клинических и патологических данных пациента медицинскими экспертами, что является сложным процессом. Благодаря развитию машинного обучения и информационных технологий, исследователи и практикующие врачи в значительной степени заинтересованы в разработке автоматизированных систем раннего прогнозирования заболеваний, которые являются полезными, эффективными и высокоточными для профилактической диагностики. Это позволит минимизировать риски осложнений, улучшить качество лечения и избежать возможной госпитализации.

Цель. Рассмотреть задачу прогнозирования и ранней диагностики неврологических заболеваний с помощью методов машинного обучения.

Результаты. Поставлена задача классификации признаков для диагностирования болезни Паркинсона. Проведен анализ научной литературы [1] - [28] по использованию различных методов машинного обучения для прогнозирования неврологических заболеваний. На основании анализа научных материалов для решения задачи выбран метод градиентного бустинга и проанализированы признаки оценки двигательных нарушений в исследованиях болезни Паркинсона для 85 человек – информация о нажатии клавиш испытуемыми: Скорость печати, Результат смены постукивания пальцами, Результат нажатия одной клавиши. Приведены полученные результаты и рассчитано влияние каждого признака на качество классификации.

Практическая значимость. Исследования показали, что наилучший результат при диагностировании болезни Паркинсона получен при использовании таких признаков как: Результат смены постукивания пальцами и Результат нажатия одной клавиши, а Скорость печати оказался наихудшим. Полученные результаты представляют интерес для специалистов, занимающихся прогнозированием неврологических заболеваний, и студентов ВУЗов.

Страницы: 66-74
Для цитирования

Мышенков К.С., Некула Хаддад.  Использование методов машинного обучения для прогнозирования неврологических заболеваний // Динамика сложных систем. 2022. Т. 16. № 1. С. 66−74. DOI: 10.18127/j19997493-202201-07

Список источников
  1. Groves P. The big data revolution in healthcare: Accelerating value and innovation. McKinsey Quarterly. 2016.
  2. Chen M. Big data: a survey. Mobile Networks and Applications. 2014. № 2. P. 171–209.
  3. Jiang F. Artificial intelligence in healthcare: past, present and future. Stroke and Vascular Neurology. 2017. № 4. P. 230–243.
  4. Jenni A.M. Machine learning in medicine: a practical introduction. BMC Medical Research Methodology. 2019. № 1. P. 1–18.
  5. Sonawane J.S. Prediction of heart disease using multilayer perceptron neural network. International conference on information communication and embedded systems (ICICES2014). 2014. P. 1–6.
  6. Keto J. Cardiovascular disease risk factors in relation to smoking behaviour and history: a population-based cohort study. Open Hear. 2016. № 2. P. e000358.
  7. Jahmunah V. Automated detection of schizophrenia using nonlinear signal processing methods. Artif. Intell. Med. 2019. P. 101698.
  8. Ortega-Zamorano F. Layer Multiplexing FPGA Implementation for Deep Back-Propagation Learning. Integr. Comput. Aided Eng. 2017. № 2. P. 171–185.
  9. Raghavendra U. Artificial Intelligence Techniques for Automated Diagnosis of Neurological Disorders. European Neurology. 2019. № 1–3. P. 41–64.
  10. Islam J. Brain mri analysis for alzheimer’s disease diagnosis using an ensemble system of deep convolutional neural networks. Brain Informatics. 2018. № 2. P. 1–14.
  11. Fontana R. Early hippocampal hyperexcitability in ps2a pp mice: role of mutant ps2 and app. Neurobiol Aging. 2017. P. 64–76.
  12. Mahmud M. Processing and analysis of multichannel extracellular neuronal signals: State-of-the-art and challenges. Front Neurosci. 2016. P. 248.
  13. Hirtz D. How common are the «common» neurologic disorders? Neurology. 2007. № 5. P. 326–337.
  14. Robin Harris J. Protein Aggregation and Fibrillogenesis in Cerebral and Systemic Amyloid Disease. 2012. P. 389.
  15. Braak H. Invited Article: Nervous system pathology in sporadic Parkinson disease. Neurology. 2008. № 20. P. 1916–1925.
  16. Harshvardhan T. Early Prediction of Parkinson Disease Using Machine Learning and Deep Learning Approaches. EasyChair Preprint. 2021. № 4889.
  17. Geeta R. Handbook of Research on Disease Prediction through Data Analytics and Machine Learning. Manipal University Jaipur. 2020. № 1. P. 191–194.
  18. Thube S., Rajeswari K. Analysis of Different Data Mining Tools using Classification, Clustering and Association Rule Mining. International Journal of Computer Applications. 2014. № 8. P. 35–39.
  19. Usha R. D. Survey on Data Mining Tools and Techniques in Medical Field. International Journal of Advanced Networking & Applications. 2017. P. 51–54.
  20. Krishnapriya S., Kalita D. Prediction of Heart Disease using Data Mining Techniques. Indian Journal of Science and Technology. 2016. № 39. P. 1–5.
  21. Raudys S. Statistical and Neural Classifiers: An Integrated Approach to Design. Springer. 2001.
  22. Summers M. J. Deep machine learning application to the detection of preclinical neurodegenerative diseases of aging. Scientific Journal on Digital Cultures. 2017. № 2. P. 9–24.
  23. Ho T. K. Random decision forests perceptron training. ICDAR’95: Proceedings of the Third International Conference on Document Analysis and Recognition. 1995. P. 278–282.
  24. Torsten H. RandomForest4Life: a random forest for predicting ALS disease progression. Amyotroph Lateral Scler Frontotemporal Degener. 2014. № 5–6. P. 444–452.
  25. Debjani P. Predictive Systems: Role of Feature Selection in Prediction of Heart Disease. Journal of Physics Conference Series. 2019. № 1–6. P. 012074.
  26. Sindhanaiselvan K. Forecasting Chronic Disease using Gradient Boosting Algorithm. International Journal of Engineering and Advanced Technology. 2019. P. 1066–1070.
  27. Mathivanan G. An Ensemble Basedheart Disease Predictionusing Gradient Boosting Decision Tree. Turkish Journal of Computer and Mathematics Education. 2021. № 10. P. 3648–3660.
  28. Giancardo L. Computer keyboard interaction as an indicator of early Parkinson's disease. Scientific Reports 6. 2016. № 1. P. 1–10.
  29. Всемирная организация здоровья. Всемирная организация здравоохранения, 27 февраля 2017 г. [По состоянию на 12 декабря 2018 г.]. Доступно по адресу: https://www.who.int/mediacentre/news/releases/2007/pr04/e/
Дата поступления: 27.01.2022
Одобрена после рецензирования: 07.02.2022
Принята к публикации: 21.02.2022