INTELLIGENT DECISION SUPPORT IN CARDIOLOGY BASED ON OPTIMIZATION AND PROGNOSTIC MODELING

В статье приводятся результаты обобщения целого ряда практических задач принятия решений организационного, лечебного и образовательного планов в кардиологии, обеспечивающие интеллектуальную поддержку на основе инвариантных оптимизационно-прогностических моделей. Рассмотрены направления принятия управленческих решений, связанные с ресурсным обеспечением медицинской помощи, медикаментозного лечения, академической активности обучающихся. В качестве инвариантных подходов к прогностическому оцениванию влияния управляющих воздействий на показатели эффективности определены ГИС-технологии, технологии машинного обучения моделей регрессии и классификации. В случае использования ГИС-технологий прогностические оценки интегрированы в процесс многоальтернативной оптимизации ресурсного обеспечения территориально распределенных систем кардиологической помощи населению. При машинном обучении моделей регрессии с целью получения прогностических оценок показана целесообразность интеграции с оптимизацией на множестве ограничений либо с многокритериальной оптимизацией. Машинное обучение моделей классификации создает предпосылки для объединения прогностических оценок разделения на классы по эффективности определенной тактики лечения и значимости признаков, влияющих на приверженность к лечению кардиологических больных, с оптимизационным моделированием многоальтернативного выбора управляющих воздействий. В итоге сформирован комплекс оптимизационно-прогностических моделей, ориентированных на интеллектуальную поддержку принятия решений в кардиологии при управлении на организационном лечебном и образовательном уровнях The paper presents the results of a generalization of a number of practical tasks of decision-making of organizational, medical and educational plans in cardiology, providing intellectual support based on invariant optimization and prognostic models. The directions of making managerial decisions related to the resource provision of medical care, drug treatment, academic activity of students are considered. GIS technologies, machine learning technologies for regression and classification models are defined as invariant approaches to the predictive assessment of the influence of control actions on performance indicators. In the case of using GIS technologies, prognostic estimates are integrated into the process of multi-alternative optimization of resource support for geographically distributed systems of cardiological care for the population. In machine learning of regression models in order to obtain predictive estimates, the expediency of integration with optimization on a set of constraints or with multicriteria optimization is shown. Machine learning of classification models creates the prerequisites for combining predictive estimates of the division into classes according to the effectiveness of certain treatment tactics and the significance of signs that affect adherence to treatment of cardiac patients with optimization modeling of a multi-alternative choice of control actions. As a result, a set of optimization and prognostic models has been formed, focused on intelligent decision support in cardiology in management at the organizational medical and educational levels