3 статей
Исследование представляет интерпретируемую модель машинного обучения для оценки риска сердечно-сосудистых заболеваний на основе данных 70 000 пациентов. Использование методов SHAP позволило сделать прогнозы прозрачными, выделив ключевые факторы риска, такие как возраст, давление и уровень холестерина, что критически важно для внедрения ИИ в клиническую практику.
Исследователи из Петрозаводского государственного университета представили инновационную систему на базе искусственного интеллекта, предназначенную для прогнозирования риска преждевременных родов. В основе решения лежит алгоритм градиентного бустинга CatBoost, который эффективно обрабатывает сложные паттерны в данных электронных медицинских карт. Методология исследования заключалась в анализе совокупности клинических факторов и анамнеза пациенток для выявления скрытых закономерностей, предшествующих осложнениям. Разработанная модель позволяет автоматизировать процесс скрининга и выделить группы высокого риска на ранних этапах беременности. Результаты работы, подтверждающие эффективность применения машинного обучения в акушерстве, были официально опубликованы в специализированном научном журнале «Акушерство, гинекология и репродукция». Внедрение данной технологии в клиническую практику может значительно снизить уровень младенческой смертности и улучшить качество ведения беременности.
Исследование, опубликованное в журнале npj Digital Medicine, посвящено разработке и внедрению интерпретируемых моделей машинного обучения для оценки риска развития инсульта у пациентов с недавно выявленной фибрилляцией предсердий. В отличие от традиционных «черных ящиков», предложенные алгоритмы позволяют врачам понимать, какие именно клинические факторы вносят наибольший вклад в прогноз для конкретного пациента. Методология исследования фокусируется на использовании структурированных медицинских данных для обучения моделей, обеспечивающих высокую точность предсказания при сохранении прозрачности принятия решений. Ключевым результатом является возможность персонализации стратегий профилактики инсульта на основе анализа специфических рисков, выявленных ИИ. Данная работа имеет высокую значимость для клинической практики, так как помогает интегрировать передовые технологии ИИ в повседневную кардиологическую помощь, повышая доверие врачей к автоматизированным системам поддержки принятия решений.
