Реализация эффективных моделей классификации медицинских данных методами интеллектуального анализа текстовой информации
УДК 004.9:61+ 519.68
Аннотация
Статья посвящена разработке и реализации эффективных моделей классификации медицинских данных методами интеллектуального анализа текстовой информации для поддержки принятия решений при диагностике пульмонологических заболеваний у детей и подростков Алтайского края. Медицинские данные содержат важную информацию о пациентах. В структурированном виде, как правило, хранятся результаты анализов. Такие данные, как анамнезы, результаты осмотров, описания результатов обследований, имеют неструктурированную форму (в виде текстов на естественном языке). В работе дана оценка качества разработанных методов и моделей извлечения информации из клинических текстов на русском языке. Проведена оценка метода автоматической диагностики пульмонологических заболеваний на тестовой выборке. Определены наиболее информативные признаки, а также подходящие методы машинного обучения для классификации пациентов по группам заболеваний. Применение методов интеллектуального анализа и обработки данных позволит автоматизировать решение многих медицинских задач, возникающих в клинической практике, повысив тем самым качество первичной медицинской помощи. Результаты исследования свидетельствуют о перспективности использования разработанных моделей для поддержки принятия решений при диагностике пульмонологических заболеваний у детей.
Скачивания
Metrics
Литература
О развитии искусственного интеллекта в Российской Федерации : Указ Президента РФ от 10.10.2019 № 490. URL: http://www.consultant.ru/document/cons_doc_LAW_335184/ .
О Стратегии научно-технологического развития Российской Федерации : Указ Президента РФ от 01.12.2016 № 642. URL: http://static.kremlin.ru/media/events/files/ru/uZiATIOJiq5tZsJgqcZLY9YyL8PWTXQb.pdf.
Об утверждении стратегии социально-экономического развития Алтайского края до 2025 г. : Закон Алтайского края от 21.11.2012 № 86-3С. URL: http://docs.cntd.ru/document/453123097.
Isa NAM. Towards intelligent diagnostic system employing integration of mathematical and engineering model // Proceedings of International Conference on Mathematics, Engineering and Industrial Applications. AIP Publishing. 2015. DOI: 10.1063/1.4915633.
Abeer Y.A., Ahmad M.A., Majid A.A. Clinical decision support system for diagnosis and management of chronic renal failure // Proceedings of Applied Electrical Engineering and Computing Technologies. IEEE; 2013.
Zarandi MHF, Zolnoori M., Moin M., Heidarnejad H. A fuzzy rule-based expert system for diagnosing asthma. Transaction E: Industrial Engineering. 2010. № 17(2).
Кротова О.С., Пиянзин А.И., Хворова Л.А. Оценка качества моделей прогнозирования стадий компенсации и декомпенсации сахарного диабета // Ломоносовские чтения на Алтае: фундаментальные проблемы науки и техники : сб. научных ст. междун. конф. 2018.
Баранов А.А., Намазова-Баранова Л.С., Смирнов И.В. и др. Технологии комплексного интеллектуального анализа клинических данных // Вестник РАМН. 2016. № 71(2).
Воронцов К.В. Математические методы обучения по прецедентам. 2007. URL: http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1.pdf/
Лапаев М.В., Водяхо А.И., Смирнов А.Б., Жукова Н.А. Система обработки текстовых медицинских данных // Известия СПбГЭТУ «ЛЭТИ». 2016. № 9.
Bird S., Klein E., Loper E. Natural Language Processing with Python: Analyzing Text with the Natural Language Toolkit // O'Reilly Media, Inc. 2009.
