Прогнозирование осложнений сахарного диабета с помощью передовых алгоритмов машинного обучения

Цель: Оценить возможность прогнозирования развития 10 выбранных осложнений у пациентов с сахарным диабетом 2-го типа. Точное прогнозирование осложнений может помочь целенаправленно применять меры для предотвращения их развития или замедления прогрессирования.

Материалы и методы: Исследование проводили на данных стационаров Калифорнии из базы Healthcare Cost and Utilization Project State Inpatient Databases за 2003–2011 годы. Были разработаны и сопоставлены модели глубокого обучения на основе рекуррентных нейронных сетей: с долговременной кратковременной памятью (RNN-LSTM) и управляемым рекуррентным блоком (RNN-GRU). Их сравнивали с традиционными моделями «случайный лес» и многослойный персептрон. Точность прогнозирования выбранных осложнений оценивали в трех вариантах, различавшихся минимальным числом госпитализаций между установлением диагноза сахарного диабета и диагностированием осложнения.

Результаты: В качестве входных данных использовали сведения о диагнозах. Наилучшие результаты показала модель RNN-GRU, за ней следовала RNN-LSTM. Точность прогнозирования с помощью RNN-GRU составляла от 73% для инфаркта миокарда до 83% для хронической ишемической болезни сердца; у традиционных моделей она составляла 66–76%.

Обсуждение: Число госпитализаций было важным фактором точности прогнозирования: при четырех госпитализациях она была значимо выше, чем при двух. Для повышения точности моделям глубокого обучения требовалось не менее 1000 пациентов в обучающей выборке; при обучении на выборке из 500 пациентов точность значимо снижалась. Точность прогнозирования осложнений уменьшалась с течением времени. Среди отдельных осложнений наилучшие результаты были получены для депрессивного расстройства и хронической ишемической болезни сердца.

Выводы: По полученным результатам модель RNN-GRU была наиболее подходящей для данных электронных медицинских карт.