Машинное обучение на лабораторных данных для прогнозирования заболеваний

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. 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. 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. 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.

1. ВОЗ. Информационный бюллетень. Прогресс в борьбе с неинфекционными заболеваниями. Июнь 2017. Социальные аспекты здоровья населения. 2017; 4: 1–10.

2. 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.

3. 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.

4. 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).

5. National Center for Biotechnology Information. URL: https://www.ncbi.nlm.nih.gov/ (дата обращения 23.09.2021).

6. Научная электронная библиотека «КиберЛенинка». URL: https://cyberleninka.ru/ (дата обращения 23.09.2021).

7. Papers With Code, free resource with all data licensed under CC-BY-SA. URL: https://paperswithcode.com/ (дата обращения 23.09.2021).

8. 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.

9. 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.

10. Razavian N., Marcus J., Sontag D. Multi-task Prediction of Disease Onsets from Longitudinal Lab Tests. 2016; arXiv: 1608.00647.

11. Сахибгареева М.В., Заозерский А.Ю. Разработка системы прогнозирования диагнозов заболеваний на основе искусственного интеллекта. Вестник Российского государственного медицинского университета. 2017; 6: 42–6.

12. 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.

13. 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.

14. Liu L., Shen J., Zhang M., et al. Learning the joint representation of heterogeneous temporal events for clinical endpoint prediction. 2018; arXiv: 1803.04837.

15. Liu J., Zhang Z., Razavian N. Deep EHR: chronic disease prediction using medical notes. 2018; arXiv: 1808.04928.

16. 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.

17. 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.

18. 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.

19. 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.

20. 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.

21. 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.

22. 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.

23. Canadian Primary Care Sentinel Surveillance Network (CPCSSN). URL: http://cpcssn.ca/ (дата обращения 23.09.2021).

24. 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.

25. National Center for Health Statistics. URL: https://www.cdc.gov/nchs/nhanes/ (дата обращения 23.09.2021).

26. Zhu W., Razavian N. Graph neural network on electronic health records for predicting Alzheimer's disease. 2019; arXiv: 1912.03761.

27. 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.

28. 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.