|
ИСТИНА |
Войти в систему Регистрация |
ИСТИНА ПсковГУ |
||
АЛГОРИТМ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОЦЕНКИ СТАТУСА ЖЕЛЕЗА В ОРГАНИЗМЕтезисы доклада
- Авторы: Вареха Николай Вячеславович, Стуклов Н.И., Гимадиев Р.Р., Варакина-Митрай К.А., Щеголев О.Б., Артемьева О.А.
- Сборник: Сборник Тезисов. Вычислительная биология и искусственный интеллект для персонализированной медицины-2024
- Тезисы
- Год издания: 2024
- Место издания: ГНЦ РФ ФГБУ «НМИЦ эндокринологии» Минздрава России Москва
- Первая страница: 35
- Последняя страница: 36
- DOI: 10.14341/bio-aug7-9-2024-19
- Аннотация: Введение: Определение ферритина сыворотки (ФС) чаще всего рекомендуются в руководствах для диагностики дефицита железа (ДЖ) и ориентира для лечения. Однако измерение ФС не гармонизировано, при интерпретации результатов необходимо учитывать различия между методами исследований и различиями в референтных интервалах. Кроме того, анализ не проводится при оказании первичной медико-санитарной помощи, в связи с чем врачи первичного звена могут упустить ранние изменения в рутинных лабораторных исследованиях. Особенно актуально это для групп риска с ДЖ — женщин репродуктивного возраста и беременных. Изучение возможностей искусственного интеллекта является актуальной задачей с точки зрения разработки оптимальной скрининг-стратегии, определения групп риска, использования менее дорогостоящих и более доступных лабораторных тестов для оценки статуса железа в организме. Ключевые слова: Дефицит железа, железодефицитная анемия, искусственный интеллект, машинное обучение, сывороточное железо, ферритин сыворотки. Цель работы: изучить эффективность применения инструментов машинного обучения (МО) для оценки статуса железа и определения тактики ведения пациентов (по уровню ФС) на основе демографических данных, клинического анализа крови (КАК) и С-реактивного белка (СРБ). Материалы и методы: Датасет состоял из 52 158 обезличенных отчетов, полученных из лабораторной информационной системы сетевых клинико-диагностических лабораторий. КАК, ФС и СРБ были выполнены на анализаторах ведущих фирм-производителей: Sysmex, Beckman Coulter, Mindray, Roche, Abbott. Для решения задач 1) регрессии уровня ФС и 2) классификации группы пациентов по уровню ФС (<15,0; 15,0 — 100,0; 100,0 — 300,0; >300,0 мкг/л) был использован фреймворк lightautoml. В задаче регрессии использовались линейная регрессия и градиентный бустинг, в задаче классификации - логистическая регрессия и градиентный бустинг на решающих деревьях. Результаты: 1) Модель регрессии обладает хорошей объяснительной способностью (R2=0,717), при этом ее качество тем лучше, чем ниже значение ФС: средняя абсолютная ошибка (MAE) составила 2,4 мкг/л, средний модуль отклонения в процентах (MAPE) составил 30,1 % для класса пациентов с ФС < 15,0 мкг/л на тестовой выборке. Коэффициент корреляция Спирмена между измеренным и прогнозируемым уровнем ФС составил 0.888. 2) Модель классификации обладает высокой диагностической ценностью в разрезе концентраций входного параметра СРБ и прогнозируемого ФС, что важно для определения тактики ведения больного: <15,0 мкг/л — абсолютный дефицит железа, ФС 15,0–100,0 мкг/л — дефицит железа при СРБ >5,0 мг/л, ФС 100,0–300,0 мкг/л — отсутствие дефицита железа, ФС >300,0 мкг/л — избыток железа при СРБ <5,0 мг/л (AUC ROC-анализа составила 0,914, 0,807, 0,812, 0,891; чувствительность и специфичность: 50,7, 85,2, 51,3, 23,2 и 97,4, 59,9, 86,2, 98,3 % соответственно). Выводы: В проведенном исследовании результаты КАК и СРБ были использованы для разработки моделей машинного обучения (МО), которые могли бы точно предсказывать концентрации ФС. В то время, когда медицинские данные становятся все более структурированными в электронной карте пациента, расширяются возможности МО и инструментов СППВР, особенно в области лабораторной медицины, поскольку они быстрые, точные и недорогие. Согласно данным литературного обзора (Luo Y. et al., Kurstjens S. et al., McDermott M. et al., Pullakhandam S. et al.), преимущество нашего подхода для оценки статуса железа заключается в расширении диагностического поиска по уровню прогнозируемого ФС на всем линейном диапазоне лабораторного измерения с учетом корректировки на воспаление — биомаркера СРБ.
- Добавил в систему: Гимадиев Ринат Рашитович