Интеллектуальный анализ данных в диагностике анемии по клиническим показателям
https://doi.org/10.17586/0021-3454-2024-67-4-321-329
Аннотация
Исследован набор медицинских данных, полученных из информационной системы сетевой лаборатории амбулаторного наблюдения, который содержит показатели анализов пациентов с диагнозом „анемия“. Набор содержит показатели общего анализа крови, ретикулоциты, дополнительные биохимические маркеры обмена железа и воспалительного процесса. Разработана программа, позволяющая автоматизировать процесс анализа исследуемого набора согласно предложенному алгоритму обработки с учетом особенностей медицинских данных. Выполнена предварительная подготовка и очистка данных, проведен статистический и факторный анализ. Анализ выделенных групп данных позволил найти некоторые общие показатели для пациентов с анемическим синдромом. С помощью факторного анализа сокращено число переменных, выделены четыре основных фактора (группы исходных признаков), которые необходимы для описания исследуемых данных. Полученные результаты могут быть использованы для предоставления статических отчетов медицинской организации. Также исследуемые данные были подготовлены для возможности использования методов машинного обучения и более глубокого анализа с целью выявления наиболее эффективной диагностики анемии на ранних стадиях.
Об авторах
В. В. Боженко
Санкт-Петербургский государственный университет аэрокосмического приборостроения
Россия
Россия
Виктория Вячеславовна Боженко — старший преподаватель, кафедра прикладной информатики
Санкт-Петербург
Н. Ю. Черныш
Национальный медицинский исследовательский центр им. В. А. Алмазова
Россия
Россия
Наталия Юрьевна Черныш — канд. мед. наук, доцент, кафедра лабораторной медицины с клиникой
Санкт-Петербург
Т. М. Татарникова
Санкт-Петербургский государственный университет аэрокосмического приборостроения
Россия
Россия
Татьяна Михайловна Татарникова — д-р техн. наук, профессор, кафедра прикладной информатики
Санкт-Петербург
Список литературы
1. Huang M.-J., Sung H.-S., Hsieh T.-J., Wu M.-C., Chung S.-H. Applying data-mining techniques for discovering association rules // Soft Computing – A Fusion of Foundations, Methodologies and Applications. 2020. Vol. 24. P. 8069—8075.
2. Цветкова Л. А., Черченко О. В. Технология больших данных в медицине и здравоохранении России и мира // Врач и информационные технологии. 2016. № 3. С. 60—73.
3. Карнаухов Н. С., Ильюхин Р. Г. Возможности технологий „Big Data“ в медицине // Врач и информационные технологии. 2019. № 1. C. 59—63.
4. Explore the Top 10 Cardiac Diagnosis Trends in 2023 [Электронный ресурс]: <https://www.startus-insights.com/innovators-guide/cardiac-diagnosis-trends/>. (дата обращения 15.01.2024)
5. Chang A., Cowling K. Past, present, and future of global health financing: A review of development assistance, government, out-of-pocket, and other private spending on health for 195 countries, 1995-2050 // Lancet. 2019. Vol. 393, N 10187. Р. 2233—2260.
6. Овчинникова М. А., Жиленкова Ю. И., Черныш Н. Ю. Применение big data в лабораторной медицине // Российский журнал персонализированной медицины. 2023. Т. 3, № 4. С. 77—87.
7. Wang L. Big data analytics in medical engineering and healthcare: methods, advances and challenges // J. of Medical Engineering & Technology. 2020. Vol. 44, N 6. P. 267—283.
8. Razzak M. I., Imran M., Xu G. Big data analytics for preventive medicine // Neural Computing & Applications. 2020. Vol. 32. P. 4417—4451.
9. Bozhenko V. V. Data preprocessing in machine learning // Bulletin of the UNESCO department „Distance education in engineering“ of the SUAI: Collection of the papers. St. Petersburg, 2023. P. 52—55.
10. Bozhenko V. V., Tatarnikova T. M. Application of Data Preprocessing in Medical Research // Wave Electronics and its Application in Information and Telecommunication Systems (WECONF). St. Petersburg, 2023. P. 1—4.
11. Баврина А. П. Современные правила использования методов описательной статистики в медико-биологических исследованиях // Медицинский альманах. 2020. С. 95—104.
12. Makridakis S., Spiliotis E., Assimakopoulos V. Statistical and Machine Learning forecasting methods: Concerns and ways forward // PloS one. 2018. Vol. 13. P. 1—20.
13. Попова И. А. Исследование алгоритмов машинного обучения для предварительной обработки данных в задачах регрессии // Искусственный интеллект в автоматизированных системах управления и обработки данных: Сб. ст. Всерос. научн. конф. Т. 1. М., 2022. С. 237—242.
14. Гудинова Ж. В., Демакова Л. В. Технологии статистического анализа медицинских данных: первичный анализ данных, сравнение групп // Фундаментальная и клиническая медицина. 2023. Т. 8, № 1. С. 119—131.
15. Комков А. А., Мазаев В. П., Рязанова С. В., Самочатов Д. Н., Базаева Е. В. Основные направления развития искусственного интеллекта в медицине // Научное обозрение. Медицинские науки. 2020. № 5. С. 33—40.
16. Taherdoost H., Sahibuddin S., Jalaliyoon N. Exploratory Factor Analysis; Concepts and Theory // Advances in applied and pure mathematics. 2022. Vol. 27. P. 375—382.
17. Покидышева Л. И., Мадаминова М. О., Ладнюк В. В. Исследование и разработка алгоритмов и программных средств сокращения размерности многомерных данных // Междунар. науч.-исслед. журн. 2017. № 5–3(59). C. 94—97.
Рецензия
Для цитирования:
Боженко В.В., Черныш Н.Ю., Татарникова Т.М. Интеллектуальный анализ данных в диагностике анемии по клиническим показателям. Известия высших учебных заведений. Приборостроение. 2024;67(4):321-329. https://doi.org/10.17586/0021-3454-2024-67-4-321-329
For citation:
Bozhenko V.V., Chernysh N.Yu., Tatarnikova T.M. Data Mining in the Diagnosis of Anemia by Clinical Indicators. Journal of Instrument Engineering. 2024;67(4):321-329. (In Russ.) https://doi.org/10.17586/0021-3454-2024-67-4-321-329
Просмотров:
18
Послать статью по эл. почте 