Сравнительный анализ прогностических моделей для поддержки принятия врачебных решений

Аржаник Александра Алексеевна
Бесплатно
В избранное
Работа доступна по лицензии Creative Commons:«Attribution» 4.0

В работе проводится сравнение нескольких прогностических моделей на основе базы данных пациентов, госпитализированных с внебольничной пневмонией в Томской области в 2017 году. В качестве прогнозируемой переменной используется летальный исход. Для построения моделей отобраны параметры, влияющие на исход заболевания. На обучающей выборке на основе всех отобранных параметров, а также на основе параметров, входящих в шкалу CURB-65, построены следующие модели: байесовский классификатор, логистическая регрессия, шкала CURB-65. Также шкала CURB-65 модифицирована: с помощью ROC-анализа найдены новые точки разделения. Все модели проверены на тестовой выборке – были рассчитаны чувствительность, специфичность и площадь под ROC-кривой. Так как необходимо на основе данных о пациенте при поступлении выделять потенциально тяжелых больных, модели сравнивались по чувствительности. Максимальная чувствительность достигается при использовании логистической регрессии со смещенным пороговым значением, построенной на параметрах, входящих в шкалу CURB-65.

Введение …………………………………………………………………………………………………… 3

Постановка задачи …………………………………………………………………………………… 5

Существующие методы решения задачи ………………………………………………… 6

1. Исходные данные ……………………………………………………………………………….. 8

2. Подготовка данных ……………………………………………………………………………. 9

2.1. Выявление факторов, значимых для прогнозирования ……………… 9

2.1.1. Количественные переменные ……………………………………………….. 10

2.1.2. Качественные переменные……………………………………………………. 11

2.2. Разбиение базы на обучающую и тестовую выборки ………………… 12

2.3. Преобразование количественных данных в бинарные ……………… 14

2.4. Подсчет частот ……………………………………………………………………………. 16

3. Прогностические модели ………………………………………………………………….. 18

3.1. Модели, построенные по всем данным ………………………………………. 18

3.1.1. Байесовский классификатор ………………………………………………… 18

3.1.2. Логистическая регрессия………………………………………………………. 21

3.2. Модели, построенные по параметрам CURB-65 ………………………… 24

3.2.1. Шкала CURB-65 и ее модификация ………………………………………… 24

3.2.2. Байесовский классификатор …………………………………………………… 28

3.2.3. Логистическая регрессия ………………………………………………………… 29

Выводы …………………………………………………………………………………………………… 32

Заключение …………………………………………………………………………………………….. 33

Список использованных источников ……………………………………………………. 35

Для корректной постановки диагноза врачу необходимо обработать
большой объем информации о пациенте, включающий в себя данные о
жалобах и анализах, сопутствующих заболеваниях, результатах медицинских
исследований и другие. К тому же медицина стремительно развивается,
появляются новые методики исследований, растет объем знаний, но время,
отведенное на прием одного пациента, остается неизменным. Обработка
такого количества информации в ограниченное время – это сложная задача
даже для опытных врачей, не говоря о молодых специалистах. В связи с этим
растет число врачебных ошибок, которые приводят к различным негативным
явлениям – от снижения эффективности работы систем здравоохранения до
роста смертности [1]. Помочь предотвращать такие ошибки может система
поддержки принятия решений.
В общем виде под термином «система поддержки принятия решений»
понимается компьютерная система, которая путем сбора и анализа
информации может влиять на процессы принятия решений в различных
областях человеческой деятельности, в том числе – в медицине. В
здравоохранении такие системы называются уточненным термином
«системы поддержки принятия врачебных решений» (СППВР) [2].
Основываясь на результатах, полученных с помощью СППВР, врачами
могут приниматься решения о госпитализации или помещении пациента в
отделение интенсивной терапии, также с помощью них можно оценивать
риски развития осложнений.
Некоторые компании занимаются разработкой таких систем.
Например, компания «К-скай» на основе анализа данных о пациенте строит
прогнозы развития некоторых заболеваний [3]. Аналогичный продукт
реализован в компании «Соцмедика». В проекте «Медицинские скрининг
системы» реализована СППВР в радиологии – с помощью нее можно
детектировать малозаметные признаки различных патологий.
Также в 2019-м году был издан указ президента Российской Федерации
«О развитии искусственного интеллекта» с целью обеспечения его
ускоренного развития. Согласно указу, должны быть созданы условия для
эффективного взаимодействия государства, организаций и граждан в сфере
развития искусственного интеллекта (ИИ), что может позволить российским
технологиям ИИ занять значительную долю мирового рынка [4].
Таким образом, можно отметить, что процесс реализации систем
поддержки принятия решений в медицине не стоит на месте, с каждым годом
появляются новые данные, на основе которых можно разрабатывать новые
продукты или дополнять уже имеющиеся.
В основе каждой СППВР лежит некоторая прогностическая модель.
Прогностические модели играют важную роль в медицине. С помощью них
можно прогнозировать тяжесть заболевания, осложнения, исход и некоторые
другие параметры.
Подходов к построению прогностических моделей существует
огромное множество, у всех есть свои преимущества и недостатки и пределы
применимости. Также в медицинских исследованиях важны не только оценки
прогноза, но и параметры, значимые для прогнозирования, так как они
показывают, на что стоит обращать особенное внимание.
Цель данной работы – провести сравнительный анализ

Системы поддержки принятия решений играют важную роль в
различных областях человеческой деятельности, особенно в медицине.
Опираясь на результаты, полученные с помощью таких систем, можно
выбирать подходы к дальнейшему лечению пациентов, ставить
предварительные диагнозы, прогнозировать исходы болезней.
Существует множество подходов к построению систем, в разных
задачах одни и те же подходы могут давать разные результаты. Также
каждый подход имеет свои преимущества и недостатки.
В данной работе было проведено сравнение прогностических моделей
на базе данных по всем пациентам, госпитализированным с внебольничной
пневмонией во все стационары Томской области в 2017 году.
Прогнозируемой переменной являлся летальный исход.
На первом этапе были отобраны параметры, значимые для
прогнозирования исхода. Все пациенты были разбиты на две группы
(умершие и выжившие), были выделены параметры, по которым
наблюдались статистически значимые различия. Для реализации этапа
использовался программный пакет STATISTICA 10.
Следующим этапом для сравнения моделей база была разбита на
тестовую и обучающую выборки. Все модели применялись к тестовой
выборке.
Так как для некоторых моделей требуются бинарные данные, все
количественные параметры были переведены в бинарный вид с
использованием точек разделения, полученных с помощью ROC-анализа.
ROC-анализ проводился в пакетах MedCalc и MATLAB R2020a.
Затем были реализованы несколько моделей на разных наборах
данных: байесовский классификатор, логистическая регрессия, шкала CURB-
65 и ее модификация. Модели были реализованы в пакетах STATISTICA и
MATLAB. Лучший результат показала логистическая регрессия с
измененным пороговым значением, построенная на параметрах, входящих в
шкалу CURB-65. С помощью нее удалось добиться чувствительности 1,0 – то
есть правильно классифицировать всех умерших пациентов.

Результаты работы были представлены на следующих конференциях:
 LI Международная научная конференция аспирантов и студентов
«Процессы управления и устойчивость» Control Processes and Stability
(CPS’20) (статья «Сравнение способов преобразования количественных
данных в бинарные при предсказании рисков осложнений внебольничной
пневмонии»), апрель 2020 г.
 IV Международная конференция “Устойчивость и процессы
управления”, посвященная 90-летию со дня рождения чл.-корр. РАН В.И.
Зубова: памяти профессора В.И. Зубова (доклад «Detection of the Community-
Acquired Pneumonia Factors Leading to Death»), октябрь 2020 г.
 LII Международная научная конференция аспирантов и студентов
«Процессы управления и устойчивость» Control Processes and Stability
(CPS’21) (доклад «Сравнительный анализ прогностических моделей для
поддержки принятия врачебных решений»), апрель 2021 г.
В дальнейшем можно рассмотреть другие подходы, например,
нейронные сети или системы, построенные на нечеткой логике.

1. Гусев А. В., Зарубина Т. В. Поддержка принятия врачебных
решенийв медицинскихинформационныхсистемахмедицинской
организации // Врач и информационные технологии. 2017. – № 2. – С. 60–72.
2. Greenes R.A. Clinical decision support: the road ahead / R.A. Greenes. –
Boston: Elsevier Academic Press, 2007. – 581 p.
3. Системаподдержкипринятияврачебныхрешений
Webiomed.DHRA[Электронныйресурс].–Режимдоступа:
https://webiomed.ai/products/webiomed-dhra/ (дата обращения: 20.03.20).
4. Указ Президента Российской Федерации от 10.10.2019 г. № 490 «О
развитииискусственногоинтеллектавРоссийскойФедерации»
[Электронныйресурс].–Режимдоступа:
http://www.kremlin.ru/acts/bank/44731 (дата обращения: 20.03.20).
5. R. M. Anjana. Prevalence of diabetes and prediabetes (impaired fasting
glucose and/or impaired glucose tolerance) in urban and rural India: Phase I results
of the Indian Council of Medical Research–INdia DIABetes (ICMR–INDIAB)
study. Diabetologia (2011) 54:3022–3027 DOI: 10.1007/s00125-011-2291-5.
6. Gau JT, Acharya U, Khan S, Heh V, Mody L, Kao TC. Pharmacotherapy
and the risk for community-acquired pneumonia. BMC Geriatr. 2010 Jul 6;10:45.
DOI: 10.1186/1471-2318-10-45.
7. ДарвинВ.В.,ЕгоровА.А.,Микшина В.С.,СурововА.А.
Интеллектуальная информационная система поддержки принятия решений
хирурга по выбору способа завершения операции // Современные проблемы
науки и образования. – 2011. – № 5.
8. Sousa Rafael, Marques Oge, Soares Fabrizzio, Sene Iwens, Oliveira,
Leandro, Spoto Edmundo. (2013). Comparative Performance Analysis of Machine
Learning Classifiers in Detection of Childhood Pneumonia Using Chest
Radiographs.ProcediaComputerScience.18.2579-2582.
DOI: 10.1016/j.procs.2013.05.444.
9. Rother A-K, Schwerk N, Brinkmann F, Klawonn F, Lechner W, Grigull
L (2015) Diagnostic Support for Selected Paediatric Pulmonary Diseases Using
Answer-Pattern Recognition in Questionnaires Based on Combined Data Mining
Applications—A Monocentric Observational Pilot Study. PLoS ONE 10(8):
DOI: 10.1371/journal.pone.0135180.
10. M.R.K. Mookiah, U. Rajendra Acharya, Roshan Joy Martis, Chua
Kuang Chua, C.M. Lim, E.Y.K. Ng, Augustinus Laude, Evolutionary algorithm
based classifier parameter tuning for automatic diabetic retinopathy grading: A
hybrid feature extraction approach, Knowledge-Based Systems, Volume 39, 2013,
Pages 9-22, ISSN 0950-7051, DOI: 10.1016/j.knosys.2012.09.008.
11. Ance Kancere, Ieva Markovica, Zigurds Markovics. Computer system
for diagnosis in medicine domain //Technologies of Computer Control. 2013. p.
44-72.
12. Разводин Р.А. Интеллектуальная система поддержки принятия
врачебных решений в дерматовенерологии // Проблемы медицинской
микологии. 2014. Т. 16. № 3. С. 59–65.
13. Коробова Л.А., Гладких Т.В. Разработка модели принятия решения
для постановки диагноза заболеваний на основе нечеткой логики // Вестник
ВГУИТ. 2018. Т. 80. № 4. С. 80–89. DOI: 10.20914/2310- 1202-2018-4-80-89.
14. Локтюхин В.Н., Черепнин A.A. Поддержка принятия решений на
основе нейро-нечеткой технологии при диагностике патологий желудочно-
кишечного тракта // Биотехносфера. №2. С-Пб.: Политехника. 2009. С. 20-23.
15. Гуляев Ю.В., Никитов Д.С., Пономарев Н.В. Исследование
возможности создания и применения системы поддержки принятия решений
при постановке диагноза в области онкопатологии // Радиотехника и
электроника. 2006. – №11. – С. 1387-1397.
16. Егоров А. А. Модель принятия решения хирурга / А. А. Егоров, B.
C. Микшина // Вестн. новых мед. Технологий, 2011. – Т. 7, № 4. – С. 178 –
181.
17. Мокина Е.Е., Марухина О.В., Шагарова М.Д., Дубинина И.А.
ИспользованиеметодовDataminingприпринятиимедицинских
диагностических решений // Fundamental research. 2016. – № 5. – С. 269-274.
18. 10 ведущих причин смерти в мире [Электронный ресурс]. – Режим
доступа: https://www.who.int/ru/news-room/fact-sheets/detail/the-top-10-causes-
of-death (дата обращения: 10.12.2019).
19. Сидоренко Е.В. Методы математической обработки в психологии /
Е.В. Сидоренко. – СПб.: Речь, 2003. – 350 с.
20. Критерий Хи-квадрат Пирсона [Электронный ресурс]. – Режим
доступа:https://medstatistic.ru/methods/methods4.html(датаобращения:
06.12.2020).
21. Анализы: референсные значения = норма? [Электронный ресурс]. –
Режим доступа:http://www.laboratorii.ru/reference-range/ (дата обращения:
20.01.20).
22. Фесенко О.В., Синопальников А.И. Тяжелая внебольничная
пневмония и шкалы оценки прогноза. Практическая пульмонология. 2014; 2:
20-26 / Fesenko O., Sinopalnikov A. Severe community-acquired pneumonia and
prognostic scores. Practical pulmonology. 2014, 2: 20-26.
23. Королюк И.П.. Медицинская информатика: Учебник / – 2 изд.,
перераб. и доп. – Самара : ООО «Офорт» : ГБОУ ВПО «СамГМУ».2012.- 244
с. 2012.
24. Анализ с помощью характеристической кривой [Электронный
ресурс]. – Режим доступа:https://wiki.loginom.ru/articles/roc-analysis.html
(дата обращения: 05.01.2020).
25. Бейли Н. Т. Дж. Математика в биологии и медицине: Пер. с англ. –
М.: Мир, 1970. – 326 с.
26. Наивный байесовский классификатор [Электронный ресурс]. –
Режим доступа:http://bazhenov.me/blog/2012/06/11/naive-bayes.html(дата
обращения: 06.12.2020).
27. Красько О. Статистический анализ данных в медицинских
исследованиях: учеб. метод. пособие. Минск 2014. – 127 с.
28. Логистическая регрессия [Электронный ресурс]. – Режим доступа:
http://statistica.ru/theory/logisticheskaya-regressiya/(датаобращения:
10.01.2021).
29. МинистерствоздравоохраненияРоссийскойФедерации
Клинические рекомендации. Внебольничная пневмония (МКБ 10: J13-J18)
2018 г. [Электронный ресурс] http://spulmo.ru› (дата обращения: 05.01.2020).
30. Lim W.S., van der Eerden M.M., Laing R. et al. Defining community
acquired pneumonia severity on presentation to hospital: an international
derivationandvalidationstudy.Thorax.2003;58(5):377-82.
DOI: 10.1136/thorax.58.5.377.
31. Falcone M, Corrao S, Venditti M, Serra P, Licata G. Performance of PSI,
CURB-65, and SCAP scores in predicting the outcome of patients with
community-acquired and healthcare-associated pneumonia [published correction
appears in Intern Emerg Med. 2013 Sep;8(6):549]. Internal and Emergency
Medicine. 2011;6(5):431-436. DOI: 10.1007/s11739-011-0521-y.
32. Aronsky, Dominik & Dean, Nathan. (2004). Admission Decision For
Pneumonia: A Validation Study of the CURB-65 Criteria. CHEST Journal.
DOI: 10.1378/chest.126.4_MeetingAbstracts.738S-a.
33.Ananda-Rajah MR, Charles PG, Melvani S, Burrell LL, Johnson PD,
Grayson ML. Comparing the pneumonia severity index with CURB-65 in patients
admitted with community acquired pneumonia. Scandinavian Journal of Infectious
Diseases. 2008; 40(4):293-300. DOI: 10.1080/00365540701663381.
34. Ilg A., Moskowitz A., Konanki V., et al. Performance of the CURB-65
Score in Predicting Critical Care Interventions in Patients Admitted With
Community-Acquired Pneumonia. Ann Emerg Med. 2019; 74(1): 60-68.
DOI: 10.1016/j.annemergmed.2018.06.017.

Заказать новую

Лучшие эксперты сервиса ждут твоего задания

от 5 000 ₽

Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям

    Нажимая на кнопку, я соглашаюсь на обработку персональных данных и с правилами пользования Платформой

    Хочешь уникальную работу?

    Больше 3 000 экспертов уже готовы начать работу над твоим проектом!

    user1250010 Омский государственный университет, 2010, преподаватель,...
    4 (15 отзывов)
    Пишу качественные выпускные квалификационные работы и магистерские диссертации. Опыт написания работ - более восьми лет. Всегда на связи.
    Пишу качественные выпускные квалификационные работы и магистерские диссертации. Опыт написания работ - более восьми лет. Всегда на связи.
    #Кандидатские #Магистерские
    21 Выполненная работа
    Анна Н. Государственный университет управления 2021, Экономика и ...
    0 (13 отзывов)
    Закончила ГУУ с отличием "Бухгалтерский учет, анализ и аудит". Выполнить разные работы: от рефератов до диссертаций. Также пишу доклады, делаю презентации, повышаю уни... Читать все
    Закончила ГУУ с отличием "Бухгалтерский учет, анализ и аудит". Выполнить разные работы: от рефератов до диссертаций. Также пишу доклады, делаю презентации, повышаю уникальности с нуля. Все работы оформляю в соответствии с ГОСТ.
    #Кандидатские #Магистерские
    0 Выполненных работ
    Рима С.
    5 (18 отзывов)
    Берусь за решение юридических задач, за написание серьезных научных статей, магистерских диссертаций и дипломных работ. Окончила Кемеровский государственный универси... Читать все
    Берусь за решение юридических задач, за написание серьезных научных статей, магистерских диссертаций и дипломных работ. Окончила Кемеровский государственный университет, являюсь бакалавром, магистром юриспруденции (с отличием)
    #Кандидатские #Магистерские
    38 Выполненных работ
    Олег Н. Томский политехнический университет 2000, Инженерно-эконо...
    4.7 (96 отзывов)
    Здравствуйте! Опыт написания работ более 12 лет. За это время были успешно защищены более 2 500 написанных мною магистерских диссертаций, дипломов, курсовых работ. Явл... Читать все
    Здравствуйте! Опыт написания работ более 12 лет. За это время были успешно защищены более 2 500 написанных мною магистерских диссертаций, дипломов, курсовых работ. Являюсь действующим преподавателем одного из ВУЗов.
    #Кандидатские #Магистерские
    177 Выполненных работ
    Татьяна М. кандидат наук
    5 (285 отзывов)
    Специализируюсь на правовых дипломных работах, магистерских и кандидатских диссертациях
    Специализируюсь на правовых дипломных работах, магистерских и кандидатских диссертациях
    #Кандидатские #Магистерские
    495 Выполненных работ
    Петр П. кандидат наук
    4.2 (25 отзывов)
    Выполняю различные работы на заказ с 2014 года. В основном, курсовые проекты, дипломные и выпускные квалификационные работы бакалавриата, специалитета. Имею опыт напис... Читать все
    Выполняю различные работы на заказ с 2014 года. В основном, курсовые проекты, дипломные и выпускные квалификационные работы бакалавриата, специалитета. Имею опыт написания магистерских диссертаций. Направление - связь, телекоммуникации, информационная безопасность, информационные технологии, экономика. Пишу научные статьи уровня ВАК и РИНЦ. Работаю техническим директором интернет-провайдера, имею опыт работы ведущим сотрудником отдела информационной безопасности филиала одного из крупнейших банков. Образование - высшее профессиональное (в 2006 году окончил военную Академию связи в г. Санкт-Петербурге), послевузовское профессиональное (в 2018 году окончил аспирантуру Уральского федерального университета). Защитил диссертацию на соискание степени "кандидат технических наук" в 2020 году. В качестве хобби преподаю. Дисциплины - сети ЭВМ и телекоммуникации, информационная безопасность объектов критической информационной инфраструктуры.
    #Кандидатские #Магистерские
    33 Выполненных работы
    Кирилл Ч. ИНЖЭКОН 2010, экономика и управление на предприятии транс...
    4.9 (343 отзыва)
    Работы пишу, начиная с 2000 года. Огромный опыт и знания в области экономики. Закончил школу с золотой медалью. Два высших образования (техническое и экономическое). С... Читать все
    Работы пишу, начиная с 2000 года. Огромный опыт и знания в области экономики. Закончил школу с золотой медалью. Два высших образования (техническое и экономическое). Сейчас пишу диссертацию на соискание степени кандидата экономических наук.
    #Кандидатские #Магистерские
    692 Выполненных работы
    Евгения Р.
    5 (188 отзывов)
    Мой опыт в написании работ - 9 лет. Я специализируюсь на написании курсовых работ, ВКР и магистерских диссертаций, также пишу научные статьи, провожу исследования и со... Читать все
    Мой опыт в написании работ - 9 лет. Я специализируюсь на написании курсовых работ, ВКР и магистерских диссертаций, также пишу научные статьи, провожу исследования и создаю красивые презентации. Сопровождаю работы до сдачи, на связи 24/7 ?
    #Кандидатские #Магистерские
    359 Выполненных работ
    Яна К. ТюмГУ 2004, ГМУ, выпускник
    5 (8 отзывов)
    Помощь в написании магистерских диссертаций, курсовых, контрольных работ, рефератов, статей, повышение уникальности текста(ручной рерайт), качественно и в срок, в соот... Читать все
    Помощь в написании магистерских диссертаций, курсовых, контрольных работ, рефератов, статей, повышение уникальности текста(ручной рерайт), качественно и в срок, в соответствии с Вашими требованиями.
    #Кандидатские #Магистерские
    12 Выполненных работ

    Другие учебные работы по предмету

    Кооперативные игры на гиперграфах
    📅 2019год
    🏢 Санкт-Петербургский государственный университет