Патофизиология метаболического синдрома: новые возможности искусственного интеллекта

K. A. Varakina-Mitrail; R. R. Gimadiev; O. B. Schegolev; A. G. Kochetov; D. S. Rusina; V. O. Dimitrov

doi:10.25557/2310-0435.2024.02.44-47

K. A. Varakina-Mitrail Автономная некоммерческая организация дополнительного профессионального образования «Институт лабораторной медицины», Москва, Россия http://orcid.org/0000-0001-9321-4574
R. R. Gimadiev Автономная некоммерческая организация дополнительного профессионального образования «Институт лабораторной медицины», Москва, Россия http://orcid.org/0000-0002-9567-3317
O. B. Schegolev Автономная некоммерческая организация дополнительного профессионального образования «Институт лабораторной медицины», Москва, Россия http://orcid.org/0000-0002-3493-1415
A. G. Kochetov Автономная некоммерческая организация дополнительного профессионального образования «Институт лабораторной медицины», Москва, Россия http://orcid.org/0000-0003-3632-291X
D. S. Rusina Федеральное государственное автономное образовательное учреждение высшего образования «Российский университет дружбы народов имени Патриса Лумумбы», Москва, Россия http://orcid.org/0009-0009-0306-8864
V. O. Dimitrov ООО «РТК-элемент», Москва, Россия http://orcid.org/0000-0002-2379-9594

DOI: https://doi.org/10.25557/2310-0435.2024.02.44-47

Ключевые слова: машинное обучение, искусственный интеллект, метаболический синдром, общий анализ крови, холестерин, ЛПНП, ЛПВП, триглицериды

Аннотация

Актуальность. По сравнению с лабораторными методами проведения биохимических анализов крови алгоритмы искусственного интеллекта предлагают несколько ключевых преимуществ. Они сравнимы с традиционными методами по точности и эффективности, но значительно превосходят их по экономичности

Целью исследования является разработка интерпретируемой модели вычисления липидного профиля пациента с помощью машинного обучения на основе деперсонализированных данных о диспансеризации (возраст, пол, общий анализ крови (ОАК), общий холестерин, глюкоза крови).

Материалы и методы. Разработанный алгоритм представляет собой комплекс технологических решений, позволяющий рассчитывать взаимосвязь между различными биохимическими параметрами в организме человека с помощью передовых алгоритмов глубокого обучения, таких как градиентный бустинг на решающих деревьях и полносвязные нейронные сети. База данных включала в себя результаты лабораторных показателей 62 192 пациентов: холестерин (ХС), липопротеины высокой плотности (ЛПВП), триглицериды (ТГ), липопротеины низкой плотности (ЛПНП), ОАК, а также пол и возраст пациентов.

Результаты. Была проведена оценка качества моделей на тестовой выборке с использованием метрик, таких как коэффициент детерминации (R²), средняя абсолютная ошибка (MAE), средняя абсолютная ошибка в процентах (MAPE). R² для корреляции между концентрацией ЛПНП и группы данных о диспансеризации составила 0,94 при MAE 0,20 и MAPE 0,06. Корреляция между ЛПВП и ТГ с данными о диспансеризации была значительно ниже (R²составил 0,51 и 0,41 соответственно, MAE 0,20 и 0,53 соответственно, а MAPE 0,15 и 0,40 соответственно).

Заключение. Разработка алгоритма искусственного интеллекта, способного прогнозировать уровни ЛПНП, ЛПВП и триглицеридов на основе менее дорогостоящих лабораторных тестов, таких как уровень холестерина и глюкозы в крови, имеет огромный потенциал для повышения доступности здравоохранения. Хотя на сегодняшний день достигнута высокая точность (94%) только при прогнозировании ЛПНП, следующий важный шаг заключается в подборе способа обработки и расширении набора данных, используемого для обучения для более точного предсказания уровней ЛПВП и ТГ.