Прогнозирование вероятности развития диабетической ретинопатии у пациентов с сахарным диабетом: анализ методов машинного обучения

М. С. Зиновьев, О. С. Нургаянова

Аннотация


В статье рассматривается исследование, направленное на разработку эффективного алгоритма предсказания вероятности развития диабетической ретинопатии у пациентов с сахарным диабетом. Приводятся ряд методов машинного обучения, которые применяются для создания моделей машинного обучения, способных предсказывать вероятность развития диабетической ретинопатии в ближайшие годы. Определяется наиболее эффективная модель на основе метрик оценки эффективности моделей машинного обучения.

Ключевые слова


сахарный диабет; диабетическая ретинопатия; количественная оценка риска; машинное обучение

Полный текст:

PDF

Литература


Касаткина Э. П. Сахарный диабет у детей. М.: Медицина, 1990. С. 206-207. [[ Kasatkina E. P. Diabetes Mellitus in Children. Moscow: Medicine, 1990, pp. 206–207. (In Rssian).]]

Справочник педиатра-эндокринолога / Под. ред. М. А. Жуковского. М.: Медицина, 1992. С. 213-214. [[ Handbook of Pediatric Endocrinologist / Ed. ed. M. A. Zhukovsky. Moscow: Medicine, 1992, pp. 213–214. (In Rssian).]]

Ефимов А. С., Скробонская Н. А. Клиническая диабетология. К.: Здоровья, 1998. С. 115-117. [[ Efimov A. S., Skrobon-skaya N. A. Clinical Diabetology. Kiev: Health, 1998, pp. 115–117. (In Rssian).]]

Kohner E. M. Diabetic retinopathy // Brit. Med. Bull. 1989. Vol. 5. No. 1. Рp. 148-173.

Зиновьев М. С., Нургаянова О. С. Оценка индивидуального риска развития сахарного диабета второго типа и возможных осложнений // СИИТ. 2023. Т. 5. № 4(13). С. 101-110. EDN HIIXFH. [[ Zinoviev M. S., Nurgayanova O. S. “Assessment of individual risk of developing type 2 diabetes mellitus and possible complications” // SIIT. 2023. Vol. 5, No. 4(13), pp. 101-110. EDN HIIXFH. (In Rssian).]]

Ting Wang (2023). Diabetic_Nephropathy_v1. Dataset // Kaggle. URL: https://www.kaggle.com/datasets/wangting2023/diabetic-nephropathy-v1 (дата обращения: 01.03.2024).

Шалфеева Е. А. Методология производства жизнеспособных систем доверительного искусственного интеллекта // СИИТ. 2023. Т. 5. № 4(13). С. 28-49. EDN CJTKQH. [[ Shalfeeva E. A. “Methodology for the production of viable systems of trustworthy artificial intelligence” // SIIT. 2023. Vol. 5, No. 4(13), pp. 28-49. EDN CJTKQH. (In Rssian).]]

Юсупова Н. И., Нургаянова О. С., Зулкарнеев Р. Х. Формализация этапов риск-анализа в СППР с учетом оценок клинических рисков при бронхолегочных заболеваниях // СИИТ. 2023. Т. 5. № 1(10). С. 11-24. EDN KHIIHT. [[ Yusupova N. I., Nurgayanova O. S., Zulkarneev R. Kh. “Formalization of risk analysis stages in decision support system taking into account clinical risk assessments for bronchopulmonary diseases” // SIIT. 2023. Vol. 5, No. 1(10), pp. 11-24. EDN KHIIHT. (In Rssian).]]

Шахмаметова Г. Р., Христодуло А. Д., Береговая С. П. Анализ эндокринологических данных на основе моделей классификации // СИИТ. 2022. Т. 4. № 2(9). С. 30-36. EDN LBZVZL. [[ Shakhmametova G. R., Khristodullo A. D., Beregovaya S. P. “Analysis of endocrinological data based on classification models” // SIIT. 2022. Vol. 4, No. 2(9), pp. 30-36. EDN LBZVZL. (In Rssian).]]

Насыров Р. В. Причинный подход к построению бионических вычислений на основе рекурсивных моделей анализа данных // СИИТ. 2022. Т. 4. № 1(8). С. 27-36. EDN UOMMOU. [[ Nasyrov R. V. “Causal approach to the construction of bionic computations based on recursive models of data analysis” // SIIT. 2022. Vol. 4, No. 1(8), pp. 27-36. EDN UOMMOU. (In Rssian).]]

Tolles J., Meurer W. J. Logistic regression relating patient characteristics to outcomes // JAMA. 2016. 316 (5): 533–4. doi:10.1001/jama.2016.7653. ISSN 0098-7484. OCLC 6823603312. PMID 27483067.

Cortes C., Vapnik V. Support-vector networks // Machine Learning. 1995. 20 (3): 273-297. CiteSeerX 10.1.1.15.9362. doi:10.1007/BF00994018. S2CID 206787478.

Ho, Tin Kam. Random Decision Forests // Proceedings of the 3rd International Conference on Document Analysis and Recognition. Montreal. QC. 14–16 August 1995. Рp. 278-282. Archived from the original (PDF) on 17 April 2016. Retrieved 5 June 2016.

Hastie T., Tibshirani R., Friedman J. H. 10. Boosting and Additive Trees // The Elements of Statistical Learning (2nd ed.). New York: Springer, 2009. Рp. 337-384.

Hardesty L. (14 April 2017). Explained: Neural networks // MIT News Office. Retrieved 2 June 2022.

Stuart A. Basic Ideas of Scientific Sampling. Hafner Publishing Company. New York, 1962.

Zweig M. H., Campbell G. Receiver-operating characteristic (ROC) plots: a fundamental evaluation tool in clinical medicine // Clinical Chemistry. 1993. Vol. 39. No. 8. Pp. 561-577. PMID 8472349.

Powers D. M. W. Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation. (PDF) // Journal of Machine Learning Technologies. 2011. 2 (1): 37-63.

Rosasco L., De Vito E. D., Caponnetto A., Piana M., Verri A. Are loss functions all the same? // Neural Computation. 2004. 16 (5): 1063-1076. CiteSeerX 10.1.1.109.6786.

Brier. Verification of forecasts expressed in terms of probability // Monthly Weather Review. 1950. 78 (1): 1-3.

Bioanalytical Method Validation. Guidance for Industry. Center for Drug Evaluation and Research. May 2018.


Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2024 М. С. Зиновьев, О. С. Нургаянова