Дата публикации: 10 января 2020 г.

Ученые улучшают компьютерную диагностику заболеваний

Новое исследование MIT посвящено «графикам знаний о состоянии здоровья», которые показывают взаимосвязь между симптомами и заболеваниями и предназначены для помощи в постановке клинического диагноза. Проблема в том, что симптомы могут не соответствовать определенным условиям и группам пациентов. Цель ученых найти способы повышения точности диагностики.

Графики знаний о состоянии здоровья («health knowledge graphs») обычно составляются вручную опытными клиницистами, но это может быть трудоемким процессом. Недавно исследователи проэкспериментировали с автоматической генерацией этих графиков знаний по данных пациентов. Команда Массачусетского технологического института изучает, насколько хорошо в таких графиках сочетаются различные заболевания у разных групп пациентов.

В документе, представленном на Тихоокеанском симпозиуме по биокомпьютингу 2020, исследователи оценили автоматически сгенерированные графики знаний о состоянии здоровья на основе реальных наборов данных, включающих более 270 000 пациентов с почти 200 заболеваниями и более 770 симптомами.

Команда проанализировала, как различные модели использовали данные электронных медицинских карт (EHR), содержащие медицинские истории и истории лечения пациентов, для автоматического «изучения» паттернов корреляции между симптомами заболевания. 

Они обнаружили, что модели работают особенно плохо при заболеваниях, которые имеют высокий процент очень старых или молодых пациентов или высокий процент пациентов мужского или женского пола, но что выбор правильных данных для правильной модели и внесение других модификаций может улучшить точность диагностики.

Идея состоит в том, чтобы предоставить руководство для исследователей по взаимосвязи между размером набора данных, спецификацией модели и производительностью при использовании электронных медицинских записей для построения графиков знаний о состоянии здоровья. Это может привести к созданию более эффективных инструментов для оказания помощи врачам и пациентам в принятии медицинских решений или для поиска новых взаимосвязей между заболеваниями и симптомами.

«За последние 10 лет использование EHR резко возросло в больницах, поэтому мы надеемся получить огромное множество данных для изучения этих графиков взаимосвязей между симптомами заболевания», - говорит ведущий автор исследования аспирантка Ирен Чен (Irene Y. Chen), кафедры электротехники и компьютерных наук (EECS). «Очень важно внимательно изучить эти графики, чтобы их можно было использовать в качестве первых шагов диагностического инструмента».

Исследователи надеются использовать полученные результаты для построения надежной модели для развертывания в клинических условиях. В настоящее время график знаний о состоянии здоровья изучает связь между заболеваниями и симптомами, но не дает прямого прогноза заболевания по симптомам. «Мы надеемся, что любая прогностическая модель и любой график медицинских знаний будут подвергнуты стресс-тесту, чтобы клиницисты и исследователи в области машинного обучения могли с уверенностью сказать: «Мы верим, что это полезный диагностический инструмент», - говорит Чен.

Источник: news.mit.edu

Гасанбекова Л. А. Оценка эффективности финансово-хозяйственной деятельности государственных унитарных предприятий Практическое пособие / Л. А. Гасанбекова, В. И. Никитина, Б. В. Сошников; под общ. науч. ред. канд. экон. наук О. А. Коробко. – М.: ФГБНУ «Аналитический центр» Минобрнауки России, 2019. – 49 с. (ISBN 978-5-904670-54-2). Доступна электронная версия печатного издания.

Вопросы контроля хозяйственной деятельности и финансового аудита, национальной безопасности, системного анализа и управления Сборник материалов III Всеросс. науч.-практ. конф., г. Москва, 29 декабря 2017. – М.: ФГБНУ «Аналитический центр» Минобрнауки России, 2018. – 200 с. (ISBN 978-5-904670-53-5). Доступна электронная версия печатного издания.

открыть полный список изданий Центра →