И.А. Кузнецов1

1 Федеральное государственное бюджетное учреждение науки Центр информационных технологий в проекти­ровании Российской академии наук (г. Одинцово, Московская область, Россия)
1 info@ditc.ras.ru

Постановка проблемы. Появление концепции персонализированной медицины предъявляет новые требования для работы с пациентами, которые связаны с предикцией, персонализацией и прецизионностью. Вследствие этого на первое место выходит индивидуализация подхода к определению тактики лечения для достижения наилучшего результата и снижения риска развития осложнений. Построение прогнозных моделей для систем поддержки принятия медицинских решений основано на использовании методов машинного обучения и искусственного интеллекта, где важным критерием является наличие доверенных решений, которые могут быть интерпретируемы, а не представлены в виде модели «черного ящика».

Цель. Проведение сравнительного анализа наиболее эффективных методов машинного обучения, применяемых в медицине с целью последующей оценки возможности их интерпретации для принятия решений при прогнозировании переоперационных результатов.

Результаты. Проведен обзор и сделан анализ научных исследований в области построения прогнозных моделей для реализации принципов персонализированной медицины, рассмотрены наиболее востребованные и актуальные методы машинного обучения, применяемые метрики для оценки качества данных методов. Проведен сравнительный анализ интерпретируемости различных методов машинного обучения на основе данных органосохраняющих операций с локализованными образованиями паренхимы почки.

Практическая значимость. Показана возможность обосновать прогнозируемые значения от моделей машинного обучения существенно повышают доверие специалистов к результату работы искусственного интеллекта, что позволит в дальнейшем интегрировать данный вид решений в системы поддержки принятия медицинских решений при определении хирургической тактики лечения пациентов с локализованными образованиями паренхимы почки.

Кузнецов И.А. Современные математические методы для построения доверенных систем поддержки принятия медицинских решений // Системы высокой доступности. 2023. Т. 19. № 4. С. 63−72. DOI: https://doi.org/10.18127/j20729472-202304-05

1. Харбедия Е.Х. и др. Применение интеллектуального анализа в урологии // Урология. 2021. (3). С. 162–166.
2. Behrad F., Saniee Abadeh M. An overview of deep learning methods for multimodal medical data mining // Expert Systems with Applications. 2022. (200). C. 117006.
3. Реброва О.Ю. Жизненный цикл систем поддержки принятия врачебных решений как медицинских технологий // Врач и информационные технологии. 2020. № 1.
4. Сирота Е.С. и др. Анализ кривой обучения хирургов в зависимости от сложности нефрометрической оценки при выполнении лапароскопической резекции почки у пациентов с локализованными образованиями паренхимы почки // Урология. 2020. № 6. С. 11–18. DOI: https://dx.doi.org/10.18565/urology.2020.6.11-18
5. Гребенев Ф.В. и др. Прогнозирование функционального исхода после микрохирургического лечения нервавшихся аневризм мозга с помощью машинного обучения // III Всероссийская конференция молодых нейрохирургов в рамках Всерос. нейрохирургического форума: сб. тезисов: под ред. Н.А. Полуниной. М., 2022. 64 с.
6. Bektaş M. и др. Machine Learning Algorithms for Predicting Surgical Outcomes after Colorectal Surgery: A Systematic Review // World Journal of Surgery. 2022. № 12 (46). C. 3100–3110.
7. Nair A.A. и др. Machine learning approach to predict postoperative opioid requirements in ambulatory surgery patients // PLOS ONE. 2020. № 7 (15). C. e0236833.
8. Zanier O. и др. Machine learning-based clinical outcome prediction in surgery for acromegaly // Endocrine. 2022. № 2 (75). C. 508–515.
9. Jiang H. и др. Machine Learning for the Prediction of Complications in Patients After Mitral Valve Surgery // Frontiers in Cardiovascular Medicine. 2021. (8).
10. Sahara K. и др. Machine learning predicts unpredicted deaths with high accuracy following hepatopancreatic surgery // Hepatobiliary surgery and nutrition. 2021. № 1 (10). C. 20–30.
11. Ejmalian A. и др. Prediction of Acute Kidney Injury After Cardiac Surgery Using Interpretable Machine Learning // Anesthesiology and Pain Medicine. 2022. № 4 (12). C. e127140.
12. Hong L. и др. Prediction of low cardiac output syndrome in patients following cardiac surgery using machine learning // Frontiers in Medicine. 2022. (9).
13. Mekhaldi R.N. и др. Using Machine Learning Models to Predict the Length of Stay in a Hospital Setting под ред. Á. Rocha. Cham: Springer International Publishing. 2020.C. 202–211.
14. Farrokhi F. и др. Investigating Risk Factors and Predicting Complications in Deep Brain Stimulation Surgery with Machine Learning Algorithms // World Neurosurgery. 2020. (134). C. e325–e338.
15. Гридин В.Н. и др. Прогнозирование периоперационных параметров лапароскопических органосохранных вмешательств на почке с учетом «кривой обучения» хирурга // Биомедицинская радиоэлектроника. 2021. Т. 24. № 2. С. 13–20. DOI: 10.18127/j15604136-202102-02
16. Gebreyesus Y. и др. Machine Learning for Data Center Optimizations: Feature Selection Using Shapley Additive exPlanation (SHAP). Future Internet. 2023; 15(3):88. https://doi.org/10.3390/fi15030088