Research output: Contribution to journal › Article › peer-review
Research output: Contribution to journal › Article › peer-review
}
TY - JOUR
T1 - ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ИСХОДА ПРОТОКОЛА ВСПОМОГАТЕЛЬНЫХ РЕПРОДУКТИВНЫХ ТЕХНОЛОГИЙ НА РАЗЛИЧНЫХ ЭТАПАХ ЕГО ПРОВЕДЕНИЯ
AU - Синотова, Светлана Леонидовна
AU - Солодушкин, Святослав Игоревич
AU - Плаксина, Анна Николаевна
AU - Макутина, Валерия Андреевна
PY - 2022
Y1 - 2022
N2 - В статье описана логика работы интеллектуальной системы поддержки принятия врачебных решений (СППВР), в основе которой лежит набор моделей машинного обучения, позволяющих предсказывать исход протокола вспомогательных репродуктивных технологий (ВРТ) на различных этапах его проведения. Для создания всех прогностических моделей использовались данные регистра протоколов ВРТ, позволяющего отследить влияние анамнеза женщин и хода протокола на состояние организма ребенка от рождения до достижения трех лет. Исход протокола ВРТ выражается в вероятности наступления беременности, наиболее распространенных осложнениях ее течения, таких как истмико-цервикальная недостаточность, гипертонические расстройства, предлежание плаценты, гестационный сахарный диабет, нарушения количества околоплодных вод и преждевременный разрыв плодных оболочек, в сроке и способе родов, а также в здоровье рожденного ребенка в течение трех лет. Учитывается влияние прогнозируемых осложнений течения беременности на результат родов, а также влияние осложнений течения беременности, срока и способа родов на здоровье рожденного ребенка, которое описывается прогнозируемыми группами здоровья и группой диагнозов в соответствии с МКБ-10. СППВР предусмотрена для протоколов экстракорпорального оплодотворения (ЭКО), в том числе с применением интрацитоплазматического введения сперматозоида в ооцит (ИСКИ) и криопереноса. СППВР содержит 77 прогностических моделей, из них 72 модели - бинарные классификаторы, 5 регрессионных моделей. Для создания моделей машинного обучения использован алгоритм случайного леса. Значение ROC-AUC бинарных классификаторов системы - 0,936 95 % ДИ [0,914; 0,958], доля правильных ответов бинарных классификаторов - 0,897 95 % ДИ [0,880; 0,915], критерий Фишера для регрессионных моделей не опровергает гипотезу адекватности моделей. Применение такой системы позволит получать объективную оценку, основанную на большом количестве данных, что значимо для специалистов в области ВРТ, и наглядно показывать клиентам центров ВРТ основные этапы предстоящего процесса.
AB - В статье описана логика работы интеллектуальной системы поддержки принятия врачебных решений (СППВР), в основе которой лежит набор моделей машинного обучения, позволяющих предсказывать исход протокола вспомогательных репродуктивных технологий (ВРТ) на различных этапах его проведения. Для создания всех прогностических моделей использовались данные регистра протоколов ВРТ, позволяющего отследить влияние анамнеза женщин и хода протокола на состояние организма ребенка от рождения до достижения трех лет. Исход протокола ВРТ выражается в вероятности наступления беременности, наиболее распространенных осложнениях ее течения, таких как истмико-цервикальная недостаточность, гипертонические расстройства, предлежание плаценты, гестационный сахарный диабет, нарушения количества околоплодных вод и преждевременный разрыв плодных оболочек, в сроке и способе родов, а также в здоровье рожденного ребенка в течение трех лет. Учитывается влияние прогнозируемых осложнений течения беременности на результат родов, а также влияние осложнений течения беременности, срока и способа родов на здоровье рожденного ребенка, которое описывается прогнозируемыми группами здоровья и группой диагнозов в соответствии с МКБ-10. СППВР предусмотрена для протоколов экстракорпорального оплодотворения (ЭКО), в том числе с применением интрацитоплазматического введения сперматозоида в ооцит (ИСКИ) и криопереноса. СППВР содержит 77 прогностических моделей, из них 72 модели - бинарные классификаторы, 5 регрессионных моделей. Для создания моделей машинного обучения использован алгоритм случайного леса. Значение ROC-AUC бинарных классификаторов системы - 0,936 95 % ДИ [0,914; 0,958], доля правильных ответов бинарных классификаторов - 0,897 95 % ДИ [0,880; 0,915], критерий Фишера для регрессионных моделей не опровергает гипотезу адекватности моделей. Применение такой системы позволит получать объективную оценку, основанную на большом количестве данных, что значимо для специалистов в области ВРТ, и наглядно показывать клиентам центров ВРТ основные этапы предстоящего процесса.
UR - https://elibrary.ru/item.asp?id=49127137
U2 - 10.26102/2310-6018/2022.37.2.009
DO - 10.26102/2310-6018/2022.37.2.009
M3 - Статья
VL - 10
JO - Моделирование, оптимизация и информационные технологии
JF - Моделирование, оптимизация и информационные технологии
SN - 2310-6018
IS - 2 (37)
M1 - 2
ER -
ID: 30751435