Вопросы внедрения в систему здравоохранения мероприятий по профилактике заболеваний системы кровообращения являются актуальными. Целью работы является разработка технологии гибридного искусственного интеллекта, объединяющего различные методы и подходы представления и использования знаний для оценки и прогноза индивидуальных рисков развития сердечно-сосудистых событий. Для исследования использованы следующие модели представления рисков: балльная система, многофакторные вейбулл- и логистическая регрессия, искусственные нейронные сети; онтологический подход к представлению знаний в явном виде и построению программных решателей, генерирующих объяснение в понятных врачу терминах. В качестве основного технологического решения используется облачная платформа IACPaaS, где предложена инфраструктура и технология разработки интеллектуальных сервисов. Результатом исследования является гибридная технология оценки рисков и прогнозирования, представленная в статье архитектурой производимых сервисов поддержки решений, онтологией знаний, базой знаний для кардиологии и методами реализации сервисов. Ключевой особенностью технологии является ее масштабируемость за счет подключения новых микросервисов, реализованных на произвольных гетерогенных архитектурах. Область применения — от исследователей оценки рисков и прогнозирования в кардиологии до врачей из практической медицины.
Литература
1. Task Force for the management of COVID-19 of the European Society of Cardiology et al. European Society of Cardiology guidance for the diagnosis and management of cardiovascular disease during the COVID-19 pandemic: part 1—epidemiology, pathophysiology, and diagnosis. Cardiovascular Research. 2022; 118(6): 1385-1412.
2. Шальнова С.А., Оганов Р.Г., Деев А.Д., и др. Сочетания ишемической болезни сердца с другими неинфекционными заболеваниями в популяции взрослого населения: ассоциации с возрастом и факторами риска // Кардиоваскулярная терапия и профилактика. — 2015. — №14(4). —С. 44-51. doi: 10.15829/1728-8800-2015-4-44-51.
3. Nashef S.AM, François Roques, Linda D Sharples, et al. EuroSCORE II European Journal of Cardio-Thoracic Surgery. 2012; 41(4): 734-745. doi: 10.1093/ejcts/ezs043.
4. Arnett DK, Blumenthal RS, Albert MA, et al. 2019 ACC/AHA Guideline on the Primary Prevention of Cardiovascular Disease: Executive Summary. A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines. J Am Coll Cardiol. 2019; 74(10): 1376-414. doi: 10.1016/j.jacc.2019.03.009.
5. SCORE2 working group and ESC cardiovascular risk collaboration. SCORE2 risk prediction algorithms: new models to estimate 10-year risk of cardiovascular disease in Europe. European Heart Journal. 2021; 42(25): 2439-2454. doi: 10.1093/eurheartj/ehab309.
6. Diamond GA, Forrester JS. Analysis of probability as an aid in the clinical diagnosis of coronary-artery disease. New England Journal of Medicine. 1979; 300(24): 1350-1358. doi: 10.1056/NEJM197906143002402.
7. Гусев А.В., Гаврилов Д.В., Новицкий Р.Э., и др. Совершенствование возможностей оценки сердечно-сосудистого риска при помощи методов машинного обучения // Российский кардиологический журнал. — 2021. — №26(12). — С.4618. doi: 10.15829/1560-4071-2021-4618.
8. Комарь П., Дмитриев В., Ледяева А. и др. Прогнозная аналитика в системе здравоохранения. Аналитический отчет // EverCare. 2021. Доступно по: https://evercare.ru/news/prognoznaya-analitika-v-sisteme-zdravookhraneniya.
9. Гусев А.В., Гаврилов Д.В., Корсаков И.Н., и др. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний // Врач и информационные технологии. — 2019. — №3. — С. 41-47.
10. Zhang L, Niu M, Zhang H, et al. Nonlaboratory-based risk assessment model for coronary heart disease screening: Model development and validation. Int J Med Inform. 2022; 162: 104746. doi: 10.1016/j.ijmedinf.2022.104746.
11. Wang T, Qiu RG, Yu M, Zhang R. Directed disease networks to facilitate multiple-disease risk assessment modeling. Decision Support Systems. 2020; 129: 113171. doi: 10.1016/j.dss.2019.113171.
12. Ambale-Venkatesh B, Yang X, Wu CO, et al. Cardiovascular Event Prediction by Machine Learning: The Multi-Ethnic Study of Atherosclerosis. Circulation research. 2017; 121(9): 1092-1101. doi. 10.1161/CIRCRESAHA.117.311312.
13. Benjamins JW, Hendriks T, Knuuti J, et al. A primer in artificial intelligence in cardiovascular medicine. Neth Heart J. 2019; 27(9): 392-402. doi: 10.1007/s12471-019-1286-6.
14. Duan H, Sun Z, Dong W, Huang, Z. Utilizing dynamic treatment information for MACE prediction of acute coronary syndrome. BMC Med Inform Decis Mak. 2019; 19(5): 1-11. doi: 10.1186/s12911-018-0730-7.
15. Kagiyama N, Shrestha S, Farjo PD, Sengupta PP. Artificial Intelligence: Practical Primer for Clinical Research in Cardiovascular Disease. Journal of the American Heart Association. 2019; 8(17): e012788. doi: 10.1161/JAHA.119.012788.
16. Krittanawong C, Zhang H, Wang Z, et al. Artificial Intelligence in Precision Cardiovascular Medicine. Journal of the American College of Cardiology. 2017; 69(21): 2657-2664. doi: 10.1016/j.jacc.2017.03.571.
17. Myers PD, Scirica BM, Stultz CM. Machine Learning Improves Risk Stratification After Acute Coronary Syndrome. Scientific Reports. 2017; 7(1): 1-12. doi: 10.1038/s41598-017-12951-x.
18. Pieszko K, Hiczkiewicz J, Budzianowski P, et al. Predicting Long-Term Mortality after Acute Coronary Syndrome Using Machine Learning Techniques and Hematological Markers. Desiase Markers. 2019; 2019. ID 9056402: 1-9. doi: 10.1155/2019/9056402.
19. Shah SH, Arnett D, Houser SR, et al. Opportunities for the Cardiovascular Community in the Precision Medicine Initiative. Circulation. 2016. 133(2): 226–231. doi: 10.1161/CIRCULATIONAHA.115.019475.
20. Грибова В.В., Петряева М.В., Шалфеева Е.А. Облачный сервис поддержки принятия решений в кардиологии на основе формализованных знаний // Сибирский журнал клинической и экспериментальной медицины. — 2020. — №35(4). — С.32-38. doi: 10.29001/2073-8552-2020-35-4-32-38.
21. Gribova V, Fedorischev L, Moskalenko Ph, Timchenko V. Interaction of cloud services with external software and its implementation on the IACPaaS platform. CEUR Workshop Proceedings. 2021; 2930: 8-18.
22. Невзорова В.А., Бродская Т.А., Шахгельдян К.И., и др. Методы машинного обучения в прогнозировании рисков 5-летней смертности (по данным исследования ЭССЕ-РФ в Приморском крае) // Кардиоваскулярная терапия и профилактика. — 2022. — Т.21. — №1. — С.34-42. doi: 10.15829/1728-8800-2022-2908.
23. Гельцер Б.И., Шахгельдян К.И., Рублев В.Ю., и др. Методы машинного обучения в прогнозировании летальных исходов в стационаре у больных ишемической болезнью сердца после коронарного шунтирования // Кардиология. — 2020. — Т.60. — №10. — С.38-46. doi: 10.18087/cardio.2020.10.n1170.
24. Грибова В.В., Петряева М.В., Окунь Д.Б., Шалфеева Е.А. Онтология медицинской диагностики для интеллектуальных систем поддержки принятия решений // Онтология проектирования. — 2018. — Т.8. — №1(27). С.58-73. doi: 10.18287/2223-9537-2018-8-1-58-73.
25. Петряева М.В., Шалфеева Е.А. База знаний кардиоваскулярных рисков для оценки и прогноза состояний // Информатика и системы управления. — 2021. — №3(69). — С.112-125. doi: 10.22250/isu.2021.69.112-125.
26. Грибова В.В., Москаленко Ф.М., Шахгельдян К.И., и др. Концепция гетерогенного хранилища биомедицинской информации // Информационные технологии. — 2019. — Т.25. — №2. — С.97-106. doi: 10.17587/it.25.97-106.
2. Шальнова С.А., Оганов Р.Г., Деев А.Д., и др. Сочетания ишемической болезни сердца с другими неинфекционными заболеваниями в популяции взрослого населения: ассоциации с возрастом и факторами риска // Кардиоваскулярная терапия и профилактика. — 2015. — №14(4). —С. 44-51. doi: 10.15829/1728-8800-2015-4-44-51.
3. Nashef S.AM, François Roques, Linda D Sharples, et al. EuroSCORE II European Journal of Cardio-Thoracic Surgery. 2012; 41(4): 734-745. doi: 10.1093/ejcts/ezs043.
4. Arnett DK, Blumenthal RS, Albert MA, et al. 2019 ACC/AHA Guideline on the Primary Prevention of Cardiovascular Disease: Executive Summary. A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines. J Am Coll Cardiol. 2019; 74(10): 1376-414. doi: 10.1016/j.jacc.2019.03.009.
5. SCORE2 working group and ESC cardiovascular risk collaboration. SCORE2 risk prediction algorithms: new models to estimate 10-year risk of cardiovascular disease in Europe. European Heart Journal. 2021; 42(25): 2439-2454. doi: 10.1093/eurheartj/ehab309.
6. Diamond GA, Forrester JS. Analysis of probability as an aid in the clinical diagnosis of coronary-artery disease. New England Journal of Medicine. 1979; 300(24): 1350-1358. doi: 10.1056/NEJM197906143002402.
7. Гусев А.В., Гаврилов Д.В., Новицкий Р.Э., и др. Совершенствование возможностей оценки сердечно-сосудистого риска при помощи методов машинного обучения // Российский кардиологический журнал. — 2021. — №26(12). — С.4618. doi: 10.15829/1560-4071-2021-4618.
8. Комарь П., Дмитриев В., Ледяева А. и др. Прогнозная аналитика в системе здравоохранения. Аналитический отчет // EverCare. 2021. Доступно по: https://evercare.ru/news/prognoznaya-analitika-v-sisteme-zdravookhraneniya.
9. Гусев А.В., Гаврилов Д.В., Корсаков И.Н., и др. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний // Врач и информационные технологии. — 2019. — №3. — С. 41-47.
10. Zhang L, Niu M, Zhang H, et al. Nonlaboratory-based risk assessment model for coronary heart disease screening: Model development and validation. Int J Med Inform. 2022; 162: 104746. doi: 10.1016/j.ijmedinf.2022.104746.
11. Wang T, Qiu RG, Yu M, Zhang R. Directed disease networks to facilitate multiple-disease risk assessment modeling. Decision Support Systems. 2020; 129: 113171. doi: 10.1016/j.dss.2019.113171.
12. Ambale-Venkatesh B, Yang X, Wu CO, et al. Cardiovascular Event Prediction by Machine Learning: The Multi-Ethnic Study of Atherosclerosis. Circulation research. 2017; 121(9): 1092-1101. doi. 10.1161/CIRCRESAHA.117.311312.
13. Benjamins JW, Hendriks T, Knuuti J, et al. A primer in artificial intelligence in cardiovascular medicine. Neth Heart J. 2019; 27(9): 392-402. doi: 10.1007/s12471-019-1286-6.
14. Duan H, Sun Z, Dong W, Huang, Z. Utilizing dynamic treatment information for MACE prediction of acute coronary syndrome. BMC Med Inform Decis Mak. 2019; 19(5): 1-11. doi: 10.1186/s12911-018-0730-7.
15. Kagiyama N, Shrestha S, Farjo PD, Sengupta PP. Artificial Intelligence: Practical Primer for Clinical Research in Cardiovascular Disease. Journal of the American Heart Association. 2019; 8(17): e012788. doi: 10.1161/JAHA.119.012788.
16. Krittanawong C, Zhang H, Wang Z, et al. Artificial Intelligence in Precision Cardiovascular Medicine. Journal of the American College of Cardiology. 2017; 69(21): 2657-2664. doi: 10.1016/j.jacc.2017.03.571.
17. Myers PD, Scirica BM, Stultz CM. Machine Learning Improves Risk Stratification After Acute Coronary Syndrome. Scientific Reports. 2017; 7(1): 1-12. doi: 10.1038/s41598-017-12951-x.
18. Pieszko K, Hiczkiewicz J, Budzianowski P, et al. Predicting Long-Term Mortality after Acute Coronary Syndrome Using Machine Learning Techniques and Hematological Markers. Desiase Markers. 2019; 2019. ID 9056402: 1-9. doi: 10.1155/2019/9056402.
19. Shah SH, Arnett D, Houser SR, et al. Opportunities for the Cardiovascular Community in the Precision Medicine Initiative. Circulation. 2016. 133(2): 226–231. doi: 10.1161/CIRCULATIONAHA.115.019475.
20. Грибова В.В., Петряева М.В., Шалфеева Е.А. Облачный сервис поддержки принятия решений в кардиологии на основе формализованных знаний // Сибирский журнал клинической и экспериментальной медицины. — 2020. — №35(4). — С.32-38. doi: 10.29001/2073-8552-2020-35-4-32-38.
21. Gribova V, Fedorischev L, Moskalenko Ph, Timchenko V. Interaction of cloud services with external software and its implementation on the IACPaaS platform. CEUR Workshop Proceedings. 2021; 2930: 8-18.
22. Невзорова В.А., Бродская Т.А., Шахгельдян К.И., и др. Методы машинного обучения в прогнозировании рисков 5-летней смертности (по данным исследования ЭССЕ-РФ в Приморском крае) // Кардиоваскулярная терапия и профилактика. — 2022. — Т.21. — №1. — С.34-42. doi: 10.15829/1728-8800-2022-2908.
23. Гельцер Б.И., Шахгельдян К.И., Рублев В.Ю., и др. Методы машинного обучения в прогнозировании летальных исходов в стационаре у больных ишемической болезнью сердца после коронарного шунтирования // Кардиология. — 2020. — Т.60. — №10. — С.38-46. doi: 10.18087/cardio.2020.10.n1170.
24. Грибова В.В., Петряева М.В., Окунь Д.Б., Шалфеева Е.А. Онтология медицинской диагностики для интеллектуальных систем поддержки принятия решений // Онтология проектирования. — 2018. — Т.8. — №1(27). С.58-73. doi: 10.18287/2223-9537-2018-8-1-58-73.
25. Петряева М.В., Шалфеева Е.А. База знаний кардиоваскулярных рисков для оценки и прогноза состояний // Информатика и системы управления. — 2021. — №3(69). — С.112-125. doi: 10.22250/isu.2021.69.112-125.
26. Грибова В.В., Москаленко Ф.М., Шахгельдян К.И., и др. Концепция гетерогенного хранилища биомедицинской информации // Информационные технологии. — 2019. — Т.25. — №2. — С.97-106. doi: 10.17587/it.25.97-106.
Для цитирования
Грибова В.В., Гельцер Б.И., Шахгельдян К.И., Петряева М.В., Шалфеева Е.А., Костерин В.В. Гибридная технология оценки рисков и прогнозирования в кардиологии. Врач и информационные технологии. 2022; 3: 24-35. doi: 10.25881/18110193_2022_3_24.
Документы
Ключевые слова