Метод нахождения подмножеств согласованных признаков при прогнозировании эффективности реабилитации пациентов после перенесенной коронавирусной инфекции
Автор: Ходашинский И. А., Смирнова И. Н., Бардамова М. Б., Сарин К. С., Светлаков М. О., Зайцев А. А., Тицкая Е. В., Тонкошкурова А. В., Антипова И. И., Ходашинская А. И., Зарипова Т. Н.
Журнал: Сибирский журнал клинической и экспериментальной медицины @cardiotomsk
Рубрика: Экспериментальные исследования
Статья в выпуске: 4 т.38, 2023 года.
Бесплатный доступ
Коронавирусная инфекция вызывает длительно протекающий постковидный синдром, что определяет необходимость проведения медицинской реабилитации. Применение современных технологий машинного обучения для прогнозирования эффективности реабилитации способно персонифицировать процесс оказания помощи.Цель: создание метода построения модели прогнозирования эффективности реабилитации пациентов, перенесших COVID-19.Материал и методы. В исследование были включены 64 пациента, поступившие на стационарный этап реабилитации после COVID-19, средний возраст составил 56,92 ± 9,29 лет. Для получения информации о состоянии здоровья пациентов были проведены физикальный осмотр, тест шестиминутной ходьбы (ТШХ), клинический и биохимический анализы крови, спирометрия. Полученная база данных была обезличена и трансформирована в набор данных для задачи классификации, выходной меткой которого являлся бинарный признак, свидетельствующий о наличии или отсутствии улучшения результата ТШХ как минимум на 15%. Апробация предложенного метода определения согласованного подмножества признаков проведена с использованием фильтров ReliefF, χ2-квадрат и алгоритма минимальной избыточности и максимальной информативности, в качестве обертки применялся бинарный генетический алгоритм NSGA2. Проведено построение предварительных моделей машинного обучения на найденных подмножествах признаков линейным методом опорных векторов.Результаты. В процессе апробации предложенного метода в задаче прогнозирования эффективности реабилитации пациентов после COVID-19 было выявлено подмножество признаков, позволившее достигнуть максимального значения коэффициента конкордации. Найденное множество включает следующие признаки: пол пациента, наличие сопутствующих заболеваний, одышка, кашель, наличие жалоб на желудочно-кишечный тракт, результат ТШХ, уровень D-димеров, оценка одышки по шкале Борга.Заключение. Предложенный метод позволил определить признаки, имеющие наибольшую важность для прогноза эффективности реабилитации пациентов, перенесших COVID-19.
Коронавирусная инфекция covid-19, реабилитация, прогнозирование, машинное обучение, алгоритмы фильтрации признаков
Короткий адрес: https://sciup.org/149144449
IDR: 149144449 | DOI: 10.29001/2073-8552-2023-655
Список литературы Метод нахождения подмножеств согласованных признаков при прогнозировании эффективности реабилитации пациентов после перенесенной коронавирусной инфекции
- Воробьева Ю.Д., Дюкова Г.М. Астенический синдром в контексте пандемии COVID-19. Медицинский алфавит. 2020;(33):26-34. https://doi.org/33667/2078-5631-2020-33-26-34.
- Молочков А.В., Терпигорев С.А., Белоусова Е.А., Ватазин А.В., Древаль А.В., Зулькарнаев А.Б. и др. Особенности комплексного лечения пациентов с новой коронавирусной инфекцией (COVID-19): методические рекомендации по ведению стационарных пациентов. Альманах клинической медицины. 2020;48(Спецвыпуск 1):S91-S142. https://doi.org/10.18786/2072-0505-2020-48-041.
- Бубнова М.Г., Персиянова-Дуброва А.Л., Лямина Н.П., Аронов Д.М. Реабилитация после новой коронавирусной инфекции (COVID-19): принципы и подходы. CardioСоматика. 2020;11(4):6-14. https://doi.org/10.26442/22217185.2020.4.200570.
- Negrini S., Ferriero G., Kiekens C., Boldrini P. Facing in real time the challenges of the COVID-19 epidemic for rehabilitation. Eur. J. Phys. Rehabil. Med. 2020;56(3):313-315. https://doi.org/10.23736/S1973-9087.20.06286-3.
- Смирнова И.Н., Хон В.Б., Зайцев А.А., Левицкий Е.Ф., Тицкая Е.В. Автоматизированная система оценки эффективности санаторно-курортного лечения. Врач и информационные технологии. 2012;(1):64-69.
- Временные методические рекомендации Министерства здравоохранения России. Профилактика, диагностика и лечение новой коронавирусной инфекции (COVID-19). Версия 15 от 22.02.2022. URL: https://static-0.minzdrav.gov.ru/system/attachments/attaches/000/059/392/original/ВМР_COVID-19_V15.pdf (20.11.2023).
- Островский В.К., Макаров С.В., Янголенко Д.В., Родионов П.Н., Кочетков Л.Н., Асанов Б.М. Показатели крови и лейкоцитарный индекс интоксикации при оценке тяжести течения и определении прогноза воспалительных, гнойных и гнойно-деструктивных заболеваний органов брюшной полости и легких. Ульяновский медико-биологический журнал. 2011;(1):73-78.
- Ходашинский И.А., Сарин К.С. Отбор классифицирующих признаков с помощью популяционного случайного поиска с памятью. Автоматика и телемеханика. 2019;(2):161-172. https://doi.org/10.1134/S0005231019020107.
- Ходашинский И.А., Сарин К.С. Отбор классифицирующих признаков: сравнительный анализ бинарных метаэвристик и популяционного алгоритма с адаптивной памятью. Программирование. 2019;(5):3-9. https://doi.org/10.31857/S013234742105006X.
- Рыков А.С. Системный анализ: модели и методы принятия решений и поисковой оптимизации. М.: Издательский Дом МИСиС; 2009:607. URL: https://lib-bkm.ru/13995 (20.11.2023).
- Kononenko I., Šimec E., Robnik-Šikonja M. Overcoming the myopia of inductive learning algorithms with RELIEFF. Applied Intelligence. 1997;7(1):39-55. https://doi.org/10.1023/A:1008280620621.
- Robnik-Šikonja M., Kononenko I. Theoretical and empirical analysis of ReliefF and RReliefF. Machine Learning. 2003;53(1/2):23-69. https://doi.org/10.1023/A:1025667309714.
- Ding C., Peng H. Minimum redundancy feature selection from microarray gene expression data. J. Bioinform. Comput. Biol. 2005;3(2):185-205. https://doi.org/10.1142/s0219720005001004.
- Darbellay G.A., Vajda I. Estimation of the information by an adaptive partitioning of the observation space. IEEE Transactions on Information Theory. 1999;45(4):1315-1321. https://doi.org/10.1109/18.761290.
- Deb K., Agrawal S., Pratap A., Meyarivan T. A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans. Evol. Comput. 2002;6:182-197. https://doi.org/10.1109/4235.996017.
- LinearSVC. User Guide Scikit-learn Website. URL: https://scikitlearn.org/stable/modules/generated/sklearn.svm.LinearSVC.html (20.11.2023).
