Научные статьи \ Общие вопросы науки и культуры \ Информационные технологии. Вычислительная техника. Обработка данных \ Искусственный интеллект

Семантические модели для оценки влияния комплекса факторов на развитие заболеваний

Семантические модели для оценки влияния комплекса факторов на развитие заболеваний

Автор: Грибова Валерия Викторовна, Окунь Дмитрий Борисович, Шалфеева Елена Арефьевна

Журнал: Онтология проектирования @ontology-of-designing

Рубрика: Прикладные онтологии проектирования

Статья в выпуске: 4 (42) т.11, 2021 года.

Бесплатный доступ

Представлен анализ подходов и решений к прогнозу состояний, развития заболеваний и оценке рисков. Показано, что реализация программных сервисов на различных платформах затрудняет возможность их комплексного использования и выбор между имеющимися решениями. Это обусловило актуальность создания единой семантической модели заболеваний, интегрирующей различные методы и подходы и аккумулирующей знания о рисках и прогнозе в едином информационном пространстве. Предложена новая семантическая модель для учёта влияния комплекса факторов на развитие различных событий, угрожающих здоровью и жизни. Особенностью модели является независимость от конкретного заболевания либо группы заболеваний, что позволяет использовать её в различных разделах медицины. Данная модель апробирована на платформе IACPaaS, реализован программный решатель, позволяющий на основе базы знаний и анализа электронной медицинской карты пациента генерировать понятное для врачей объяснение. Применение новой модели для формирования знаний показано на примере оценки рисков и прогноза сердечно-сосудистых событий.

Еще

Семантическая модель, оценка риска заболеваний, база знаний, медицинские интеллектуальные системы, система поддержки решений

Короткий адрес: https://sciup.org/170191750

IDR: 170191750   |   УДК: 004.822   |   DOI: 10.18287/2223-9537-2021-11-4-464-477

Semantic models for assessing the influence of a combination of factors on the development of diseases

The analysis of approaches and solutions to the problem of risk assessment and prognosis of conditions and development of diseases is presented. It is shown that the implementation of software services on various platforms complicates the possibility of their comprehensive use and the choice between the available solutions. This has risen the urgency of creating a unified semantic model of diseases that integrates various methods and approaches to solving this problem and accumulates knowledge about risks and prognosis in a unified information space. A new semantic model is proposed to take into account influence of a combination of factors on development of various events that threaten health and life. The feature of the model is its independence from a specific disease or a group of diseases, which allows it to be used in various branches of medicine. This model has been tested on the IACPaaS platform. A software solver has been implemented that allows generating a clear explanation based on the knowledge base and analysis of the patient's electronic medical record. The application of the new model for the formation of knowledge is shown on the example of risk assessment and prognosis of cardiovascular events.

Еще

Список литературы Семантические модели для оценки влияния комплекса факторов на развитие заболеваний

  • Шахгельдян, К.И. Оценка предиктивного потенциала дооперационных факторов риска фибрилляции предсердий у больных ишемической болезнью сердца после коронарного шунтирования / К.И. Шахгельдян, В.Ю. Рублев, Б.И. Гельцер, Б.О. Щеглов, В.Г. Широбоков, М.К. Духтаева, К.В. Чернышева // Сибирский журнал клинической и экспериментальной медицины. 2020. Т.35. № 4. С. 128-136. DOI:10.29001/2073-8552-2020-35-4-128-136.
  • Бродская, Т.А. Оценка предиктивного потенциала факторов сердечно-сосудистого риска и их ассоциаций с жесткостью артерий у лиц европейской и корейской этнических групп / Т.А. Бродская, В.А. Невзорова, К.И. Шахгельдян, Б.И. Гельцер, Д.А. Вражнов, Ю.В. Кистенев // Российский кардиологический журнал. 2021; 26(5): 4230. D0I:10.15829/1560-4071-2021-4230.
  • Гельцер, Б.И. Методы машинного обучения в прогнозировании летальных исходов в стационаре у больных ишемической болезнью сердца после коронарного шунтирования / Б.И. Гельцер, К.И. Шахгельдян, В.Ю. Рублев, В.Н. Котельников, А.Б. Кригер, В.Г. Широкобов // Кардиология. 2020, 10(60): с.38-46. DOI: 10.18087/cardio.2020.10.n1170.
  • Мун, С.А. Регрессионный анализ в медико-биологических исследованиях / С.А. Мун, А.Н. Глушов, Т.А. Штернис, С.А. Ларин, С.А. Максимов // Кемерово: Кемеровская государственная медицинская академия, 2012. 119 с.
  • Гельцер, Б.И. Результаты моделирования должных величин силы дыхательных мышц на основе метода искусственных нейронных сетей / Б.И. Гельцер, В.Н. Котельников, К.И. Шахгельдян, И.Г. Курпатов // Российский физиологический журнал им. И.М.Сеченова. 2018; 104 (9): 1065-1074. D0I:10.7868/S0869813918090058.
  • Акопян, В.С. Комплексная модель оценки риска развития и прогрессирования возрастной макулярной дегенерации / В.С. Акопян, Н.С. Семенова, Е.А. Новикова, А.Г. Тонивицкий, И.Н. Нечаев // Офтальмология, 2012, Т. 9, № 3. D0I:10.18008/1816-5095-2012-3-52-56.
  • Iniesta, R. Combining clinical variables to optimize prediction of antidepressant treatment outcomes / R. Iniesta, K. Malki, W. Maier, M. Rietschel, O. Mors, J. Hauser, et al. // J Psychiatr Res. (2016) 78: 94-102. D0I:10.1016/j.jpsychires.2016.03.016.
  • Medeiros, F.A. Combining structural and functional measurements to improve detection of glaucoma progression using Bayesian hierarchical models / F.A. Medeiros, M.T. Leite, L.M. Zangwill, R.N. Weinreb // Investig Ophthalmol Vis Sci. 2011; 52: 5794-5803.
  • Symptomat: Diagnostic technology is powered by Infermedica. - https://symptomate.com/diagnosis/#0-66.
  • WebMD: Logo for WebMD Symptom Checker WITH BODY MAP. - https://symptoms.webmd.com/default.htm.
  • Isabel: The Symptom Checker doctors use and trust. https://symptomchecker.isabelhealthcare.com/.
  • Webiomed. Демонстрационное приложение для оценки сердечно-сосудистого риска: Оценка сердечнососудистого риска. https://webiomed. ai/dhra/.
  • Kwon, J.M. Deep-learning-based risk stratification for mortality of patients with acute myocardial infarction / J.M. Kwon, K.H. Jeon, H.M. Kim, et al. PLoS One. 2019;14(10):e0224502. DOI:10.1371/journal.pone.0224502.
  • Калькулятор для оценки риска ампутации конечности и пользы от реваскуляризации: Экспертные решения для предотвращения ампутаций нижних конечностей. - https://kink.ru/specialistam/kalkulyator/.
  • Ясницкий, Л.Н. Нейроэкспертная система диагностики, прогнозирования и управления рисками сердечнососудистых заболеваний / Л.Н. Ясницкий, Ф.М. Черепанов // Прикладная математика и вопросы управления. 2018. № 3. С.107-126. DOI: 10.15593/2499-9873/2018.3.08.
  • Выучейская, М.В. и др. Нейросетевые технологии в диагностике заболеваний (обзор) / М.В. Выучейская и др. // Журн. мед.-биол. исследований. 2018; 3 (6): 284-94. DOI: 10.17238/2542-1298.2018.6.3.284.
  • Manyam, R.B. Deep Learning Approach for Predicting 30 Day Readmissions after Coronary Artery Bypass Graft Surgery / RB Manyam, Y Zhang, W Keeling, et al.. NeurlIPS (ML4H). 2018; 222 ArXiv:abs/1812.00596.
  • Chekroud, A.M. Cross-trial prediction of treatment outcome in depression: a machine learning approach / A.M. Chekroud, R.J. Zotti, Z. Shehzad, R. Gueorguieva, M.K. Johnson, M.H. Trivedi, et al.. Lancet Psychiatry (2016) 3: 243-50. DOI: 10.1016/S2215-0366(15)00471-X.
  • Kim, Y.J. Deep learning-based prediction model of occurrences of major adverse cardiac events during 1-year follow-up after hospital discharge in patients with AMI using knowledge mining / Y.J. Kim, M. Saqlian, J.Y. Lee. Personal and Ubiquitous Computing. 2019; 23(4):485-94. DOI: 10.1007/s00779-019-01248-7.
  • Hill, N.R. Predicting atrial fibrillation in primary care using machine learning / N.R. Hill, D. Ayoubkhani, P. McEwan, et al. PLoS One. 2019; 14(11): e0224582. DOI:10.1371/journal.pone.0224582.
  • Карта симптомов: @Здоровье. https://health.mail.ru/symptoms/.
  • Грибова, В.В. Облачный сервис поддержки принятия решений в кардиологии на основе формализованных знаний / В.В. Грибова, М.В. Петряева, Е.А. Шалфеева // Сибирский журнал клинической и экспериментальной медицины. 2020. №4. С.32-38. DOI: 10.29001/2073-8552-2020-35-4-32-38.
  • Грибова, В.В. Облачная среда для поддержки клинической медицины и образования / В.В. Грибова, Ф.М. Москаленко, Д.Б. Окунь, М.В. Петряева // Врач и информационные технологии. 2016. №1. С.60-66.
  • Kolek, M.J. Genetic and clinical risk prediction model for postoperative atrial fibrillation / M.J. Kolek, J.D. Muehlschlegel, W.S. Bush, et al. Circ Arrhythm Electrophysiol. 2015; 8(1): 25-31. - DOI: 10.1161/CIRCEP. 114.002300.
  • Inohara, T. Risk stratification model for in-hospital death in patients undergoing percutaneous coronary intervention: a nationwide retrospective cohort study in Japan / T. Inohara, S. Kohsaka, K. Yamaji, et al. BMJ Open. 2019;9(5):e026683. DOI: 10.1136/bmjopen-2018-026683.
  • Shahian, M.D. STS 2018 adult cardiac risk models part 1 / M.D. Shahian, P. Jeffrey, B. Vinay, et al. Ann Thorac Surg. 2018; 105: 1411-8. DOI: 10.1016/j.athoracsur.2018.03.002.
  • Gribova, V. The methods and the IACPaaS Platform tools for semantic representation of knowledge and development of declarative components for intelligent systems / V. Gribova, A. Kleschev, Ph. Moskalenko, V. Timchen-ko, L. Fedorischev, E. Shalfeeva // Open Semantic Technologies for Intelligent Systems. 2019. 3. P.21-24.
  • Грибова, В.В. Облачная платформа IACPaaS для разработки оболочек интеллектуальных сервисов: состояние и перспективы развития / В.В. Грибова, А.С. Клещев, Ф.М. Москаленко, В.А. Тимченко, Л.А. Федорищев, Е.А. Шалфеева // Программные продукты и системы. 2018. Т. 31. № 3. С.527-536. DOI: 10.15827/0236-235X.031.3.527-536.
  • Gribova, V. The IACPaaS Cloud Platform: Features and Perspectives / V. Gribova, A. Kleschev, P. Moskalenko, V. Timchenko, L. Fedorischev, E. Shalfeeva. // IEEE. Xplore. 2017. P. 80-84. DOI: 10.1109/RPC.2017.8168073.
  • IACPcloud: Онтология определения рисков. - https://owncloud.dvo.ru/s/3YnamqX98eiQo4p.
Еще
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp