Гаврилов Д. В. - все статьи автора в журнале
-
2006 № 4 Диспансерное наблюние пациентов с гипертонической болезнью - возможно ли эффективное решение старой проблемы?
-
2007 № 4 Информационные технологии при проведении углубленных медицинских осмотров в ходе реализации национального проекта «ЗДОРОВЬЕ»
-
2019 № 3 pdf Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний
Заболеваемость и смертность от сердечно-сосудистых заболеваний (ССЗ) остается лидирующей на протяжении последних десятилетий в всем мире. Методы первичной профилактики, основанные на управлении факторами сердечно-сосудистого риска, являются наиболее эффективными для снижения бремени ССЗ. В профилактической медицине для управления рисками ССЗ используются рискометры – шкалы, полученные в результате длительных проспективных исследований. Но практическое применение разработанных шкал показало ограничения в точности прогнозирования. Машинное обучение дает возможность повысить точность прогнозирования сердечно-сосудистого риска за счет нелинейных взаимосвязей их более глубокой настройки между факторами риска и результатами заболеваний. Используя данные 2236 пациентов, нами была обучена модель по признакам, используемым в построении фрамингемской шкалы. Мы сравнили полученную модель и Фрамингемскую шкалу на точность прогнозасердечно-сосудистого события. Так, по ROC анализу для Фрамингемской шкалы показатели следующие: точность Accuracy: 70,0%, качество AUC: 0.59. При этом для модели, полученной с использованием машинного обучения, аналогичные показатели составили: Accuracy: 78,8%, AUC: 0.84. Таким образом, использование алгоритмов машинного обучения, включая алгоритмы глубокого обучения, могут значительно повысить точность прогнозирования сердечно-сосудистых рисков обученных моделей.
-
2020 № 4 Алгоритм формирования подозрения на новую коронавирусную инфекцию на основе анализа симптомов для использования в системах поддержки принятия врачебных решений
Течение пандемии COVID‑19 накладывает значительную нагрузку на системы здравоохранения, в том числе
на первичное звено, когда необходимо правильно заподозрить и определить дальнейшую тактику. Неспецифичность симптомов и разносторонность проявлений COVID‑19 накладывают трудности для выявления подозрения на данное заболевание. Для улучшения определения COVID‑19 потенциально могут быть полезны симптом-чекеры и системы поддержки принятия врачебных решений (СППВР) с рекомендациями врачу для определения тактики ведения. Анализ научной литературы
показывает многогранность проявлений и частоту встречаемости COVID‑19. Взяв за основу этот анализ, мы структурировали проявления по частоте встречаемости, классифицировали их как «большие» и «малые». Были определены правила их взаимодействий для расчёта уровня подозрения на COVID‑19. Каждому уровню подозрения были разработаны рекомендации по тактике ведения пациента. Для определения симптомов COVID‑19 в неструктурированных текстах электронных медицинских карт были обучены модели NLP. Точность моделей по метрике F-мера составила от 84,6% до 96,0%. Таким образом, был разработан алгоритм выявления подозрения на COVID‑19, который потенциально может быть использован в симптом-чекерах и СППВР для помощи врачам по определению COVID‑19 и поддержки принятия тактических действий.