У зв’язку із тенденцією росту серцево судинних захворювань (ССЗ), актуальним є питання прогнозування захворювання, адже раннє виявлення, може допомогти людям змінити спосіб життя та, якщо необхідно, забезпечити ефективну медичну допомогу. Оскільки рівень життя людей покращується, а рівень стресу продовжує зростати, кількість людей, які страждають на серцево-судинні захворювання, збільшується із загрозливою швидкістю. Серцево-судинні захворювання є серйозною проблемою для охорони здоров’я і в усьому світі і залишаються основною причиною смерті [1,2].
На розвиток серцево-судинних захворювань може впливати низка факторів, зокрема вік, стать, індекс маси тіла (ІМТ), фізична активність, рівнеь стресу, шкідливі звички, систолічний та діастолічний тиск, а також результати аналізів крові, які оцінюють такі фактори, як рівень холестерину, глюкози [3,4].
Пацієнтів із високим ризиком серцево-судинних захворювань можна визначити за допомогою моделей прогнозування розвитку захворювання. Прогностична здатність більшості моделей, які наразі використовуються, обмежена і є простір для їх вдосконалення. У сфері прогнозування розвитку захворювань серцево-судинної системи було продемонстровано, що алгоритми машинного навчання (ML) є надзвичайно корисними та перспективними. Вони краще, ніж стандартні статистичні моделі, сприймають складні взаємодії та нелінійні зв’язки, які існують між змінними та результатами [3]. Аналіз досліджень показав, що алгоритм випадкового лісу (RF), логістична регресія і опорні векторні машини (SVM) працюють краще, ніж традиційні моделі в прогнозуванні захворювання [6,7].
Застосування прогностичних моделей, як засіб ідентифікації пацієнтів із високим ризиком розвитку серцево судинних захворювань, сприятиме своєчасному прийняттю клінічних рішень таких, як зміна способу життя та використання статинів, що можуть допомогти зменшити ризик виникнення захворювання і сприяти первинній профілактиці серцево-судинних захворювань.
Мета роботи: прогнозування ранньої діагностики захворювань серця з використанням технологій машинного навчання.
Методи дослідження: статистична обробка даних, логістична регресія, алгоритм випадкового лісу.
Результати роботи
Для раннього прогнозування розвитку серцево судинних захворювань обрано наступні показники: 4 показники демографічного типу - вік, зріст, вага, гендер; 4 показники обстеження - систолічний, діастоличний артеріальний тиск, рівень холестерину, глюкози; 3 показники соціальної історії пацієнта- куріння, вживання алкоголю, фізична активність, рівень стресу.
Порівняно з дослідженнями, проведеними до цього часу, в цьому дослідженні розглянуті потенційні фактори ризику, такі як висока маса тіла, відсутність фізичної активності, психологічний стрес, сімейний анамнез, звички куріння та вживання алкоголю. Модель виявлення серцево-судинних захворювань була розроблена з використанням методів машинного навчання. Продуктивність перевірялася на перевірочному тестовому наборі з 501 запису. Поширеність захворювання в підгрупі валідації становила 237/501 = 47,3%. Показники ефективності, а саме: точність, чутливість, специфічність, були розраховані для кожного алгоритму. Алгоритми, що використовуються при побудові даної моделі, являють собою метод випадкового лісу, логістичну регресію, яка реалізована за допомогою функції Logit на основі методу оцінки максимальної правдоподібності для прогнозування ризику серцево-судинних захворювань. Прогностична точність моделі складає 87,5%.
При оцінці високий/низький ризик серцево-судинних захворювань було виявлено, що регулярні фізичні вправи та дотримання здорового способу життя пов’язані з низьким ризиком серцево-судинних захворювань. Підвищений рівень цукру в крові, холестерину, гіпертонія, стрес, куріння, як правило, призводять до збільшення ризику серцево-судинних захворювань. Підвищений артеріальний тиск збільшує відношення факторів високого ризику серцево-судинних захворювань на 1,573 тоді, як ризик серцево-судинних захворювань падає до 0,328 при регулярних фізичних вправах. Відношення факторів високого ризику серцево-судинних захворювань для жінок становить 0,788 в порівнянні з чоловіками. Чоловіча стать, цукровий діабет, гіпертонія, високий рівень холестерину, куріння та алкоголь були суттєво пов'язані з ССЗ. Відсутність фізичних вправ і стрес були більш поширеними в групі серцево-судинних захворювань (p <0,05).
Варто зазначити, що система, яка використана в цьому дослідженні, є високорентабельною порівняно з іншими дослідженнями, оскільки такі тести, як тест на біговій доріжці, ультразвукове дослідження серця, ангіографія коронарних судин не були взяті до уваги. Легкий доступ до системи прогнозування через Інтернет також є додатковою корисною особливістю цього дослідження.
Список використаних джерел
1. Noncommunicable Diseases Country Profiles. World Health Organization; 2018. https://www.who.int/nmh/publications/ncd-profiles-2018/en/
2. Institute for Health Metrics and Evaluation (IHME). Findings from the Global Burden of Disease Study 2017. IHME; Seattle, WA: 2018. http://www.healthdata.org/sites/default/files/files/policy_report/2019/GBD_2017_Booklet.pdf;2019
3. Haq A., Li J., Memon M., Nazir S., Sun R. A hybrid intelligent system framework for the prediction of heart disease using machine learning algorithms. Mobile Inf Syst. 2018;2018:1–21
4. Van der Heijden A.A., Abramoff M.D., Verbraak F., van Hecke M.V., Liem A., Nijpels G. Validation of automated screening for referable diabetic retinopathy with the IDx-DR device in the Hoorn Diabetes Care System. Acta Ophthalmol. 2017;96(1):63–68. doi: 10.1111/aos.13613.
5. Alexander C.A., Wang L. Big data analytics in heart attack prediction. J Nurs Care. 2017;6(2) doi: 10.4172/2167-1168.1000393.
6. Maini E., Venkateswarlu B., Gupta A. International Conference on Intelligent Data Communication Technologies and Internet of Things (ICICI) 2018. 2018. Applying machine learning algorithms to develop a universal cardiovascular disease prediction system; pp. 627–632
7. Kausar N., Abdullah A., Samir B., Palaniappan S., AlGhamdi B., Dey N. Ensemble clustering algorithm with supervised classification of clinical data for early diagnosis of coronary artery disease. J Med Imag Health Inform. 2016;6(1):78–87.
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter