От данных к прогнозу: разработка и клиническая апробация инструмента оценки риска преждевременных родов на основе технологий машинного обучения
Специалисты Петрозаводского государственного университета разработали систему на базе искусственного интеллекта для ранней оценки рисков преждевременных родов по данным электронных медкарт. Результаты опубликованы в журнале "Акушерство, гинекология и репродукция". Ученые отмечают, что лучшие результаты прогнозирования риска среди алгоритмов машинного обучения показал алгоритм на основе градиентного бустинга – CatBoost Classifier (Categorical Boosting Classifier).
Градиентный бустинг (Gradient Boosting) – метод машинного обучения, который последовательно создает набор слабых прогностических моделей (обычно деревьев решений), комбинируя их в единую сильную модель. Каждая новая модель стремится исправить ошибки, допущенные предыдущими моделями.
CatBoost показал точность 81%, чувствительность 87% и полноту извлечения текста 99,8% среди 14 алгоритмов. Модель обучена на 10 тыс. обезличенных карт с 54 параметрами, включая клинические и лабораторные записи врачей. Система анализирует комбинации факторов: плацентарная недостаточность, инфекции, истмико-цервикальная недостаточность, многоплодность, ЭКО. Это позволит врачам раньше выявлять риски и назначать профилактику, снижая неонатальную смертность.
Авторы разработки отмечают, что преждевременные роды представляют собой следствие сложного взаимодействия множества факторов, уникального для каждой пациентки, и это требует перехода от универсальных подходов к персонализированным, основанным на интеграции широкого спектра клинических данных. Они также обращают внимание, что ИИ – инструмент поддержки, не замена врачу; нужны многоцентровые тесты и биомаркеры.
А также читайте здесь.
