Дальневосточный математический журнал

К содержанию выпуска


Исследование эффективности графового представления данных для модели прогнозирования сердечно-сосудистых заболеваний методами глубокого обучения


Гришина Л.С., Жигалов А.Ю., Болодурина И.П., Борщук Е.Л., Бегун Д.Н., Варенникова Ю.В.

2022, выпуск 2, С. 179-184
DOI: https://doi.org/10.47910/FEMJ202222


Аннотация
В настоящий момент сердечно-сосудистые заболевания (ССЗ) являются наиболее распространенной причиной смертности в мире. Методы искусственного интеллекта дают обширные возможности для извлечения новых знаний из необработанных данных медицинских информационных систем (МИС). Настоящее исследование направлено на построение модели прогнозирования диагноза ССЗ на основе жалоб пациента на приеме у врача с применением методов NLP. Формирование исходного набора данных основано на графовой модели истории болезни пациента с ССЗ по протоколам посещения. Проведен сравнительный анализ моделей машинного обучения, таких как наивный байесовский классификатор, метод опорных векторов и сверточная нейронная сеть. В результате проведенных экспериментов выбрана наиболее эффективная модель прогнозирования ССЗ.

Ключевые слова: обработка естественного языка, графовая модель, сердечно-сосудистые заболевания, сверточные нейронные сети, метод опорных векторов, медицинские информационные системы, модель прогнозирования заболеваний

Полный текст статьи (файл PDF)

Библиографический список

[1] D. K. Arnett, R. S. Blumenthal, M. A. Albert, A. B. Buroker, Z. D. Goldberger, E. J. Hahn, C. D. Himmelfarb, “2019 ACC/AHA Guideline on the Primary Prevention of Cardiovascular Disease: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines", JACC, 140, (2019), 596-646.
[2] S. Xu, T. Zhu, Zh. Zang, D. Wang, J. Hu, X. Duan, “Cardiovascular Risk Prediction Method Based on CFS Subset Evaluation and Random Forest Classifcation Framework", Ann. Of Math., 1, (2017), 228-232.
[3] C. Krittanawong, H. Virk, S. Bangalore, Z. Wang, K. Johnson, R. Pinotti, H. Zhang, S. Kaplin, B. Narasimhan, T. Kitai, U. Baber, J. Halperin, W. Tang, “Machine learning prediction in cardiovascular diseases: a meta-analysis", Sci Rep., 10, (2020), 16057.
[4] S. N. Pasha, D. Ramesh, S. Mohmmad, A. Harshavardhan, “Cardiovascular disease prediction using deep learning techniques and Diophantine approximation", IOP Conf. Ser., 981, (2020), 022006.
[5] R. Bharti, A. Khamparia, M. Shabaz, G. Dhiman, S. Pande, P. Singh, “Prediction of Heart Disease Using a Combination of Machine Learning and Deep Learning", Computational Intelligence and Neuroscience, 1, (2021), 8387080.
[6] S. Malathi, “Prediction of cardiovascular disease using deep learning algorithms to prevent COVID-19", Journal of Experimental & Theoretical Arti_cial Intelligence, 100, (2021), 1-15.
[7] G. E. Weissman, M. O. Harhay, R. M. Lugo, B. D. Fuchs, S. D. Halpern, M. E. Mikkelsen, “Natural Language Processing to Assess Documentation of Features of Critical Illness in Discharge Documents of Acute Respiratory Distress Syndrome Survivors", Ann. Am. Thorac. Soc., 13, (2016), 1538-1545.
[8] A. A. Rumshisky, M. Ghassemi, T. Naumann, P. Szolovits, V. M. Castro, T. McCoy, R. H. Perlis, “Predicting early psychiatric readmission with natural language processing of narrative discharge summaries", Transl. Psychiatry, 6:10, (2016), e921.
[9] A. N. Berman, “Natural language processing for the assessment of cardiovascular disease comorbidities: The cardio-Canary comorbidity project", Clin Cardiol, 44:9, (2021), 1296-1304.

К содержанию выпуска