Ключевые слова
вычислительная диагностика
компьютерное обучение
глубокое обучение
Аннотация
Развитие компьютерных медицинских технологий открывает новые возможности для повышения точности диагностики, улучшения прогнозирования и ведения пациентов с ХОБЛ. Материалы и методы исследования. Проведен поиск исследований применения алгоритмов вычислительной диагностики при ХОБЛ. Результаты. Наиболее часто применяются метод опорных векторов (support vector machine, SVM), бустинг (boosting), метод «случайный лес» (random forest), логистическая регрессия и дерево решений. Метод опорных векторов для мониторинга 135 пациентов с ХОБЛ в течение 363 дней был применен для прогнозирования госпитализаций. Алгоритм машинного обучения, основанный на 57 150 эпизодах, дал ROC-кривую (AUC) 0,74 (95% ДИ 0,67–0,80). Модель CatBoost с включением признаков (звуков) из электронного стетоскопа продемонстрировала наибольшую эффективность: AUC 0,9721, 95% ДИ 0,9623–0,9810. Анализ модели CatBoost в этой работе показал, что признаки, извлеченные из электронного стетоскопа, имеют большее значение, чем признаки, полученные с помощью портативного спирометра. Метод бустинга применялся при анализе данных сигнала внутриушной фотоплетизмограммы (ФПГ): при ХОБЛ наблюдались снижение продолжительности вдоха и увеличение амплитуды вдоха по сравнению с амплитудой выдоха. Эти различия использовались для диагностики ХОБЛ и дифференциальной диагностики ХОБЛ и идиопатического легочного фиброза. Чувствительность и точность модели составили 87 и 92% соответственно. Заключение. Компьютерные технологии и алгоритмы вычислительной диагностики имеют широкий спектр применения, повышая точность принятия врачебных решений. Будущие исследования должны быть сосредоточены на повышении интерпретируемости моделей вычислительной диагностики и проверке этих алгоритмов в клинике.