63 статей
Исследование посвящено применению моделей машинного обучения для дифференциации пациентов с рассеянным склерозом от здорового контроля и классификации фенотипов заболевания. Модели показали высокую точность (до 96%) в диагностике и эффективно прогнозируют уровень инвалидизации (шкала EDSS) на основе данных МРТ и клинических показателей.
Исследование посвящено оценке эффективности нового ИИ-индекса заживления (Healing Index, HI) в сравнении с традиционным методом оценки процента сокращения площади раны (PAR). Использование ИИ направлено на решение проблемы субъективности текущих методов, которые обходятся системе здравоохранения США более чем в 126 миллиардов долларов ежегодно. В ходе ретроспективного анализа на базе верифицированного набора данных из 173 816 ран (включая пролежни, венозные, диабетические и артериальные язвы) было установлено, что модель HI превосходит PAR по скорости прогнозирования. К третьей неделе ИИ-индекс достиг сбалансированной точности в 65%, в то время как традиционному методу PAR потребовалась четвертая неделя для достижения аналогичного показателя. Раннее выявление рисков замедленного заживления позволяет врачам своевременно корректировать тактику лечения, оптимизировать распределение ресурсов и снижать экономическую нагрузку на медицинские учреждения. Внедрение подобных интеллектуальных систем в клиническую практику способно радикально изменить стандарты ухода за хроническими ранами.
Исследование разработало и валидировало интерпретируемые модели машинного обучения для прогнозирования развития псевдокист поджелудочной железы у пациентов с острым панкреатитом. Сравнивались 9 алгоритмов ML, оптимальной оказалась модель случайного леса с AUC 0.884 на внутреннем тесте и 0.914 на временной валидации. Анализ SHAP показал, что низкий уровень кальция и повышенный СРБ являются наиболее важными предикторами риска.
