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.
Семантическая модель, оценка риска заболеваний, база знаний, медицинские интеллектуальные системы, система поддержки решений
Короткий адрес: https://sciup.org/170191750
IDR: 170191750 | DOI: 10.18287/2223-9537-2021-11-4-464-477
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.
Статья научная
