ПРОГРАМНІ ПРОЦЕДУРИ НАВЧАННЯ РОЗПІЗНАВАЛЬНОЇ СИСТЕМИ ДЛЯ ДИФЕРЕНЦІЙНОЇ ДІАГНОСТИКИ ПАЦІЄНТІВ ЗА РІЗНОРІДНИМИ СИМПТОМОКОМПЛЕКСАМИ
DOI:
https://doi.org/10.20535/1970.67(1).2024.306735Ключові слова:
діагностика пацієнтів, гетерогенні симптомокомплекси, нормалізація параметрів, моделі розподілу параметрів, критерій накопичення рішеньАнотація
Розглядається система розпізнавання машинного навчання для диференціальної діагностики пацієнтів на основі гетерогенних комплексів нефрологічних параметрів, перехідна від інструментальних засобів обстеження. Під час навчання використовується емпірична статистика клінічних випадків у базі даних із надійними діагнозами.
Мета полягає в тому, щоб розширити можливості вилучення інформації з аналогічних баз даних для навчання процедурам розпізнавання шляхом збагачення цього інструментарію новими функціями, що містять характерні аспекти витягнутої інформації.
Об’єктом дослідження є математичний та програмний інструментарій для навчання процедур розпізнавання диференціальної діагностики пацієнтів на основі статистики достовірно діагностованих клінічних випадків.
Предметом дослідження є програмні процедури формування моделей падіння комплексу параметрів під час навчання за шкалами їх значень та процедури використання цих моделей у діагностиці. Освоєння моделі сприймається як основний зміст навчального процесу в забезпеченні диференціації діагнозу. Запропоновано критерій прийняття преференційних діагностичних рішень з використанням таких моделей.
Для спрощення розробки математичних і програмних процедур різнорідні симптомокомплекси нормалізуються і перетворюються на [0; 1] масштаб.
У вступі констатується значна поширеність у медицині та суміжних галузях баз даних зі статистичними даними медико-біологічних параметрів і характеристик органів і систем людини в різних станах, їх медичної інтерпретації та використання в різних цілях, часто пов’язаних з діагностикою пацієнтів.
Проблеми їх формування та використання окреслено на реальних базах даних, причому одним з ускладнюючих факторів у розробці діагностичного апаратно-програмного забезпечення є значна неоднорідність параметрів, що визначаються приладами обстеження пацієнтів.
Посилання
O.P. Minzer, Yu.V. Voronenko, V.V. Vlasov, "Information Technologies in Healthcare and Practical Medicine: In 10 volumes. Vol. 5. Processing Clinical and Experimental Data in Medicine: Educational Manual," Kyiv: Vyshcha shkola, 2003, pp. 350. (in Ukrainian)
S. Uddin, A. Khan, M. Hossain et al. “Comparing different supervised machine learning algorithms for disease prediction”, BMC Med Inform Decis Mak, 19, 281, 2019. DOI: 10.1186/s12911-019-1004-8.
Z. Yu, K. Wang, Z. Wan, et al. “Popular deep learning algorithms for disease prediction: a review”, Cluster Comput, 26(2), 1231–1251, 2023. DOI: 10.1007/s10586-022-03707-y.
Hung C-Y, Chen W-C, Lai P-T, Lin C-H, Lee C-C. “Comparing deep neural network and other machine learning algorithms for stroke prediction in a large-scale population-based electronic medical claims database”, in Engineering in Medicine and Biology Society (EMBC), 2017 39th Annual International Conference of the IEEE, vol. 1; 2017. p. 3110–3. IEEE. DOI: 10.1109/EMBC.2017.8037515.
O.P. Shulyak, "Fundamentals of Telemedicine System Structure: General Theoretical and Applied Issues of Telemedicine and Telemedicine System Construction," Kyiv: Igor Sikorsky KPI, 2022, pp. 288. (in Ukrainian)
O.P. Shulyak, "Telemedicine Systems: Communication and Information Support for Telemedical Procedures. Laboratory Practicum (Business Games) and Calculated Work for it," Kyiv: Igor Sikorsky KPI, 2020, pp. 73. (in Ukrainian)
S. Ekız, P. Erdoğmuş, “Comparative study of heart disease classification”, in Proceedings of the 2017 Electric Electronics, Computer Science, Biomedical Engineerings’ Meeting (EBBT); Istanbul, Turkey. 20–21 April 2017; New York, NY, USA: IEEE; 2017. pp. 1–4. DOI:10.1109/EBBT.2017.7956761.
S. Bashir, Z. S. Khan, F. H. Khan, A. Anjum, K. Bashir, “Improving heart disease prediction using feature selection approaches”, in Proceedings of the 2019 16th International Bhurban Conference on Applied Sciences and Technology (IBCAST); Islamabad, Pakistan, 8–12 January 2019; New York, NY, USA: IEEE; 2019. pp. 619–623. DOI: 10.1109/IBCAST.2019.8667106
M. S. Borah, B. P. Bhuyan, M. S. Pathak, P. Bhattacharya, “Machine learning in predicting hemoglobin variants”, Int J Mach Learn Comput, 8(2):140–3, 2018. DOI: 10.18178/ijmlc.2018.8.2.677.
M. Chen, Y. Hao, K. Hwang, Lu Wang, Lin Wang, “Disease prediction by machine learning over big data from healthcare communities”, IEEE Access, 5:8869–79, 2017. DOI: 10.1109/ACCESS.2017.2694446.
B. Jin, C. Che, Z. Liu, S. Zhang, X. Yin, X. Wei, “Predicting the risk of heart failure with ehr sequential data modeling”, IEEE Access, 6:9256–61, 2018. DOI:10.1109/ACCESS.2017.2789324.
D. Sisodia, D. S. Sisodia, “Prediction of diabetes using classification algorithms”, Procedia Comput Sci., vol. 132, pp. 1578–85, 2018. DOI:10.1016/J.PROCS.2018.05.122.
T. Marikani, K. Shyamala, “Prediction of heart disease using supervised learning algorithms”, Int J Comput Appl., 165(5):41–4, 2017. DOI: 10.1016/j.compbiomed.2021.104672.
H. Mansoor, I. Y. Elgendy, R. Segal, A. A. Bavry, J. Bian, “Risk prediction model for in-hospital mortality in women with ST-elevation myocardial in-farction: a machine learning approach”, Heart Lung., 46(6):405–11, 2017. DOI: 10.1016/j.hrtlng.2017.09.003.
O. P. Shuliak, P. Hénaff, A. D. Shachykov, D. R. Kulakhmetov, R. K. Haponenko, “Ranking the functional states of a group of individuals by the activity indicators of regulatory systems evaluated using electrocardiography data,” Bull. Kyiv Polytech. Inst. Ser. Instrum. Mak., is. 57(1), pp. 84-96, 2019. DOI: 10.20535/1970.57(1).2019.172029.
Shulyak A. P., Shachykov A. D. “Decomposition of Biomedical Signals on Mutually Orthogonal Components in the Diagnosis of Diseases”, in 2014 IEEE XXXIV International Scientific Conference Electronics and Nanotechnology (ELNANO), April 15-18, Kyiv, Ukraine, 2014, pp. 291-294. DOI: 10.1109/ELNANO.2014.6873914
I. Kavakiotis, O. Tsave, A. Salifoglou, N. Maglaveras, I. Vlahavas, I. Chouvarda, “Machine learning and data mining methods in diabetes research”, Comput Struct Biotechnol J. 15:104–16, 2017. DOI: 10.1016/j.csbj.2016.12.005.
C. M. Lynch, et al. “Prediction of lung cancer patient survival via supervised machine learning classification techniques”, Int J Med Inform., 108:1–8, 2017. DOI: 10.1016/j.ijmedinf.2017.09.013.
Choi E., Bahadori M. T., Schuetz A., Stewart W. F., Sun J. Doctor AI: Predicting Clinical Events via Recurrent Neural Networks. JMLR Workshop Conf Proc. 2016 Aug;56:301-318. Epub 2016 Dec 10. PMID: 28286600; PMCID: PMC5341604.
T. Erol, A. Mendi, D. Dogan, “The digital twin revolution in healthcare”, in 2020 4th International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), pp. 1–7, 2020. DOI:10.1109/ISMSIT50672.2020.9255249.
A. Shulyak, T. Saurova, A. Shachykov, V. Sirotenko and V. Lahutin, "Modifications of recognition procedures of biomedical signals using shape characteristics for their description and in decision criteria," in 2020 IEEE 40th International Conference on Electronics and Nanotechnology (ELNANO), Kyiv, Ukraine, 2020, pp. 520-525, DOI: 10.1109/ELNANO50318.2020.9088862.
T. Puyalnithi, V. M. Viswanatham, “Preliminary cardiac disease risk prediction based on medical and behavioural data set using supervised machine learning techniques”, Indian J Sci Technol., 9(31):1–5, 2016. DOI:10.17485/ijst/2016/v9i31/96740.
A. B. Nassif, O. Mahdi, Q. Nasir, M. A. Talib, M. Azzeh, “Machine learning classifications of coronary artery disease”, in Proceedings of the 2018 International Joint Symposium on Artificial Intelligence and Natural Language Processing (iSAI-NLP); Pattaya, Thailand. 15–18 November 2018; New York, NY, USA: IEEE; 2018. pp. 1–6. https://doi.org/10.48550/arXiv.1812.02828
A. P. Shulyak, A. D. Shachykov, “Criteria and Procedures for Estimating the Informativity and Feature Selection in Biomedical Signals for their Recognition”, Visnyk NTUU KPI Seriia - Radiotekhnika Radioaparatobuduvannia, is. 66, pp. 79 -86, 2016. WoS DOI: 10.20535/RADAP.2016.66.79-86.
A. P. Shulyak, A. D. Shachykov, “Analysis of the biomedical signals' structure in the problem of recognition”, in 2014 IEEE XXXIV International Scientific Conference Electronics and Nanotechnology (ELNANO), April 15-18, 2014, Kyiv, Ukraine. p. 281-285. DOI: 10.1109/ELNANO.2014.6873982
A. P. Shulyak, A. D. Shachykov, “About the Impact of Informative Features Selection in the Mutually Orthogonal Decompositions of Biomedical Signals for their Recognition”, in Electronics and Nanotechnology (ELNANO), 2016 IEEE 36th International Conference, 19-21 April 2016. pp. 228-231. DOI: 10.1109/ELNANO.2016.7493054. (4)
V.V. Lagutin, V.I. Syrotenko, A.D. Shachikov, O.P. Shulyak, "Clustering of Biomedical Signals in Supervised Learning Recognition Systems," in Microsystems, Electronics and Acoustics, Kyiv, Ukraine, 2019, pp. 38-52. DOI: 10.20535/2523-4455.2019.24.6.
V.V. Lagutin, V.I. Syrotenko, A.D. Shachikov, O.P. Shulyak, "Selection of Thresholds for Scales of Biomedical Signals in Recognition Algorithms," in Microsystems, Electronics and Acoustics, Kyiv, Ukraine, 2020, pp. 11-19. DOI: 10.20535/2523-4455.mea.197291.
D. Li, C. Zheng, J. Zhao, Y. Liu, “Diagnosis of heart failure from imbalance datasets using multi-level classification”, Biomed. Signal Process. Control., 81:104538, 2023. DOI: 10.1016/j.bspc.2022.104538.
L. Hussain, et al. “Prostate cancer detection using machine learning techniques by employing combination of features extracting strategies”, Cancer Biomarkers, 21(2):393–413, 2018. DOI: 10.3233/CBM-170643.
"Body Fat Prediction Dataset". [Electronic resource]. Available: https://www.kaggle.com/datasets/fedesoriano/body-fat-prediction-dataset.
"Breast Cancer Wisconsin (Diagnostic) Data Set". [Electronic resource]. Available: https://www.kaggle.com/datasets/uciml/breast-cancer-wisconsin-data.
"Cirrhosis Prediction Dataset". [Electronic resource]. Available: https://www.kaggle.com/datasets/fedesoriano/cirrhosis-prediction-dataset
"COVID-19 Dataset". [Electronic resource]. Available: https://www.kaggle.com/datasets/meirnizri/covid19-dataset?resource=download
Fetal Health Classification". [Electronic resource]. Available: https://www.kaggle.com/datasets/andrewmvd/fetal-health-classification /code
"Heart Attack Analysis & Prediction Dataset". [Electronic resource]. Available: https://www.google.com/search?q=Heart+Attack+Analy-sis+%26+Prediction+Dataset&oq=Heart+Attack+Analy-sis+%26+Prediction+Dataset&gs_lcrp=EgZjaHJvbWUyBggAEEUYOTII-CAEQABgWGB7SAQgzMDc4ajBqN6gCALACAA&sourceid=chrome&ie=UTF-8.
"Heart Failure Prediction Dataset". [Electronic resource]. Available: https://www.google.com/search?q=Heart+Failure+Predic-tion+Dataset&oq=Heart+Failure+Prediction+Dataset&gs_lcrp=EgZjaHJvbWUyBggAEEUYOTIMCAEQABgUGIcCGIAEMgcIAhAAGIAEMggIAx-AAGBYYHjIICAQQABgWGB4yCAgFEAAYFhgeMggIBhAAGBYYHjIICAcQABgWGB4yCggIEAAYChgWGB4yCAgJEAAYFhge0gEIMzgxN2owajeoAgCwAgA&sourceid=chrome&ie=UTF-8.
I.A. Holovanova, I.V. Bielikova, N.O. Lyakhova, "Basics of Medical Statistics: Textbook for Postgraduates and Clinical Residents," Poltava, 2017, 113 p. (in Ukrainian)
Python 3.8.3 [Electronic resource]. Available: https://www.python.org/downloads/release/python-383/
O.V. Chaliy, Ya.V. Tsekhmister, K.O. Chaliy, "Mathematical Processing of Biomedical Data," Tutorial for Module No. 1 of the discipline "Medical and Biological Physics," Kyiv, Publishing House NVP "Interservice," 2011, 64 p. ISBN 978-966-2465-48-8. (in Ukrainian)
S.V. Kyslyak, Ye.A. Nastenko, "Basics of Molecular Biology and Bioinformatics: Computer Practicum," textbook for students of specialty 122 "Computer Science and Information Technologies" with specialization "Information Technologies in Biology and Medicine," Igor Sikorsky KPI, Kyiv, 2018, 95 p. [Online]. Available: [Electronic resource]: https://www.google.com/search?q=Basics+of+Molecular+Biology+and+Bioinformatics%3A+Computer+Practicum&oq=Basics+of+Molecular+Biology+and+Bioinformatics%3A+Computer+Practicum&aqs=chrome..69i57j0i22i30l9.13559j0j7&sourceid=chrome&ie=UTF-8. (in Ukrainian)
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 О. П. Шуляк, В. В. Дружинін
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Авторське право на публікацію залишається за авторами.
Автори можуть використовувати власні матеріали в інших публікаціях за умови посилання на збірник наукових праць "Вісник Київського політехнічного інституту. Серія ПРИЛАДОБУДУВАННЯ" як на перше місце видання та на Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» як на видавця.
Автори публікують свої статті в збірнику на умовах ліцензії Creative Commons:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії CC BY 4.0, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на динаміці цитування опублікованої роботи.
Видавець (КПІ ім. Ігоря Сікорського) має право за будь-якого використання цього видання зазначати своє ім'я або вимагати такого зазначення.
Редакційна колегія залишає за собою право розміщувати опубліковані в збірнику статті в різних інформаційних базах для надання відкритого доступу до матеріалів з метою популяризації наукових досліджень та підвищення цитованості авторів.
