Статьи с темой: «машинное обучение»
-
2026 № 5 Обогащенные данные и машинное обучение в диагностике замедленного заживления переломов большеберцовой кости.
Замедленное заживление переломов большеберцовой кости представляет серьезную проблему в современной травматологии, особенно при сложных диафизарных переломах. Эти переломы характеризуются высоким риском несращения, что приводит к удлинению сроков лечения, повышенному риску повторных хирургических вмешательств и значительным социально-экономическим последствиям. Задержка в консолидации кости часто сопровождается снижением функционального статуса пациента и ухудшением качества жизни.
Цель исследования: анализ использования обогащенных данных и машинного обучения в диагностике замедленного заживления переломов большеберцовой кости.
Материалы и методы. Традиционные методы лучевой диагностики, включая рентгенографию и компьютерную томографию, демонстрируют умеренную точность при выявлении замедленного заживления на ранних стадиях. Ограниченная способность стандартных методов выявить ранние признаки замедленного сращения затрудняет своевременную коррекцию лечебной тактики и повышает вероятность развития осложнений. Кроме того, несвоевременное выявление таких патологий увеличивает частоту необходимости повторных оперативных вмешательств и продлевает реабилитацию.
Результаты. Актуальным направлением исследований является разработка алгоритмов машинного обучения, которые анализируют данные лучевой диагностики и автоматически определяют признаки замедленного заживления. Однако эффективность таких алгоритмов ограничена, поскольку они опираются преимущественно на данные визуализации и не учитывают значимые клинические факторы риска. В этой связи мультимодальный подход, объединяющий данные лучевой диагностики с клиническими, биохимическими и генетическими параметрами, представляет собой перспективное решение. Использование обогащенных данных позволяет значительно повысить точность прогнозирования несращений
и снизить вероятность диагностических ошибок.
Выводы. Внедрение мультимодальных алгоритмов в клиническую практику представляет собой важный шаг к совершенствованию методов диагностики и лечения пациентов с диафизарными переломами большеберцовой кости. Такой подход способствует своевременному выявлению случаев замедленного заживления, оптимизации лечебной тактики и улучшению исходов лечения. Повышение точности диагностики позволит снизить риск осложнений, сократить сроки реабилитации и повысить качество жизни пациентов. -
2024 № 1 Моделирование процесса привлечения кадров в медицинские организации, оказывающие медицинскую помощь сельскому населению.
Дефицит медицинских специалистов и их диспропорциональное распределение как по территориям, так и специальностям является глобальной проблемой всемирного здравоохранения. Согласно данным Федеральной службы государственной статистики дефицит медицинских кадров по состоянию на 2022 год составляет 84,7 тысячи человек, из них 26,5 тысячи врачей, относительно 2021 года проблема дефицита среднего медперсонала стоит менее остро, но при этом сохраняется дефицит врачей. Неотъемлемой частью кадровой политики является процесс удержания квалифицированных специалистов. Сложные мотивы сотрудников к прекращению или продолжению работы в организации вступают во взаимодействие с кадровыми
решениями медицинской организации, что в свою очередь требует совместного изучения как характеристик сотрудников, так и характеристик организации.
Цель исследования: моделирование процесса привлечения кадров в медицинские организации, оказывающие медицинскую помощь сельскому населению.
Материалы и методы. Изучены данные о 151 студенте целевого обучения, поступившем в 2011 году в Оренбургский государственный медицинский университет. При помощи методов машинного обучения была построена математическая модель, позволяющая выявлять студентов целевого обучения с более высокой вероятностью привлечения в медицинскую организацию.
Результаты. Представленный набор данных является несбалансированным по целевой переменной, поскольку только 16,8% студентов продолжили работу в организации-заказчике. Среди всех вариантов наиболее оптимальным на кросс-проверке было использование дерева принятия решений с использованием весов для баланса классов. Все изученные медицинские организации можно разделить на 3 группы: организации с низким уровнем привлечения специалистов, организации со средним уровнем привлечения специалистов и организации с высоким уровнем привлечения специалистов. На основе полученных данных и анализа публикаций предложены меры по совершенствованию кадровой политики в медицинских организациях каждого типа.
Выводы. Таким образом, медицинские организации имеют возможность осуществлять контроль за уровнем привлечения студентов целевого обучения через факторы, связанные с характеристиками организации, такие как условия работы, репутация и имидж, возможности для карьерного роста и другие. -
2026 № 7 Прогнозирование восстановления минеральной плотности костной ткани в области бедренной кости у пациентов с первичным гиперпаратиреозом после паратиреоидэктомии.
Цель исследования: разработать прогностическую модель восстановления минеральной плотности костной ткани (МПК) в области бедренной кости в течение года после паратиреоидэктомии (ПТЭ) у пациентов с симптомной формой первичного гиперпаратиреоза (ПГПТ) с применением алгоритмов машинного обучения и параметров трехмерного моделирования проксимального отдела бедренной кости (3D-DXA).
Материалы и методы. Проведено ретроспективное одноцентровое исследование (n=116; 96,6% женщин; возраст 57,5 [45,75; 64] лет) на базе ФГБУ «НМИЦ эндокринологии им. академика И. И. Дедова» Минздрава России. В качестве бинарного исхода был прирост МПК ≥3% в области бедренной кости в целом (BMD TH) и шейки бедренной кости (BMD FN) через год после ПТЭ. Прогностические модели построены на основе категориального градиентного бустинга (CatBoostClassifier). Для предварительного отбора предикторов проведен одномерный сравнительный анализ подгрупп.
Качество моделей оценивалось по диагностической чувствительности (ДЧ), специфичности (ДС), прогностической ценности положительного (ПЦПР) и отрицательного (ПЦОР) результата.
Результаты. Мультивыходная модель с единым набором предикторов и общими гиперпараметрами показала нестабильное качество: для BMD FN ДЧ снизилась с 78% при кросс-валидации до 60% на тестовой выборке. Индивидуальные модели с раздельным набором предикторов и параметрами 3D-DXA продемонстрировали существенно более высокие результаты. Модель для BMD FN достигла ПЦПР 74±6% и ПЦОР 74±4% при кросс-валидаци; модель для BMD TH – ПЦПР 82±6% и ПЦОР 81±12%.
Заключение. Впервые разработаны прогностические модели восстановления МПК бедренной кости после ПТЭ при ПГПТ на основе алгоритмов машинного обучения. Разработанные модели являются инструментом поддержки принятия врачебных решений для персонализации послеоперационного ведения пациентов с ПГПТ: стратификации риска недостаточного восстановления МПК, планирования сроков контрольной денситометрии и обоснования назначения анти-остеопоротической терапии. -
2026 № 7 Метод TSA как инструмент оценки достаточности доказательной базы для разработки систем поддержки принятия медико-организационных решений в отделениях реанимации и интенсивной терапии.
При разработке систем поддержки принятия клинических и медико-организационных решений (СППР) ключевое значение имеет обоснование выбора аналитических методов на основе достаточной и статистически устойчивой доказательной базы.
Цель работы: разработать организационно-методический подход к обоснованию управленческих решений о внедрении технологий прогнозирования в практику ОРИТ (на примере прогнозирования сепсиса), включающий оценку достаточности доказательной базы методом TSA, идентификацию организационных барьеров и определение этапов перехода от исследовательской фазы к практической реализации.
Материалы и методы. Исследование выполнено в виде методологической работы на основе вторичного анализа данных ранее опубликованного систематического обзора и метаанализа. Количественный синтез результатов осуществлялся методом метаанализа с расчётом объединённой разницы средних значений AUROC между моделями на основе методов машинного обучения и традиционными клиническими шкалами. Для оценки достаточности доказательной базы к результатам метаанализа применён метод TSA с расчётом необходимого размера информации и с использованием границ эффективности О’Брайена-Флеминга.
Результаты. В метаанализ были включены 25 исследований, охватывающих 3 941 204 пациента. Объединённый анализ продемонстрировал статистически значимое превосходство моделей на основе методов машинного обучения по показателю AUROC по сравнению с традиционными клиническими шкалами при прогнозировании сепсиса. TSA выполнен по 22 исследованиям, предоставлявшим данные для расчёта эффекта и стандартной ошибки. TSA показал достижение необходимого размера информации и пересечение границы эффективности, что свидетельствует о достаточности совокупности накопленных данных для устойчивого вывода о превосходстве рассматриваемых подходов.
Выводы. Применение метода TSA к результатам метаанализа позволяет формализовать оценку достаточности доказательной базы, накопленной в мировой литературе, и обосновать выбор методологических подходов при разработке аналитических модулей СППР. -
2022 № 2 Прогнозирование развития гипертонической болезни с использованием моделей машинного обучения в подсистеме дистанционного кардиомониторинга
Одна из задач персонализированной медицины заключается в построении новой организационной модели оказания медицинской помощи пациентам, основываясь на подборе индивидуальных лечебных, диагностических и превентивных средств, оптимально подходящих по особенностям организма. Современные методы искусственного интеллекта позволяют решать задачи подобного типа.
Цель исследования – построение и применение прогностических моделей логистической регрессии и дерева решений с использованием методов машинного обучения для выявления пациентов с высоким риском развития гипертонической болезни без необходимости проведения инвазивных клинических процедур.
Материалы и методы. Используется сформированный набор данных, состоящий из 395 записей о пациентах Воронежской городской клинической поликлиники № 1. Каждая запись содержит параметры пациентов: пол пациента; возраст пациента; индекс массы тела; окружность талии; окружность бедер; статус курения табака; статус употребления алкоголя; систолическое давление; диастолическое давление. Применяются методы машинного обучения для построения прогностических моделей.
Результаты. Построены две модели прогнозирования развития гипертонической болезни, характеризующиеся высокими показателями точности классификации: модель логистической регрессии, предназначенная для расчета индивидуального риска пациента (точность 96%), и модель на основе деревьев решений, предназначенная для прогнозирования возможного заболевания пациента гипертонической болезнью и объяснения причин, по которым может происходить это заболевание (точность 92%).
Выводы. Показана целесообразность применения методов машинного обучения при построении прогностических моделей по оценке состояния пациентов, обозначена возможность создания рекомендательного блока на основе полученных моделей в подсистеме дистанционного кардиомониторинга. -
2023 № 4 Основополагающие принципы стандартизации и систематизации информации о наборах данных для машинного обучения в медицинской диагностике
О б о с н о в а н и е : Активное внедрение технологий искусственного интеллекта в сферу здравоохранения, которое мы наблюдаем в последние годы, способствует резкому росту количества медицинских данных, собираемых для разработки моделей машинного обучения, в том числе данных лучевой и инструментальной диагностики. Для решения различных задач в области цифровых медицинских технологий посредством алгоритмов машинного обучения создаются все новые и новые наборы данных, поэтому становятся актуальными проблемы их систематизации и стандартизации, хранения, доступа, рационального
и безопасного использования.
Ц е л ь : разработка подхода к систематизации и стандартизации информации о наборах данных для решения вопросов представления, хранения, применения и оптимизации использования наборов данных и обеспечения безопасности и прозрачности процессов разработки и испытаний медицинских изделий с использованием искусственного интеллекта.
М е т о д ы : анализ собственного и мирового опыта по созданию и использованию медицинских наборов данных, поиск и анализ медицинских справочников, разработка и обоснование структуры реестра, поиск научных публикаций с ключевыми словами «наборы данных», «реестр медицинских данных», размещенных в реферативных базах данных РИНЦ, Scopus, Web of Science.
Р е з у л ь т а т ы . Разработана структура реестра наборов данных в медицинской инструментальной диагностике с разделами, отражающими информацию по всем этапам формирования и использования наборов данных для машинного обучения: 7 параметров на этапе инициирования, 8 – на этапе планирования, 70 – карточка набора данных, 1 – смена версии, 14 – на этапе использования, всего – 100 параметров. В работе предлагается классификация наборов данных по цели их создания, классификация методов верификации данных, а также принципы формирования названий для стандартизации и наглядности представления наборов данных. Кроме того, освещены основные особенности организации ведения данного реестра: управление, качество данных, конфиденциальность и безопасность.
В ы в о д ы . Впервые предлагается оригинальная технология структуризации и систематизации управления медицинскими наборами данных для инструментальной диагностики, в основу которой положены разработанная терминология и принципы классификации информации, что позволяет стандартизировать структуру информации о наборах данных для машинного обучения, обеспечивает централизацию хранения, удобный и быстрый доступ ко всей информации о наборе данных, а также прозрачность, надежность и воспроизводимость результатов в сфере искусственного интеллекта. Создание реестра дает возможность оперативно формировать наглядные библиотеки данных, позволяя обширному кругу исследователей, разработчиков и компаний выбирать наборы данных для своих задач, что обеспечивает их широкое использование, оптимизацию ресурсов и способствует быстрому развитию и внедрению искусственного интеллекта. -
2023 № 6 Опыт применения технологий искусственного интеллекта для развития профилактического здравоохранения на примере Кировской области.
Здравоохранение является одной из приоритетных отраслей для практического применения систем искусственного интеллекта (ИИ). В 2018 г. в Кировской области было принято решение запустить собственный региональный проект внедрения технологий ИИ с целью получения практического опыта и понимания особенностей, преимуществ и барьеров применения ИИ. В качестве приоритетного направления было выбрано совершенствование профилактической медицины. В качестве базового программного продукта была выбрана российская платформа прогнозной аналитики Webiomed. Реализация проекта включала 3 этапа: пилотную апробацию в 2019–2020 гг., промышленную эксплуатацию в режиме «второго мнения» в 2021–2022 гг. и внедрение в режиме цифрового помощника, запущенное в 2023 г. В результате реализации 1го и 2го
этапов проекта удалось доказать, что главным преимуществом ИИ при анализе больших медицинских данных является автономная и высокая точность интерпретации имеющейся в ней информации. ИИ-система способна самостоятельно извлекать из электронных медицинских карт необходимые для анализа данные, сопоставлять их с данными прошлых периодов, оценивать динамику изменения показателей здоровья, выявлять появление опасных тенденций и факторов риска. Все вместе это позволяет формировать так называемые «цифровые профили» пациентов, которые в свою очередь представляют из себя ценный ресурс для поддержки принятия управленческих и клинических решений.