Потенциальная ценность и влияние интеллектуального анализа данных и машинного обучения в клинической диагностике

Интеллектуальный анализ данных объединяет математические науки, статистику, искусственный интеллект и машинное обучение для выявления взаимосвязей между переменными в больших массивах данных. Ранее было показано, что интеллектуальный анализ данных может повысить точность прогнозирования и диагностики сахарного диабета 2-го типа. В нескольких исследованиях машинное обучение применяли для оценки биомаркеров артериальной гипертензии и метаболического синдрома, а также для совершенствования оценки риска сердечно-сосудистых заболеваний. Методы машинного обучения использовали для оценки новых биомаркеров и показателей выживаемости у пациентов с заболеваниями почек, прогнозирования развития хронической болезни почек, прогрессирования заболевания и выживаемости почечного трансплантата. В последнем случае методы случайного леса оказались наиболее эффективными для прогнозирования хронической болезни почек. В ряде исследований с помощью моделей деревьев решений изучали прогноз при неалкогольной жировой болезни печени и острой печёночной недостаточности, а также прогнозировали ответ на терапию у пациентов с вирусными заболеваниями. Методы машинного обучения, в частности разреженная модель взаимодействий высокого порядка с возможностью отклонения, применяли для диагностики болезни Альцгеймера. Методы интеллектуального анализа данных также использовали для выявления факторов риска тяжёлых психических заболеваний, таких как депрессия и деменция, а также для диагностики и прогнозирования качества жизни таких пациентов. В области охраны здоровья детей в нескольких исследованиях определяли наиболее эффективные алгоритмы прогнозирования ожирения и недостаточности питания. С помощью машинного обучения были выявлены значимые факторы риска преждевременных родов и низкой массы тела при рождении. Опубликованных исследований с участием пациентов с онкологическими и бактериальными заболеваниями мало; вероятно, эти направления следует более детально изучить в будущих работах. В настоящем обзоре подробно рассмотрены исследования, в которых данные о биохимических биомаркерах анализировали методами машинного обучения для оценки риска нескольких распространённых заболеваний; цель обзора — обобщить возможные применения методов интеллектуального анализа данных в клинической диагностике. Интеллектуальный анализ данных всё шире применяют в клинической диагностике, и он обладает потенциалом для поддержки этого направления.