Обзор литературных источников для решения задачи планирования в страховой медицинской организации методами машинного обучения
научный журнал «Актуальные исследования» #11 (14), июнь '20

Обзор литературных источников для решения задачи планирования в страховой медицинской организации методами машинного обучения

В настоящее время в связи с увеличением темпа жизни встает проблема роста числа больных различными заболеваниями. Настоящая статья посвящена рассмотрению литературных источников для решения задачи планирования в страховой медицинской организации методами машинного обучения. В статье были рассмотрены литературные источники, которые позволят использовать методы машинного обучения «с учителем» и «без учителя» для повышения достоверности и оперативности принимаемых решений в ходе прогнозирования используемых данных.

Аннотация статьи
машинное обучение
искусственный интеллект
математическое моделирование
медицинская статистика
прогноз заболеваний
математическое прогнозирование
прогнозирование в медицине
Ключевые слова

Прогнозирование различных исходов болезней в современных условиях приобретает особую актуальность, так как информационные технологии достигли достаточного уровня для получения достоверных прогнозов. Обучение задачам планирования и прогнозирования по электронным персонифицированным картам данных больных может производиться как с преподавателем, так и без преподавателя, то есть машинным способом.

М.Н. Голубев в диссертации «Разработка и анализ алгоритмов детектирования и классификации объектов на основе методов машинного обучения» раскрывает основные направления развития машинного обучения, рассматривая его как эффективный механизм, позволяющий человеку успешно взаимодействовать с техникой.

А.Н. Азаров в статье «Среди ключевых компетенций: создание и интеграция модулей машинного обучения» раскрывает возможности и перспективы использования аналитики больших данных и других методик машинного обучения в отечественном здравоохранении.

Э.Дж. Робинсон в статье «Искусственный интеллект в медицине: прорыв в лечении пациентов» говорит об использовании искусственного интеллекта для построения действенных алгоритмов, способных к самообучению, и о тех перспективах, которые открывает современному здравоохранению машинное обучение.

Д.Фаггелла в статье «Применение машинного обучения в фармацевтике и медицине» раскрывает опыт компании Biopharma Berg, которая использует машинное обучение и искусственный интеллект для исследований и разработки медицинских методов. Автор описывает испытания дозировки для внутривенного лечения опухолей и выявления и лечения рака предстательной железы.

В работе «Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения» А.В. Гусев описывает особенности использования машинного обучения в процессе подтверждения диагноза и прогнозирования исходов заболевания.

Количественным методам медицинских исследований и прогнозов посвящена книга американских ученых Авива Петри и Кэролайн Сэбин «Наглядная медицинская статистика». В работе авторы представляют читателям теорию медицинской статистики, рассказывают об основополагающих статистических понятиях в медицине и предлагают примеры использования самых распространенных статистических методов при прогнозировании течения заболеваний. Также в издании описана разработка различных исследований и интерпретированы результаты данных исследований.

В книге В.Т. Приставко «Матpичные модели упpавления» рассмотрены методы построения математических моделей, способы оценки эффективности стратегий при помощи математических методов.

В учебно-методическом пособии «Методика составления прогноза эффективности применения различных способов лечения» (авторы В.Ф.Демьянов, В.М.Моисеенко, В.Н.Иголкин и др.) содержится методическое описание прогнозирования эффективности применения различных способов лечения. В данной работе описано, как применяется в медицинском прогнозировании негладкий дискриминантный анализ (создан на основе классического линейного дискриминантного анализа Фишера).

Обзор «Математическое моделирование и прогнозирование – как методы научного познания в медицине и биологии» (авторы - Затолокина М.А., Польской В.С., Зуева С.В., Ласкова А.В. и др.) дает представление об истории и современном положении математического моделирования в медицинской сфере.

Ценным источником в сфере использования математических методов в медицинском прогнозировании представляется статья Б.К. Койчубекова, М.А. Сорокиной, К.Э. Мхитарян «Математические методы прогнозирования в медицине». Авторы статьи показывают на примерах, что на выбор методики прогнозирования сильно влияет прогнозная база – имеющаяся информация по предыдущим периодам.

Т.П.Маслаускене, И.М.Михалевич, В.В.Басаевой в написанной ими статье «Рациональность использования математического прогноза в практическом здравоохранении» раскрыты некоторые особенности математического моделирования в медицине. Авторы приводят примеры использования математических методов для прогнозов в различных сферах клинической медицины. Раскрывается актуальность прогнозирования в эпидемиологии, профилактике и лечении различных заболеваний. Авторы предлагают вниманию читателя анализ медицинской информации и прогнозирование при помощи таких методов, как экстраполяция, «скользящие средние», экспоненциальное сглаживание, средний абсолютный прирост, средний темп роста, математические модели и т.д.

В статье С.А. Тарасовой «Прогнозирование в клинической медицине» описываются особенности дискриминантного анализа и его высокая точность, что делает его эффективным при выполнении прогнозирования. При помощи дискриминантного анализа может быть изучено различие групп объектов в соответствии с несколькими признаками.

Математическое моделирование медицинских вопросов, связанных с сердечно-сосудистой деятельностью, освещено в работе А.Я. Буничевой, М.А. Меняйловой, С.И. Мухина, Н.В. Соснина, А.П. Фаворского «Численное исследование гемодинамики большого круга кровообращения».

Этот же коллектив авторов в своем «Исследовании эволюции параметров течения в системе кровообращения под воздействием гравитационных нагрузок» провел моделирование работы кровообращения с учетом гравитации, смоделировали работу сердца и рассчитали уравнение состояния, составили модифицированный граф сердечно-сосудистой системы в состоянии перегрузок.

В исследовании И.В. Ашметкова, С.И. Мухина, Н.В. Соснина, А.П. Фаворского «Математическое моделирование гемодинамики в артериальной части мозгового кровообращения» ученые описывают построение математических моделей кровообращения в мозге. Объектом исследования является Виллизиев круг мозга. Рассчитан прогноз возникновения аневризмы, риск которой связан со скачками кровяного давления.

И.С.Лебеденко, Е.С.Новоселова и др. в работе «Математическая модель сердца» построили гидромеханическую модель нормальной деятельности сердечно-сосудистой системы человека. Также некоторыми исследователями были построены модели различных сердечных дефектов, таких как дефект межжелудочковой перегородки (работа Е.В. Блохиной) и др.

В работе «Методика математического моделирования сердечно –сосудистой системы» М.В.Абакумова, И.В.Ашметкова и других авторов исследовано кровообращение в организме. Авторы рассматривают факторы взаимного влияния различных органов друг на друга и на давление в кровеносной системе. Авторы разработали программы, с помощью которых можно моделировать кровообращение с учетом заданных параметров организма.

Исследование особенностей работы с медицинской информацией и документацией содержится в публикациях следующих авторов.

О.В.Трояновская в диссертации «Автоматизированные системы управления и обработки информации для архивов медицинских документов» раскрывает особенности и критерии, по которым классифицируются по запросам формализованные описания пациентов. Автор рассматривает алгоритмы использования данных, которые подлежат защите конфиденциальности. В настоящее время это актуальная проблема – требуется, чтобы разработчики уделяли пристальное внимание этическим и нормативным ограничениям на каждом этапе обработки данных. Происхождение данных и согласие на их использование и повторное использование имеют особое значение, особенно для математических моделей, которые требуют значительных объемов и большого разнообразия данных. Весьма вероятно, что такие разрозненные данные будут иметь различные условия использования и/или будут связаны различными правовыми гарантиями. Ярким примером является недавно принятое европейское общее положение «О защите данных», которое устанавливает конкретные требования к информированному согласию на использование данных и предоставляет субъектам данных ряд прав, которые должны соблюдаться теми, кто обрабатывает их данные.

В.В. Севрюков в исследовании «Методические подходы и опыт разработки автоматизированной информационный системы медицинской службы части и соединения ВВС» рассматривает проблему медицинского наблюдения с точки зрения разнообразия и быстрого изменения различных факторов, что требует автоматизированного управления информацией. Машинное обучение, по мнению автора – путь к эффективному анализу медицинской документации и успешному прогнозированию развития заболевания или состояния здоровья пациента. Автор рассматривает проблемы применения машинного обучения в здравоохранении. Сегодня существует несколько препятствий, препятствующих более быстрой интеграции машинного обучения в здравоохранение. Одной из самых больших проблем является возможность получения наборов данных пациентов, которые имеют необходимый размер и качество образцов, необходимых для обучения современных моделей машинного обучения. Поскольку данные пациентов защищены строгими правилами конфиденциальности и безопасности, их нелегко собирать, делиться и распространять. Кроме того, существуют проблемы с форматом и качеством данных, которые обычно требуют значительных усилий для очистки и подготовки к анализу машинного обучения.

По мере того как машинное обучение и наука о данных начинают использоваться в качестве инструмента в медицинских приложениях, отрасль медленно раздвигает границы того, что она может делать. Основная функция, скорее всего, будет включать анализ данных, основанный на том факте, что каждый пациент генерирует большие объемы медицинских данных, таких как результаты рентгенографии, вакцинации, образцы крови, жизненно важные показатели, последовательности ДНК, текущие лекарства, другие прошлые истории болезни и многое другое.

О.С. Безнос в своем исследовании «Разработка методического аппарата для создания медицинской информационной системы лечебного учреждения» обосновывает необходимость использования искусственного интеллекта в работе с медицинской документацией. Автор рассматривает комплексные медицинские информационные системы, как эффективный инструмент обработки информации на всех этапах работы с пациентами, от поступления и диагностики и до постклинического мониторинга. Одним из применений машинного обучения в контексте здравоохранения является цифровая диагностика. Искусственный интеллект может обнаруживать паттерны определенных заболеваний в электронных медицинских записях пациента и информировать клиницистов о любых аномалиях. В этом смысле метод искусственного интеллекта можно сравнить со «второй парой глаз», которые могут оценивать здоровье пациента на основе знаний, извлеченных из больших массивов данных, суммируя миллионы наблюдений заболеваний, которые пациент мог бы иметь. Чтобы проиллюстрировать, насколько полезным может быть машинное обучение в качестве инструмента медицинской диагностики, автор приводит конкретные примеры.

В исследовании Т.Ш. Кутушева «Научные подходы в использовании информационных технологий при оказании медицинской помощи» раскрыты перспективы работы с прогрессивными информационными технологиями в сфере оформления и ведения медицинской документации. По мнению автора, использование современных цифровых технологий и систем позволит усовершенствовать организацию и качество медицинской документации, что положительно скажется на работе отечественного здравоохранения.

Таким образом, обзор литературы и источников по выбранной теме демонстрирует, что в данных исследованиях содержится наглядная демонстрация того, что высокие информационные технологии могут быть успешно применены в процессе обработки различных данных, в том числе и неинвазивного характера.

Текст статьи
  1. Ашметков И.В. Математическое моделирование гемодинамики в артериальной части мозгового кровообращения // МАКС Пресс. – 2003. – 23с.
  2. Безнос О.С. Разработка методического аппарата для создания медицинской информационной системы лечебного учреждения // Краснодар. – 2012. – 188 с.
  3. Буничева А.Я. Исследование эволюции параметров течения в системе кровообращения под воздействием гравитационных нагрузок // МАКС Пресс. – 2013. - 18 с.
  4. Буничева А.Я. Численное исследование гемодинамики большого круга кровообращения // МАКС Пресс, 2013. – 20 с.
  5. Голубев М.Н. Разработка и анализ алгоритмов детектирования и классификации объектов на основе методов машинного обучения // Ярославль. – 2012. – 206 с.
  6. Pries K. Big Data Analytics: A practical guide for managers // Auerbach Publications. – 2015.
  7. Wingerath W. Real-time stream processing for Big Data // Information Technology. – 2016. – 58(4). – Р. 186–194.
  8. Hongzhi W. The design of course architecture for big data. // In Proceedings of the ACM Turing 50th Celebration Conference. – 2017.
  9. Danah B. Critical questions for Big Data // Information, Communication & Society. – 2012. – Р. 662-679.
  10. Min Chen. Big Data: A Survey // Mobile Networks and Applications. – 2014. – Р. 171–209.
Список литературы
Ведется прием статей
Прием материалов
c 01 июля по 16 июля
Осталось 11 дней до окончания
Препринт статьи — после оплаты
Справка о публикации
БЕСПЛАТНО
Размещение электронной версии
21 июля
Загрузка в elibrary
21 июля
Рассылка печатных экземпляров
25 июля