Разработка автоматизированного алгоритма дифференциальной диагностики желудочно-кишечных кровотечений с использованием методов математической статистики

А.В. Будыкина; Т.В. Зарубина; С.Е. Раузина; Е.В. Тихомирова; Е.Д. Фёдоров; О.И. Юдин; Р.В. Плахов; М.В. Бордиков

doi:10.18127/j20700997-202202-05

Разработка автоматизированного алгоритма дифференциальной диагностики желудочно-кишечных кровотечений с использованием методов математической статистики

А.В. Будыкина¹, Т.В. Зарубина², С.Е. Раузина³, Е.В. Тихомирова⁴, Е.Д. Фёдоров⁵, О.И. Юдин⁶, Р.В. Плахов⁷, М.В. Бордиков⁸

научная статья УДК 004.021 Страницы: 46-56 doi.org/10.18127/j20700997-202202-05

^1,2,3,4,5,7 ФГАОУ ВО «Российский национальный исследовательский медицинский университет
⁶ АО «Клиника К+31» (Москва, Россия)
⁸ ГБУЗ г. Москвы «Городская клиническая больница № 31» ДЗМ (Москва, Россия)

Ключевые слова: Cистема поддержки принятия клинических решений желудочно-кишечное кровотечение диагностический алгоритм метод Байеса

Аннотация

Постановка проблемы. Трудности в своевременном выявлении источника желудочно-кишечного кровотечения влияют на исход и качество оказываемой медицинской помощи пациентам хирургического профиля.

Цель работы – разработка и реализация алгоритма дифференциальной диагностики желудочно-кишечных кровотечений с использованием методов математической статистики.

Результаты. Представлен многоуровневый алгоритм диагностики пациентов с желудочно-кишечным кровотечением, точность которого составляет 88–98%. Полученные правила включают в себя параметры, определяющие клинику, локализацию и степень тяжести желудочно-кишечного кровотечения (всего 21 параметр).

Практическая значимость. Созданные правила могут быть внедрены в медицинские информационные системы медицинских организаций для поддержки принятия решений врачей-специалистов хирургического и гастроэнтерологического профилей.

Поступила: 04.10.2021
Одобрена: 23.11.2021
Принята: 09.03.2022

Для цитирования

Будыкина А.В., Зарубина Т.В., Раузина С.Е., Тихомирова Е.В., Фёдоров Е.Д., Юдин О.И., Плахов Р.В., Бордиков М.В. Разработка автоматизированного алгоритма дифференциальной диагностики желудочно-кишечных кровотечений с использованием методов математической статистики // Технологии живых систем. 2022. T. 19. № 2. С. 46-56. DOI: https://doi.org/10.18127/ j20700997-202202-05

Список источников

Котаев А.Ю. Желудочно-кишечные кровотечения: Учебное пособие. Ростов-на-Дону: Феникс. 2015. С. 8–18.
Руководство по скорой медицинской помощи при желудочно-кишечном кровотечении. М.: Минздрав РФ. 2014.
Беседина Н.К., Главнов П.В., Молостова А.С., Ермоленко Е.И., Варзин С.А. Проблема желудочно-кишечного кровотечения (обзор литературы) // Здоровье – основа человеческого потенциала: проблемы и пути их решения. 2020. Т. 15. № 2. С. 738–754.
Taveras L.R., Weis H.B., Weis J.J., Hennessy S.A. Acute Gastrointestinal Bleeding. In: Renton D., Lim R., Gallo A., Sinha P. (eds) The SAGES Manual of Acute Care Surgery. Springer. Cham. 2020. https://doi.org/10.1007/978-3-030-21959-8_7
Домарев Л.В. Капсульная эндоскопия в диагностике заболеваний тонкой кишки. М.: Институт Хирургии им. А. В. Вишневского. 2007.
Кобринский Б.А. Системы поддержки принятия решений в здравоохранении и обучении // Врач и информационные технологии. 2010. № 2. С. 39–45.
Гаврилов Э.Л., Хоманов  К.Э., Короткова  А.В., Аслибекян  Н.О., Шевченко  Е.А. Актуальные направления развития справочно-информационных он-лайн приложений для врачей // Вестник Национального медико-хирургического центра им. Н.И. Пирогова. 2017. Т. 12. № 1. С. 83–87.
Seo D.W., Yi H., Park B., Kim Y.J., Jung D.H., Woo I., Sohn C.H., Ko B.S., Kim N., Kim W.Y. Prediction of Adverse Events in Stable Non-Variceal Gastrointestinal Bleeding Using Machine Learning // J. Clin. Med. 2020. Aug 11. V. 9(8). P. 2603. DOI: 10.3390/jcm9082603
Shung D., Laine L. Machine Learning Prognostic Models for Gastrointestinal Bleeding Using Electronic Health Record Data // Am. J. Gastroenterol. 2020. V. 115(8). P. 1199–1200. DOI: 10.14309/ajg.0000000000000720
Shung D. Advancing care for acute gastrointestinal bleeding using artificial intelligence // Journal of Gastroenterology and Hepatology. 2021. V. 36. P. 273–278. DOI: 10.1111/jgh.15372
Будыкина А.В., Тихомирова Е.В., Киселев К.В., Зарубина Т.В., Раузина С.Е., Фёдоров Е.Д., Юдин О.И. Формализация знаний о желудочно-кишечном кровотечении неясного генеза для использования в интеллектуальных системах поддержки принятия врачебных решений // Вестник новых медицинских технологий. 2020. № 4. С. 98–101. DOI: 10.24411/1609-2163-2020-16741
Будыкина А.В. Разработка базы знаний экспертной системы диагностики пациентов с желудочно-кишечными кровотечениями // Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сб. научных трудов X-й Междунар. научно-техн. конф. (ИММВ-2021, Коломна, 17-20 мая 2021 г.). В 2-х томах. Т. 2. Смоленск: Универсум. 2021. C. 303–310.
Беккенбах Э. Прикладная комбинаторная математика / Сб. статей. М.: 2015. 528 c.

[1] Котаев А.Ю. Желудочно-кишечные кровотечения: Учебное пособие. Ростов-на-Дону: Феникс. 2015. С. 8–18.

[2] Руководство по скорой медицинской помощи при желудочно-кишечном кровотечении. М.: Минздрав РФ. 2014.

[3] Беседина Н.К., Главнов П.В., Молостова А.С., Ермоленко Е.И., Варзин С.А. Проблема желудочно-кишечного кровотечения (обзор литературы) // Здоровье – основа человеческого потенциала: проблемы и пути их решения. 2020. Т. 15. № 2. С. 738–754.

[4] Taveras L.R., Weis H.B., Weis J.J., Hennessy S.A. Acute Gastrointestinal Bleeding. In: Renton D., Lim R., Gallo A., Sinha P. (eds) The SAGES Manual of Acute Care Surgery. Springer. Cham. 2020. https://doi.org/10.1007/978-3-030-21959-8_7

[5] Домарев Л.В. Капсульная эндоскопия в диагностике заболеваний тонкой кишки. М.: Институт Хирургии им. А. В. Вишневского. 2007.

[6] Кобринский Б.А. Системы поддержки принятия решений в здравоохранении и обучении // Врач и информационные технологии. 2010. № 2. С. 39–45.

[7] Гаврилов Э.Л., Хоманов  К.Э., Короткова  А.В., Аслибекян  Н.О., Шевченко  Е.А. Актуальные направления развития справочно-информационных он-лайн приложений для врачей // Вестник Национального медико-хирургического центра им. Н.И. Пирогова. 2017. Т. 12. № 1. С. 83–87.

[8] Seo D.W., Yi H., Park B., Kim Y.J., Jung D.H., Woo I., Sohn C.H., Ko B.S., Kim N., Kim W.Y. Prediction of Adverse Events in Stable Non-Variceal Gastrointestinal Bleeding Using Machine Learning // J. Clin. Med. 2020. Aug 11. V. 9(8). P. 2603. DOI: 10.3390/jcm9082603

[9] Shung D., Laine L. Machine Learning Prognostic Models for Gastrointestinal Bleeding Using Electronic Health Record Data // Am. J. Gastroenterol. 2020. V. 115(8). P. 1199–1200. DOI: 10.14309/ajg.0000000000000720

[10] Shung D. Advancing care for acute gastrointestinal bleeding using artificial intelligence // Journal of Gastroenterology and Hepatology. 2021. V. 36. P. 273–278. DOI: 10.1111/jgh.15372

[11] Будыкина А.В., Тихомирова Е.В., Киселев К.В., Зарубина Т.В., Раузина С.Е., Фёдоров Е.Д., Юдин О.И. Формализация знаний о желудочно-кишечном кровотечении неясного генеза для использования в интеллектуальных системах поддержки принятия врачебных решений // Вестник новых медицинских технологий. 2020. № 4. С. 98–101. DOI: 10.24411/1609-2163-2020-16741

[12] Будыкина А.В. Разработка базы знаний экспертной системы диагностики пациентов с желудочно-кишечными кровотечениями // Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сб. научных трудов X-й Междунар. научно-техн. конф. (ИММВ-2021, Коломна, 17-20 мая 2021 г.). В 2-х томах. Т. 2. Смоленск: Универсум. 2021. C. 303–310.

[13] Беккенбах Э. Прикладная комбинаторная математика / Сб. статей. М.: 2015. 528 c.

Аннотация

Для цитирования

Похожие статьи