Машинне навчання для прогнозування й ранньої діагностики серцево-судинних захворювань: методи й перспективи

Abstract

У статті було передбачено огляд ключових алгоритмів та технік машинного навчання, їхньої ефективності та придатності у контексті кардіологічних досліджень. Особлива увага приділена оцінці потенційних переваг та обмежень цих методів, а також розгляду перспектив їх подальшого розвитку та інтеграції у клінічну практику для підвищення точності діагностики та ефективності лікування серцево-судинних захворювань. Мета: систематизація та аналіз сучасних методів машинного навчання, які використовуються для прогнозування та ранньої діагностики серцево-судинних захворювань. Методи: Для вирішення поставленої мети проаналізовано сучасну наукову літературу, яка доступна в базах даних Scopus, PubMed, Google та інших. Результати: Для досягнення поставленої мети роботи проаналізовано наукову літературу й визначено, що сучасні праці охоплюють моделі на основі машинного навчання для прямого прогнозування серцево-судинних захворювань, що ґрунтується на факторах ризику або результатах медичної візуалізації й гемодинаміки із судинною геометрією, рівняннями й методами для непрямої оцінки серцево-судинних захворювань. Для передбачення ризику й оцінки цих захворювань традиційно використовуються статистичні моделі. Проте в сучасну епоху розвитку технологій для оцінки ризиків у пацієнтів і прогнозування розвитку серцево-судинних захворювань швидко впроваджується підхід із використанням штучного інтелекту. Такі фактори ризику серцево-судинних захворювань, як вік, стать, раса, соціально-економічний статус, діабет й ожиріння, пов'язані з летальністю. Біомаркери, включно з ЕКГ, сироватковими маркерами й параметрами візуалізації, запропоновані як ефективні предиктори у разі інтегрованого підходу машинного навчання. Для машинного навчання з метою виявлення захворювань серця на ранній стадії як один із методів класифікації широко використовуються Decision Trees – «дерева рішень». У клінічних умовах він має сильні сторони на противагу іншим методам класифікації завдяки його доступності сприйняття й придатності для класифікації даних. Висновки: Зважаючи на розповсюдженість серцево-судинних захворювань, а також їхніх ускладнень у всьому світі, дуже важливим є використання машинного навчання для виявлення початкових ознак розвитку/ризику цих захворювань і для своєчасної профілактики, діагностики й ефективного лікування.