farmaecFARMAKOEKONOMIKA. Modern Pharmacoeconomics and PharmacoepidemiologyФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология2070-49092070-4933IRBIS LLC10.17749/2070-4909/farmakoekonomika.2021.115farmaec-607Research ArticleREVIEW ARTICLESОБЗОРНЫЕ ПУБЛИКАЦИИMachine learning based on laboratory data for disease predictionМашинное обучение на лабораторных данных для прогнозирования заболеванийhttps://orcid.org/0000-0002-7380-8460ГусевА. В.GusevA. V.

Гусев Александр Владимирович – к.т.н., директор по развитию бизнеса

Scopus Author ID: 57222273391

РИНЦ SPIN-код: 9160-7024.

наб. Варкауса, д. 17, Республика Карелия, Петрозаводск, 185031

Aleksandr V. Gusev – PhD (Engineering), Business Development Director

Scopus Author ID: 57222273391

RSCI SPIN-code: 9160-7024

17 Varkaus Emb., Republic of Karelia, Petrozavodsk, 185031

https://orcid.org/0000-0002-2350-977XНовицкийР. Э.NovitskiyR. E.

Новицкий Роман Эдвардович – генеральный директор

Scopus Author ID: 57222272806

РИНЦ SPIN-код: 8309-1740

наб. Варкауса, д. 17, Республика Карелия, Петрозаводск, 185031

Roman E. Novitskiy – Director General

Scopus Author ID: 57222272806

RSCI SPIN-code: 8309-1740

17 Varkaus Emb., Republic of Karelia, Petrozavodsk, 185031

https://orcid.org/0000-0001-7834-096XИвшинА. А.IvshinA. A.

Ившин Александр Анатольевич – к.м.н., заведующий кафедрой акушерства и гинекологии, дерматовенерологии 

Scopus Author ID: 57222275843

РИНЦ SPIN-код: 8196-6605

пр-т Ленина, д. 33, Республика Карелия, Петрозаводск, 185910

Aleksandr A. Ivshin – MD, PhD, Chief of Chair of Obstetrics and Gynecology, Dermatovenerology

Scopus Author ID: 57222275843

RSCI SPIN-code: 8196-6605

33 Lenin Ave., Republic of Karelia, Petrozavodsk, 185910

scipeople@mail.ruАлексеевА. А.AlekseevA. A.

Алексеев Александр Алексеевич – специалист 

наб. Варкауса, д. 17, Республика Карелия, Петрозаводск, 185031

Aleksandr A. Alekseev – Specialist 

17 Varkaus Emb., Republic of Karelia, Petrozavodsk, 185031

Общество с ограниченной ответственностью «К-Скай»РоссияK-Sky LLCRussian FederationФедеральное государственное бюджетное образовательное учреждение высшего образования «Петрозаводский государственный университет»РоссияPetrozavodsk State UniversityRussian Federation202125112021144581592Copyright © Gusev A.V., Novitskiy R.E., Ivshin A.A., Alekseev A.A., 20222022Гусев А.В., Новицкий Р.Э., Ившин А.А., Алексеев А.А.Gusev A.V., Novitskiy R.E., Ivshin A.A., Alekseev A.A.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.pharmacoeconomics.ru/jour/article/view/607Objective

Objective: to review domestic and foreign literature on the issue of machine learning methods applied in medical information systems (MIS), to analyze the accuracy and efficiency of the technologies under study, their advantages and disadvantages, the possibilities of implementation in clinical practice.

Material and methods

Material and methods. The literature search was performed in the PubMed/MEDLINE databases covering the period from 2000 to 2020 (using groups of keyphrases: "machine learning", "laboratory data", "clinical events", "prediction diseases"), CyberLeninka ("machine learning", "laboratory data", "clinical events", "prediction diseases" Russian keyphrases combinations) and Papers With Code ("clinical events", "prediction diseases", "electronic health record"). After reviewing the full text of 30 literature sources that met the selection criteria, the 19 most relevant articles were selected.

Results

Results. An analysis of sources that describe the application of artificial intelligence techniques to obtain predictive analytics, taking into account information about patients, such as demographic, anamnestic, and laboratory data, the data of instrumental studies, information about existing and former diseases available in MIS, was performed. The existing ways of predicting adverse medical outcomes using machine learning methods were considered. Information about the significance of the used laboratory data for constructing high-precision predictive mathematical models is presented.

Conclusion

Conclusion. Implementation of machine learning algorithms in MIS seems to be a promising tool for effective prediction of adverse medical events for wide application in real clinical practice. It corresponds to the global trend in the development of personalized medicine based on the calculation of individual risk. There is an increase in the activity of research in the field of predicting noncommunicable diseases using artificial intelligence technologies.

Цель

Цель: провести обзор отечественной и зарубежной литературы по проблеме применения методов машинного обучения в медицинских информационных системах (МИС), проанализировать точность и эффективность исследуемых технологий, их преимущества и недостатки, возможности внедрения в клиническую практику.

Материал и методы

Материал и методы. Поиск литературы осуществляли в базах данных PubMed/MEDLINE за период с 2000 по 2020 гг. (по группам ключевых словосочетаний “machine learning”, “laboratory data”, “clinical events”, “prediction diseases”), КиберЛенинка («машинное обучение», «лабораторные данные», «клинические события», «прогнозирование заболеваний») и Papers With Code (“clinical events”, “prediction diseases”, “electronic health record”). После изучения полного текста 30 литературных источников, соответствующих критериям отбора, выбрано 19 статей, наиболее релевантных поставленной задаче.

Результаты

Результаты. Выполнен анализ источников, описывающих применение технологий искусственного интеллекта для получения предиктивной аналитики с учетом доступных в МИС сведений о пациентах – демографических, анамнестических и лабораторных данных, данных инструментальных исследований, сведений об имеющихся и ранее перенесенных заболеваниях. Рассмотрены существующие cпособы прогнозирования неблагоприятных медицинских исходов с помощью методов машинного обучения, а также представлена информация о значимости используемых лабораторных данных для построения высокоточных предиктивных математических моделей.

Заключение

Заключение. Внедрение алгоритмов машинного обучения в МИС представляется перспективным инструментом эффективного прогнозирования неблагоприятных медицинских событий для широкого применения в реальной клинической практике, что соответствует общемировой тенденции по развитию персонифицированной, основанной на расчете индивидуального риска медицины. Наблюдается рост активности исследований в области прогнозирования неинфекционных заболеваний с использованием технологий искусственного интеллекта.

искусственный интеллектпрогнозированиебольшие акушерские синдромыпреэклампсиямашинное обучениенейронные сетиалгоритмыфакторы рискаartificial intelligencepredictiongreat obstetrical syndromespreeclampsiamachine learningneural networksalgorithmsrisk factorsИсследование выполнено при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках Соглашения № 075-15-2021-665.The research was carried out with the financial support of the Ministry of Science and Higher Education of the Russian Federation under the Agreement No. 075-15-2021-665.ReferencesВОЗ. Информационный бюллетень. Прогресс в борьбе с неинфекционными заболеваниями. Июнь 2017. Социальные аспекты здоровья населения. 2017; 4: 1–10.WHO. Information Bulletin. Progress in the fight against non-communicable diseases. June 2017. Social Aspects of Population Health. 2017; 4: 1–10 (in Russ.).Гаврилов Д.В., Серова Л.М., Корсаков И.Н. и др. Предсказание сердечно-сосудистых событий при помощи комплексной оценки факторов риска с использованием методов машинного обучения. Врач. 2020; 31 (5): 41–6. https://doi.org/10.29296/25877305-2020-05-08.Gavrilov D., Serova L., Korsakov I., et al. Cardiovascular diseases prediction by integrated risk factors assessment by means of machine learning. Vrach. 2020; 31 (5): 41–6 (in Russ.). https://doi.org/10.29296/25877305-2020-05-08.Гусев А.В., Гаврилов Д.В., Корсаков И.Н. и др. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний. Врач и информационные технологии. 2019; 3: 41–7.Gusev A.V., Gavrilov D.V., Korsakov I.N., et al. Prospects for the use of machine learning methods for predicting cardiovascular disease. Medical Doctor and IT. 2019; 3: 41–7 (in Russ.).Федеральный справочник лабораторных исследований. Справочник лабораторных тестов. URL: https://nsi.rosminzdrav.ru/#!/refbook/1.2.643.5.1.13.13.11.1080/version/3.28 (дата обращения 23.09.2021).Federal Guide of Laboratory Research. Guide of laboratory tests. Available at: https://nsi.rosminzdrav.ru/#!/refbook/1.2.643.5.1.13.13.11.1080/version/3.28 (accessed 23.09.2021).National Center for Biotechnology Information. URL: https://www.ncbi.nlm.nih.gov/ (дата обращения 23.09.2021).National Center for Biotechnology Information. Available at: https://www.ncbi.nlm.nih.gov/ (accessed 23.09.2021).Научная электронная библиотека «КиберЛенинка». URL: https://cyberleninka.ru/ (дата обращения 23.09.2021).Научная Scientific electronic library "CyberLeninka”. Available at: https://cyberleninka.ru/ (accessed 23.09.2021).Papers With Code, free resource with all data licensed under CC-BY-SA. URL: https://paperswithcode.com/ (дата обращения 23.09.2021).Papers With Code, free resource with all data licensed under CC-BY-SA. Available at: https://paperswithcode.com/ (accessed 23.09.2021).Churpek M.M., Yuen T.C., Winslow C., et al. Multicenter comparison of machine learning methods and conventional regression for predicting clinical deterioration on the wards. 2016; 44 (2): 368–74. https://doi.org/10.1097/CCM.0000000000001571.Churpek M.M., Yuen T.C., Winslow C., et al. Multicenter comparison of machine learning methods and conventional regression for predicting clinical deterioration on the wards. 2016; 44 (2): 368–74. https://doi.org/10.1097/CCM.0000000000001571.Choi E., Schuetz A., Stewart W.F., Sun J. Medical concept representation learning from electronic health records and its application on heart failure prediction. 2016; arXiv: 1602.03686.Choi E., Schuetz A., Stewart W.F., Sun J. Medical concept representation learning from electronic health records and its application on heart failure prediction. 2016; arXiv: 1602.03686.Razavian N., Marcus J., Sontag D. Multi-task Prediction of Disease Onsets from Longitudinal Lab Tests. 2016; arXiv: 1608.00647.Razavian N., Marcus J., Sontag D. Multi-task Prediction of Disease Onsets from Longitudinal Lab Tests. 2016; arXiv: 1608.00647.Сахибгареева М.В., Заозерский А.Ю. Разработка системы прогнозирования диагнозов заболеваний на основе искусственного интеллекта. Вестник Российского государственного медицинского университета. 2017; 6: 42–6.Sakhibgareeva M.V., Zaozersky A.Yu. Developing an artificial intelligence-based system for medical prediction. Bulletin of Russian State Medical University. 2017; 6: 42–6 (in Russ.).Waljee A.K., Lipson R., Wiitala W.L., et al. Predicting hospitalization and outpatient corticosteroid use in inflammatory bowel disease patients using machine learning. Inflamm Bowel Dis. 2017; 24 (1): 45–53. https://doi.org/10.1093/ibd/izx007.Waljee A.K., Lipson R., Wiitala W.L., et al. Predicting hospitalization and outpatient corticosteroid use in inflammatory bowel disease patients using machine learning. Inflamm Bowel Dis. 2017; 24 (1): 45–53. https://doi.org/10.1093/ibd/izx007.Ye C., Fu T., Hao S., et al. Prediction of incident hypertension within the next year: prospective study using statewide electronic health records and machine learning. J Med Internet Res. 2018; 20 (1): e22. https://doi.org/10.2196/jmir.9268.Ye C., Fu T., Hao S., et al. Prediction of incident hypertension within the next year: prospective study using statewide electronic health records and machine learning. J Med Internet Res. 2018; 20 (1): e22. https://doi.org/10.2196/jmir.9268.Liu L., Shen J., Zhang M., et al. Learning the joint representation of heterogeneous temporal events for clinical endpoint prediction. 2018; arXiv: 1803.04837.Liu L., Shen J., Zhang M., et al. Learning the joint representation of heterogeneous temporal events for clinical endpoint prediction. 2018; arXiv: 1803.04837.Liu J., Zhang Z., Razavian N. Deep EHR: chronic disease prediction using medical notes. 2018; arXiv: 1808.04928.Liu J., Zhang Z., Razavian N. Deep EHR: chronic disease prediction using medical notes. 2018; arXiv: 1808.04928.Кротова О.С., Пиянзин А.И., Хворова Л.А., Жариков А.В. Некоторые математические подходы в построении моделей прогнозирования стадий компенсации и декомпенсации сахарного диабета у детей и подростков. Известия Алтайского государственного университета. 2018; 4: 83–7. https://doi.org/10.14258/izvasu(2018)4-15.Krotova O.S., Piyanzin A.I., Khvorova L.A., Zharikov A.V. Some mathematical approaches to develop models for prediction of compensation and decompensation stages of diabetes mellitus among children and adolescents. Izvestiya of Altai State University. 2018; 4: 83–7 (in Russ.). https://doi.org/10.14258/izvasu(2018)4-15.Lin J., Jiang A., Ling M., et al. Prediction of neurologic deterioration based on support vector machine algorithms and serum osmolarity equations. Brain Behav. 2018; 8 (7), e01023. https://doi.org/10.1002/brb3.1023.Lin J., Jiang A., Ling M., et al. Prediction of neurologic deterioration based on support vector machine algorithms and serum osmolarity equations. Brain Behav. 2018; 8 (7), e01023. https://doi.org/10.1002/brb3.1023.Diller G.P., Kempny A., Babu-Narayan S.V., et al. Machine learning algorithms estimating prognosis and guiding therapy in adult congenital heart disease: data from a single tertiary centre including 10 019 patients. Eur Heart J. 2019; 40 (13): 1069–77. https://doi.org/10.1093/eurheartj/ehy915.Diller G.P., Kempny A., Babu-Narayan S.V., et al. Machine learning algorithms estimating prognosis and guiding therapy in adult congenital heart disease: data from a single tertiary centre including 10 019 patients. Eur Heart J. 2019; 40 (13): 1069–77. https://doi.org/10.1093/eurheartj/ehy915.Lin Y.W., Zhou Y., Faghri F., et al. Analysis and prediction of unplanned intensive care unit readmission using recurrent neural networks with long short-term memory. PloS One. 2019; 14 (7): e0218942. https://doi.org/10.1371/journal.pone.0218942.Lin Y.W., Zhou Y., Faghri F., et al. Analysis and prediction of unplanned intensive care unit readmission using recurrent neural networks with long short-term memory. PloS One. 2019; 14 (7): e0218942. https://doi.org/10.1371/journal.pone.0218942.Wang H.L., Hsu W.Y., Lee M.H., et al. Automatic machine-learning-based outcome prediction in patients with primary intracerebral hemorrhage. Front Neurol. 2019; 10: 910. https://doi.org/10.3389/fneur.2019.00910.Wang H.L., Hsu W.Y., Lee M.H., et al. Automatic machine-learning-based outcome prediction in patients with primary intracerebral hemorrhage. Front Neurol. 2019; 10: 910. https://doi.org/10.3389/fneur.2019.00910.Gordon J., Lerner B. Insights into amyotrophic lateral sclerosis from a machine learning perspective. J Clin Med. 2019; 8 (10): 1578. https://doi.org/10.3390/jcm8101578.Gordon J., Lerner B. Insights into amyotrophic lateral sclerosis from a machine learning perspective. J Clin Med. 2019; 8 (10): 1578. https://doi.org/10.3390/jcm8101578.Lai H., Huang H., Keshavjee K., et al. Predictive models for diabetes mellitus using machine learning techniques. BMC Endocr Disord. 2019; 19 (1): 101. https://doi.org/10.1186/s12902-019-0436-6.Lai H., Huang H., Keshavjee K., et al. Predictive models for diabetes mellitus using machine learning techniques. BMC Endocr Disord. 2019; 19 (1): 101. https://doi.org/10.1186/s12902-019-0436-6.Canadian Primary Care Sentinel Surveillance Network (CPCSSN). URL: http://cpcssn.ca/ (дата обращения 23.09.2021).Canadian Primary Care Sentinel Surveillance Network (CPCSSN). Available at: http://cpcssn.ca/ (accessed 23.09.2021).Dinh A., Miertschin S., Young A., Mohanty S.D. A data-driven approach to predicting diabetes and cardiovascular disease with machine learning. BMC Med Inform Decis Mak. 2019; 19 (1): 211. https://doi.org/10.1186/s12911-019-0918-5.Dinh A., Miertschin S., Young A., Mohanty S.D. A data-driven approach to predicting diabetes and cardiovascular disease with machine learning. BMC Med Inform Decis Mak. 2019; 19 (1): 211. https://doi.org/10.1186/s12911-019-0918-5.National Center for Health Statistics. URL: https://www.cdc.gov/nchs/nhanes/ (дата обращения 23.09.2021).National Center for Health Statistics. Available at: https://www.cdc.gov/nchs/nhanes/ (accessed 23.09.2021).Zhu W., Razavian N. Graph neural network on electronic health records for predicting Alzheimer's disease. 2019; arXiv: 1912.03761.Zhu W., Razavian N. Graph neural network on electronic health records for predicting Alzheimer's disease. 2019; arXiv: 1912.03761.Landi I., Glicksberg B., Lee H., et al. Deep representation learning of electronic health records to unlock patient stratification at scale. NPJ Digit Med. 2020; 3: 96. https://doi.org/10.1038/s41746-020-0301-z.Landi I., Glicksberg B., Lee H., et al. Deep representation learning of electronic health records to unlock patient stratification at scale. NPJ Digit Med. 2020; 3: 96. https://doi.org/10.1038/s41746-020-0301-z.Weegar R., Sundström K. Using machine learning for predicting cervical cancer from Swedish electronic health records by mining hierarchical representations. PloS One. 2020; 15 (8): e0237911. https://doi.org/10.1371/journal.pone.0237911.Weegar R., Sundström K. Using machine learning for predicting cervical cancer from Swedish electronic health records by mining hierarchical representations. PloS One. 2020; 15 (8): e0237911. https://doi.org/10.1371/journal.pone.0237911.

The authors declare that there are no conflicts of interest present.