Разработка модели управления потоком пациентов с сердечно-сосудистыми заболеваниями методами интеллектуального анализа данных

Ирина Павловна Болодурина, Александр Михайлович Назаров, Дмитрий Иванович Кича, Любовь Сергеевна Забродина, Артур Юрьевич Жигалов

Аннотация


Введение. В настоящее время развитие технологий Big Data и методов интеллектуального анализа больших данных открыло возможность исследования своевременности, доступности и эффективности проводимой терапии при обработке всей доступной информации о практике лечения. Методы персонифицированной и профилактической медицины, основанные на удаленном мониторинге пациентов и интеллектуальном анализе аналогичной практики лечения, приведут к существенному сокращению затрат и повышению качества жизни. Одними из эффективных методов исследования данных о пациентах и их электронных медицинских карт являются методы машинного обучения.

Цель исследования. Данное исследование направлено на построение модели управления потоком пациентов с сердечно-сосудистыми заболеваниями на основе анализа персонифицированных карт данных больных.

Материалы и методы. Определение прогноза на предмет обращения в поликлинику с заболеваниями сердца проведено методом логистической регрессии, алгоритмом построения деревьев решений ID3 и методом обучения ансамбля – случайные леса. В рамках экспериментального исследования проведена оценка эффективности применения рассмотренных методов для прогнозирования на основе анализа ROC-кривой и метрики AUC.

Результаты. Эксперименты на массиве электронных персонифицированных данных о медицинских услугах в территориальном фонде обязательного медицинского страхования (ТФОМС) и медицинском информационно-аналитическом центре г. Оренбурга показали, что для краткосрочного прогнозирования на 1 месяц более высокие результаты показал алгоритм ID3 построения решающих деревьев, а при увеличении рассматриваемого периода до 3 месяцев более эффективным оказался метод логистической регрессии.

Заключение. Предложенный подход к прогнозированию обращений пациентов позволяет повысить качество управления клинико-организационной системой здравоохранения при оказании медицинской помощи, а также спланировать объем и количество отдельных медицинских услуг.


Ключевые слова


логистическая регрессия; деревья решений; случайный лес; сердечно-сосудистые заболевания; алгоритмы обучения

Полный текст:

PDF

Литература


Windmann, S. Big Data Analysis of Manufacturing Processes / S. Windmann, A. Maier, O. Niggemann, C. Frey // Journal of Physics: Conference Series. – 2015. – DOI: 10.1088/1742-6596/659/1/012055

Kim, G. Big Data Applications in the Government Sector: A Comparative Analysis among Leading Countries / G. Kim, J. Chung // Communications of the ACM. – 2014. – Vol. 57. – P. 78–85. DOI: 10.1145/2500873

Alshura, M. Big Data in Marketing Arena. Big Opportunity, Big Challenge, and Research Trends: An Integrated View / M. Alshura, A. Zabadi, M. Abughazaleh // MANAGEMENT AND ECONOMICS REVIEW. – 2018. – Vol. 3. DOI: 10.24818/mer/2018.06-06

Beam, A. Big Data and Machine Learning in Health Care / A. Beam, I. Kohane // JAMA. – 2018. – Vol. 319. DOI: 10.1001/jama.2017.18391

Patient-Level Effectiveness Prediction Modeling for Glioblastoma Using Classification Trees / T. Geldof, N. Damme, I. Huys, W. Dyck // Frontiers in Pharmacology. – 2020. – Vol. 10. DOI: 10.3389/fphar.2019.01665

Blasiak, A. CURATE.AI: Optimizing Personalized Medicine with Artificial Intelligence / A. Blasiak, J. Khong, T. Kee // SLAS TECHNOLOGY: Translating Life Sciences Innovation. – 2019. – DOI: 10.1177/2472630319890316

Lin, R. Diseases and Health Monitoring Big Data: A Survey. / R. Lin, Z. Chronic, H. Wang // IEEE Reviews in Biomedical Engineering. – 2018. DOI: 10.1109/RBME.2018.2829704

Leung, K. Application of Big Data in Decision Making for Emergency Healthcare Management / K. Leung, A. Stevenson // International Journal of Re-search and Engineering. – 2018. – Vol. 5. – P. 311–314. DOI: 10.21276/ijre.2018.5.2.2

Зимина, Е.Ю. Применение облачных технологий в задачах математического анализа кардиологической информации / Е.Ю. Зимина, М.А. Новопашин, А.В. Шмид // Сборник трудов IV международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2018). – Самара, 2018. – С. 2282–2287.

Зимина, E.Ю. Кластерный анализ кардиологических данных / E.Ю. Зимина // Статистика и Экономика. – 2018. – Т. 15, № 2. – С. 30–37. DOI: 10.21686/2500-3925-2018-2-30-37

Бурыкин, И.М. Перспективность метода анализа больших данных (big data) для оценки качества и эффективности фармакотерапии пациентов с артериальной гипертензией / И.М. Бурыкин, Г.Н. Алеева, Р.Х. Хафизьянова // Современные технологии в медицине. – 2017. – № 9. – С. 194. DOI: 10.17691/stm2017.9.4.24

Баранов, A.А. Методы и средства комплексного интеллектуального анализа медицинских данных / A.А. Баранов // Труды Института системного анализа Российской академии наук. – 2015. – Т. 65, № 2. – С. 81–93.

Степанян, И.В. Научно-методические основы и биоинформационные технологии управления профессиональными рисками в медицине труда: дис. … д-ра биол. наук / И.В. Степанян. – М., 2012.

Weng, S. Can Machine-learning improve cardiovascular risk prediction using routine clinical data / S. Weng, J. Reps, J. Kai. // PLoS ONE. – 2017. – Vol. 12. DOI: 10.1371/journal.pone.0174944

Krishnan, S. Application of Analytics to Big Data in Healthcare / S. Krishnan // 32nd Southern Biomedical Engineering Conference. – 2016. – P. 156–157. DOI: 10.1109/SBEC.2016.88

Tocci, G. Use of Electronic Support for Implementing Global Cardiovascular Risk Management / G. Tocci, A. Ferrucci, P. Guida // High HEART Press Cardiovasc Prev. – 2010. – Vol. 17. – P. 37–47. DOI: 10.2165/11311750-000000000-00000




DOI: http://dx.doi.org/10.14529/ctcr200210

Ссылки

  • На текущий момент ссылки отсутствуют.