Математическое моделирование популяционной динамики больных артериальной гипертензией для задач поддержки принятия врачебных решений тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Семакова, Анна Александровна
- Специальность ВАК РФ05.13.18
- Количество страниц 0
Оглавление диссертации кандидат наук Семакова, Анна Александровна
Оглавление
Введение
Глава 1. Аналитический обзор предметной области и обоснование требований к методам моделирования
1.1 Артериальная гипертензия и особенности наблюдения пациентов с артериальной гипертензией
1.2 Математическое моделирование процессов возникновения и развития артериальной гипертензии
1.3 Популяционные модели и методы предсказательного моделирования развития хронических заболеваний
1.4 Медицинские интеллектуальные системы поддержки принятия решений
1.5 Выводы по главе 1
Глава 2. Метод популяционного моделирования процесса развития артериальной гипертензии
2.1 Демографическая модель возникновения заболевания артериальной гипертензией в здоровой популяции
2.2 Вероятностная модель популяции больных артериальной гипертензией
2.3 Вероятностная модель динамики развития артериальной гипертензии
2.4 Имплементация метода популяционного моделирования возникновения и развития артериальной гипертензии
2.5 Выводы по главе 2
Глава 3. Метод математического моделирования процесса лечения пациентов с диагнозом «артериальная гипертензия»
3.1 Обоснование требований к методу моделирования на основе анализа особенностей процесса лечения и клинических рекомендаций по назначению антигипертензивной медикаментозной терапии
3.2 Построение и идентификация модели процесса лечения артериальной гипертензии
3.3 Экспериментальное исследование свойств модели лечения пациентов с артериальной гипертензией
3.4 Имплементация метода моделирования процесса лечения пациентов с артериальной гипертензией
3.5 Выводы по главе 3
Глава 4. Практические вопросы настройки и использования методов моделирования
развития и лечения артериальной гипертензии
4.1 Общая процедура популяционного моделирования процессов развития и лечения артериальной гипертензии
4.2 Метод извлечения данных из электронных медицинских карт для идентификации и настройки популяционной модели
4.3 Развитие метода моделирования для анализа экономической эффективности лечения артериальной гипертензии
4.4 Программное средство «Симулятор артериального давления»
4.5 Выводы по главе 4
Заключение
Список литературы
Рекомендованный список диссертаций по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК
Распространенность, факторы риска, прогноз и тактика ведения пациентов с хронической сердечной недостаточностью2012 год, доктор медицинских наук Смирнова, Елена Амишевна
Характеристика суточного профиля центрального артериального давления и артериальной ригидности у молодых пациентов с сахарным диабетом 1 типа2022 год, кандидат наук Петросян Ануш Егоровна
Кардиоваскулярный и метаболический статус у пациентов с артериальной гипертензией в сочетании с хроническим вирусным гепатитом С и стеатогепатитом2014 год, кандидат наук Таланцева, Марина Сергеевна
Эффективность двухкомпонентной антигипертензивной терапии в сочетании с дозированной физической нагрузкой в лечении пациентов с артериальной гипертензией и хронической обструктивной болезнью легких2020 год, кандидат наук Бубнова Марина Андреевна
Особенности течения артериальной гипертензии у больных атеросклерозом аорты и ее ветвей при осложнений острой тромботической окклюзией артерий конечностей2023 год, кандидат наук Жапуева Марета Хасановна
Введение диссертации (часть автореферата) на тему «Математическое моделирование популяционной динамики больных артериальной гипертензией для задач поддержки принятия врачебных решений»
Введение
Актуальность темы исследования и степень её разработанности. Одной из ключевых задач цифровых технологий современного здравоохранения является проведение виртуальных клинических испытаний. Они основаны на использовании данных вычислительных экспериментов для обоснования возможности и оценки эффективности применения новых лекарственных препаратов, медицинской техники, а также организационных мероприятий, направленных на повышение качества оказания медицинской помощи. Это требует реалистичного цифрового воспроизведения изменчивости всей популяции потенциальных пациентов с учётом особенностей их анамнеза, условий протекания заболевания и ранее назначенной терапии. Потому для создания синтетических популяций пациентов в виртуальных клинических испытаниях применяются методы математического (имитационного) моделирования. На сегодняшний день существует успешный опыт построения популяционных моделей развития и лечения таких хронических неинфекционных заболеваний, как, например, сахарный диабет и хроническая сердечная недостаточность. Однако для такого социально-значимого заболевания, как артериальная гипертензия, вопрос до сих пор остается открытым. Это связано, в первую очередь, с неясной этиологией артериальной гипертензии. Само заболевание может развиваться у пациента десятки лет, причины его возникновения и развития сопряжены с множеством как эндогенных (например, ожирение), так и экзогенных (стрессы, вредные привычки) факторов. Кроме того, существующие клинические рекомендации предусматривают большое количество вариантов лечения артериальной гипертензии без чётких различий в эффективности терапии. При этом в ходе развития артериальной гипертензии возникают сопутствующие заболевания, реактивно увеличивающие тяжесть ее протекания. Как следствие, невозможность выделения выраженных причинно-следственных связей ограничивает применение классических методов моделирования популяционной динамики, и требует развития специального математического аппарата на вероятностных основах.
Существующие исследования Ро1ак и А. Mendyk, 2008 г.; J.B. ЕЛо^^э-ТсИе^ш, 2013 г.; РХ. Teixeira, 2017 г. и др.) ориентированы на разработку методов моделирования, направленных на решение задач выявления и оценки рисков развития артериальной гипертензии у конкретного, изначально здорового человека (а не на создание синтетической популяции пациентов). Таким образом, представляется актуальным развитие методического аппарата для математического моделирования популяционной изменчивости и динамики развития артериальной гипертензии, а также разработка методов, направленных на выработку тактики и стратегии лечения для пациентов с учётом их индивидуальных особенностей.
Целью исследования является разработка новых методов математического моделирования эволюции артериальной гипертензии с учётом всевозможных сценариев развития заболевания для различных групп пациентов, а также лечения больных артериальной гипертензией в рамках пациент-ориентированного подхода, позволяющего вырабатывать наиболее эффективные для пациента стратегии по назначению медикаментозной терапии.
Задачи исследования:
- обоснование требований к методам моделирования на основе сравнительного анализа существующих решений и оценки применимости существующих клинических рекомендаций кардиологических сообществ в реальной практике;
- разработка метода моделирования динамики развития популяции больных артериальной гипертензией в различных временных масштабах;
- разработка метода моделирования процесса лечения пациентов с диагнозом «артериальная гипертензия» на основе пациент-ориентированного подхода с учётом многомерности пространства факторов, влияющих на исход клинической терапии;
- разработка вычислительных алгоритмов и программная реализация методов математического моделирования;
- валидация разработанных методов на реальных клинических данных, а также экспериментальное исследование возможностей применения построенных моделей, включая оценку качества и экономической эффективности стратегий лечения.
Научная новизна исследования определяется комплексным подходом к постановке и решению задачи математического моделирования, охватывающем весь жизненный цикл пациента с артериальной гипертензией, на основе системы взаимосвязанных имитационных моделей демографической изменчивости, развития самого заболевания и сопутствующих патологий, а также лечения с учётом индивидуальных характеристик пациента.
Теоретическая и практическая значимость работы. Теоретическая значимость работы заключается в разработке и исследовании нового математического аппарата для популяционного моделирования развития хронических неинфекционных заболеваний с невыраженной этиологией, управляемых большим количеством случайных факторов.
Практическую значимость работы определяет использование разработанных методов моделирования и программных средств в качестве инструмента для планирования нагрузки на лечебно-профилактические учреждения, для разработки лечебных и профилактических мероприятий, направленных на снижение рисков осложнения заболевания, для оценки экономической эффективности лечения. В ходе выполнения диссертационного исследования были разработаны:
- программный модуль моделирования популяционной динамики больных артериальной гипертензией, который может служить ядром пациент-ориентированной рекомендательной системы при назначении клинической терапии и выработке профилактических стратегий, а также применимый в составе систем, реализующих виртуальные клинические испытания;
- программное средство «Симулятор артериального давления», успешно применённое для тестирования производительности быстродействующей кластерной системы хранения и обработки сверхбольших объёмов данных в составе телемедицинского комплекса.
Методология и методы исследования включают в себя методы теории вероятностей и математической статистики, имитационного моделирования и многомерного статистического анализа, методы и алгоритмы машинного обучения и интеллектуального анализа данных, а также инженерии программного обеспечения.
На защиту выносятся:
- метод математического моделирования развития артериальной гипертензии в популяции, формализующий процессы возникновения и первичной регистрации заболевания, развитие самого заболевания и сопутствующих патологий, а также естественного старения популяции и убыли населения.
- метод математического моделирования процесса лечения пациентов с диагнозом «артериальная гипертензия», позволяющий вырабатывать оптимальные стратегии лечения пациентов на основе прогнозирования исходов медицинских вмешательств при различных сценариях терапии.
Степень достоверности научных результатов обусловлена строгостью формальной постановки задачи, обоснованностью и корректностью применения математического аппарата, а также результатами экспериментальных исследований разработанных методов на фактических данных электронных медицинских карт пациентов.
Использование результатов работы. Результаты работы использованы при выполнении следующих проектов: Программа повышения конкурентоспособности Университета ИТМО среди ведущих мировых научно-образовательных центров на 2013-2020 гг., ТЗ №715788 от 31.03.2015 г. «Информационная технология обеспечения жизненного цикла систем поддержки принятия решений нового поколения для задач персонифицированной медицины», 2015-2019 гг.; Министерство образования и науки Российской Федерации, Соглашение № 14.575.21.0161 от 26.09.2017 «Технология выработки персонифицированных рекомендаций для пациентов с хроническими заболеваниями на основе гибридного моделирования жизненных процессов» 2017-2019 гг.; Российский фонд
фундаментальных исследований, Соглашение № 18-37-00441 от 27.03.2018 «Математические модели и интеллектуальные методы предсказательного моделирования мультифакториальных процессов для управления неопределённостью в условиях принятия клинических решений» 2018-2019 гг; ФЦПИР, Соглашение № 14.578.21.0077 от 24.11.2014, шифр 2014-14-579-0133; Минобрнауки России Соглашение о предоставлении субсидии № 14.575.21.0165 от 26.09.2017. Уникальный идентификатор RFMEFI57517X0165.
Апробация результатов. Основные результаты работы обсуждались на международных и всероссийских конференциях, семинарах и симпозиумах, включая: «Всероссиский VII Конгресс молодых ученых» (Санкт-Петербург, 2018); «Национальный медицинский инновационный форум «Медицина XXI века - интеграция знаний на перекрестке наук» (Санкт-Петербург, 2018); «XLVII научная и учебно-методическая Конференция Университета ИТМО» (Санкт-Петербург, 2018); «International Conference on Health and Social Care Information Systems and Technologies» (Барселона, 2017); «XXII Санкт-Петербургская Ассамблея молодых ученых и специалистов» (Санкт-Петербург, 2017); «27th European Meeting on Hypertension and Cardiovascular Protection» (Милан, 2017); «Digital Transformations & Global Society» (Санкт-Петербург, 2016).
По материалам настоящего диссертационного исследования опубликованы 4 печатные работы, из них 3 публикации в изданиях, рецензируемых Web of Science или Scopus, 1 публикация в журналах из перечня ВАК. Также 2 публикации в иных изданиях. Личное участие соавторов печатных работ заключается в: предметном анализе и медицинской интерпретации полученных результатов, изложенных в публикациях (Н.Э. Звартау, А.О. Конради); построении отдельных метрических оценок качества данных в электронных медицинских картах пациентов (Е.В. Болгова); проведении части работ по экспериментальному исследованию свойств разработанной модели лечения пациентов с артериальной гипертензией (К.О. Боченина); разработке инструмента для визуализации электронных медицинских карт пациентов (С.В. Ковальчук); общей формализации задачи математического моделирования популяционной динамики больных артериальной гипертензией (А.В. Бухановский).
Глава 1. Аналитический обзор предметной области и обоснование требований к методам моделирования
В данной главе проводится аналитический обзор существующих в мировом научном сообществе подходов к математическому моделированию процессов развития и лечения артериальной гипертензии (АГ), а также других хронических заболеваний. Отдельное внимание уделяется описанию процесса развития АГ, основанному на априорных медицинских знаниях (раздел 1.1). Разделы 1.2 и 1.3 направлены на сравнительный анализ методов для моделирования динамики АГ и других хронических заболеваний, соответственно. В разделе 1.4 анализируется современное состояние сферы разработки и применения медицинских систем поддержки принятия решений для различных клинических задач.
1.1 Артериальная гипертензия и особенности наблюдения пациентов с артериальной гипертензией
АГ обладает высокой степенью распространённости (по данным ВОЗ 40% населения РФ страдает АГ), и среди больных кардиологической патологией 80% составляют пациенты с диагнозом АГ, также АГ играет ведущую роль в структуре причин сердечно-сосудистых осложнений и смерти, как в РФ, так и во всём мире. Особенность АГ заключается в том, что её проявление и развитие у человека сопряжено с множеством как эндогенных (например, генетическая особенность популяции), так и экзогенных (например, климат) факторов, вследствие чего, существующие клинические рекомендации предусматривают большое количество вариантов лечения без чётких различий в эффективности терапии. Кроме того, АГ является хронической многокомпонентной нозологией, которая может протекать совместно с другими сопутствующими заболеваниями, которые, в свою очередь, могут увеличить степень тяжести АГ. Также АГ требует пожизненной (в некоторых случаях - в течение десятков лет) медикаментозной терапии, и эффективность антигипертензивного лечения подвержена влиянию имеющейся у пациента сопутствующей терапии.
В клинической практике единственным объективным показателем для начального обследования пациента, диагностирования АГ и верификации поставленного диагноза является уровень артериального давления (АД): систолического (САД, «верхнее») и диастолического (ДАД, «нижнее») [43]. При этом, согласно клиническим рекомендациям европейского кардиологического сообщества (European Society of Cardiology/European Society of Hypertension (ESH/ESC), 2013 г.), внедрённым в практику российского здравоохранения, диагноз эссенциальная (первичная) АГ рекомендуется ставить по результатам не менее чем двукратного
измерения АД (в течение одного визита у специалиста) в ходе не менее чем двух визитов [43]. Измерения АД могут осуществляться посредством следующих методов: офисное измерение, суточное амбулаторное мониторирование и домашнее мониторирование. Офисное АД представляет собой измерения, проведённые лечащим врачом в клинике во время амбулаторного приёма пациента. При суточном амбулаторном мониторировании АД пациент подключается к портативному прибору для измерения АД, который он носит в течение 24 - 25 часов. Как правило, при использовании данного способа измерения АД осуществляются с частотой дискретизации: днём - 15 минут; ночью - 30 минут. Суточное амбулаторное мониторирование АД позволяет получать данные об уровне АД в фазах активности и сна, а также провести количественную оценку вариабельности АД за короткие интервалы времени. Домашнее мониторирование АД проводится в домашних, привычных для пациента, условиях и выполняется пациентом самостоятельно; а данные измерений АД пациент записывает в специальный дневник. Данный метод позволяет оценить вариабельность АД в разные моменты времени (будние и выходные дни, утро, день, вечер, ночь). Кроме того, домашнее мониторирование АД является наиболее доступным, легко воспроизводимым и наименее финансово-затратным способом измерения. Ключевое преимущество внеофисных подходов к измерению АД заключается в том, что они предоставляют большой объём измерений, проведённых вне лечебного учреждения, которые, в свою очередь, отражают более реалистичный уровень АД по сравнению с офисными измерениями. В качестве иллюстрации описанных подходов, на рисунке 1 представлены фрагментарные измерения уровня САД одного пациента из популяции больных АГ.
Рисунок 1 - Значения АД, полученные с использованием различных методов измерений (по данным консультативной поликлиники НМИЦ им. В.А. Алмазова)
Из доказательной медицины известно, что с увеличением возраста пациентов возрастает распространённость и тяжесть АГ, обусловленная повышением АД [39]. Повышение АД значительно увеличивает риск появления и развития сердечно-сосудистых заболеваний (ССЗ), таких как: ишемическая болезнь сердца (ИБС), инсульт, хроническая сердечная недостаточность (ХСН), а также может привести к поражению органов-мишеней (сердце, почки) в виде прогрессирования гипертрофии левого желудочка (ГЛЖ), хронической болезни почек (ХБП), микроальбуминурии [23].
В 2007 г. группа британских исследователей под руководством Марка Вудворда предложила методику по оценке общего сердечно-сосудистого риска на основе мультифакторных регрессионных моделей [67]. Преимуществом предложенной методики является включение в модель таких факторов риска, как: социальная депривация (изоляция) пациента и его семейный анамнез (совокупность сведений о заболеваниях у родственников). В 2008 г. американскими учёными был разработан метод оценки рисков наступления ССЗ, базирующийся на модели Кокса и данных «Фрамингемского исследования сердца» [18].
В европейской клинической практике для оценки риска возникновения в течение следующих 10 лет жизни пациента фатальных сердечно-сосудистых осложнений (ССО), к которым относятся смерть от инсульта, различных форм ИБС, а также от других некоронарогенных ССЗ используется шкала SCORE (systematic coronary risk evaluation) [17]. Данная методика систематической оценки риска разработана в 2003 г. (R.M. Conroy и др.) по данным двенадцати европейских когортных исследований. В качестве предикторов риска в модели SCORE использованы возраст пациента, пол, уровень общего холестерина, САД, статус курения. Объём исследуемой выборки составил 205 178 человек (88 080 женщин, 117 098 мужчин), в числе которых было 7 934 фатальных исходов от ССЗ, среди которых 5 652 исхода от ИБС. Десятилетний риск был рассчитан с использованием модели Вейбулла, в которой показателем времени воздействия на риск являлся возраст. Для ИБС и некоронарогенных ССЗ построены отдельные уравнения для оценки риска. Анализ точности прогнозов проводился на пациентах в возрасте 45-64 лет с оценкой площади под ROC-кривой (receiver operating characteristic), значение которой варьировалось от 0,71 до 0,84. Данная методика оценки риска графически представляется в виде диаграмм (рисунок 2).
Рисунок 2 - Диаграмма оценки риска фатальных ССО в течение 10 лет жизни [17]
В клинической практике больные АГ классифицируются по степени тяжести нозологии: АГ 1, 2 и 3 степени; и уровню риска ССО: низкий (1), средний (2), высокий (3) и очень высокий (4) риск [43]. Распределение пациентов по степени тяжести АГ осуществляется на основе уровней АД. Классификация по уровню риска ССО производится на основе количественной оценки факторов риска (мужской пол, возраст, курение, дислипидемия, нарушение толерантности к глюкозе (НТГ), ожирение, наследственность), присутствующих у пациента, и поражений органов-мишеней. Кроме того, важно отметить, что разные комбинации факторов риска и поражений органов-мишеней, имеющиеся у пациентов, могут привести к различным сценариям развития АГ. Как следствие, необходимо выделять группы пациентов с однородным качественным составом.
Таким образом, описанные выше медицинские аспекты процесса развития АГ показывают насколько опасными для жизни и здоровья пациента могут быть последствия прогрессирования АГ, что, в свою очередь, придаёт актуальность задаче оценки рисков возможного появления АГ у здорового человека с целью выработки профилактических мероприятий для предотвращения процесса развития АГ. Кроме того медицинские исследования классифицируют АГ как заболевание неизвестной этиологии (причинности), а это значит, что существуют: (а) множество факторов, которые могут оказать влияние на процесс появления АГ; (б) высокая изменчивость в развитии АГ, во многом зависящая от индивидуальных характеристик пациента.
Как следствие, развитие АГ невозможно исследовать на основе чисто детерминистических моделей. Необходимо рассматривать как причинно-следственные, так и стохастические факторы, влияющие на АГ, в совокупности. Поскольку они могут быть разными для разных людей, объективно можно рассматривать модель только на популяционном уровне, учитывающим разнообразие сценариев её появления и развития.
1.2 Математическое моделирование процессов возникновения и развития артериальной гипертензии
В настоящее время активно развиваются методы, направленные на разработку клинических инструментов диагностики с целью определения АГ на ранней стадии и предупреждения развития возможных осложнений. В частности, в работе [56] исследователи (S. Polak и A. Mendyk, 2008 г.) методом обратного распространения ошибки (backpropagation) обучили многослойный перцептрон с бинарным характером классификации, а именно: с 73% точностью предсказывающий возможное проявление или не проявление АГ у человека на основе шести демографических признаков (возраст, пол, индекс массы тела (ИМТ), наличие вредных привычек, диета и уровень физической активности), поступающих на вход нейросетевой модели. Авторы данной работы полагают, что в силу использования только базовых характеристик человека в качестве входных параметров перцептрона, разработанная ими модель может служить полезным инструментом для интернет-скрининга, направленным на массовое обследование населения. Данный подход позволил бы осуществлять ранние медицинские вмешательства у конкретных положительно диагностированных индивидуумов и разрабатывать профилактические стратегии.
В работе [63] (P.L. Teixeira и др., 2017 г.) на основе данных электронных медицинских карт (ЭМК) были выбраны 67 признаков пациентов, включающие в себя следующие категории: особенности фенотипа; коды Международной классификации болезней, травм и причин смерти 9-го пересмотра (МКБ - 9); а также лекарственные препараты, назначенные пациентам. Для различных комбинаций категорий признаков пациентов авторы построили модели идентификации АГ с использованием алгоритма случайных лесов (random forest). С целью настройки случайного леса исследователи сгенерировали средствами бутстрэпа (bootstrap) 1000 обучающих выборок. В качестве показателя качества разработанных моделей были использованы количественные значения AUC (area under ROC curve, площадь под ROC-кривой), отражающие соотношение между чувствительностью (доля пациентов от общего количества больных АГ верно классифицированных как страдающие АГ) и специфичностью (доля пациентов от общего количества пациентов, не имеющих АГ, ошибочно классифицированных
как страдающие АГ) алгоритма. Авторы показали, что наиболее точной (AUC = 0,976) является модель, построенная на ансамбле данных из категорий: коды МКБ-9 и лекарственные препараты, назначенные пациентам. Несмотря на высокую точность классификации, построенная модель ограничена данными популяции пациентов, принадлежащих к одной демографической группе, в силу того, что авторы не используют в качестве предикторов модели данные о принадлежности пациентов к полу и этносу.
Широкую распространённость в современных исследованиях приобретают работы, направленные на разработку многомерных параметрических предсказательных моделей, целью которых является идентификация риска появления у человека АГ. Медицинская значимость многофакторных моделей для прогнозирования риска будущего развития АГ сопровождается возможностью поддержки принятия решений о профилактических рекомендациях по изменению образа жизни для человека с нормальным уровнем АД и о медицинских вмешательствах для пациентов с предгипертензией с целью предотвращения прогрессирования АГ. В работе [22] авторы (J.B. Echouffo-Tcheugui и др., 2013 г.) проводят сравнительный анализ 15 регрессионных предсказательных моделей риска развития АГ, где в качестве предикторных переменных моделей выступают известные из области доказательной медицины факторы риска, такие как: возраст, пол, ИМТ, наличие сахарного диабета и уровень АД. Большинство анализируемых моделей имеют приемлемую обобщающую способность, рассчитанную на тестовых выборках по средствам C-статистики (C-statistic ("concordance" statistic) > 0,7). Модели Фремингема (Framingham model) и Хопкинса (Hopkins model) выделены авторами исследования, как наиболее точные, значения C-статистики которых варьируются в интервале [0,71; 0,81]. Авторы исследования [22] также отмечают, что, несмотря на высокие показатели качества, валидация построенных моделей в реальной клинической практике не проводилась, таким образом, эффективность данных моделей как клинических инструментов не доказана.
Вместе с задачей ранней диагностики свою актуальность приобретает оценка рисков развития АГ для пациентов, страдающих другими патологиями. В частности, в исследовании [24] авторы (B. Farran и др., 2013 г.) моделируют склонность к развитию АГ у пациентов с диагнозом сахарный диабет II типа, и наоборот, риск появления сахарного диабета II типа у больных АГ. Также в своей работе [24] авторы исследуют причинно-следственную связь между этнической принадлежностью пациента (азиатские и арабские популяции) и риском развития АГ и/или сахарного диабета II типа. Разработанный инструмент для оценки рисков представляет собой классификационные модели, построенные с использованием следующих методов машинного обучения: логистическая регрессия (logistic regression), метод k-ближайших соседей (k-nearest neighbours, k-NN), методы понижения размерности (multifactor dimensionality reduction), метод опорных векторов (support vector machines, SVM).
Построение моделей базировалось на данных ЭМК пациентов, включающих в себя демографические, антропометрические показатели, а также клиническую информацию о сопутствующих диагнозах и лабораторных измерениях. Результаты показывают, что наиболее высоким уровнем точности обладают инструменты для оценки рисков, в основе которых лежит метод ^-ближайших соседей. Одна из разработанных моделей, обладающая 85% точностью, прогнозирует с 75% вероятностью развитие АГ у пациентов с сахарным диабетом II типа; вторая - с точностью 90% прогнозирует 94% риск появления сахарного диабета II типа у пациентов, страдающих АГ.
Параллельно с развитием теории управления и автоматизированных систем контроля за введением лекарств появляются исследования, направленные на разработку систем контроля уровня АД у пациентов, страдающих АГ. В раннем исследовании [34] (S. Isaka и A.V. Sebald, 1993 г.) основное внимание уделяется аналитическому обзору существующих стратегий контроля АД, включая PID - управление и его вариации (PID - proportional (пропорциональный), integral (интегральный), derivative (производный)), в математическую основу которых заложены теория интегро-дифференциальных уравнений; оптимальное и адаптивное управление; управление на основе нечётких правил и нейронной сети. Также авторы работы [34] отмечают тенденцию активного роста количества систем контроля АД, прошедших клинические испытания в медицинской практике в условиях стационарных приёмов пациентов с диагнозом АГ. Результаты испытаний показали, что применение подобных систем позволяет улучшить качество и эффективность оказываемой пациентам медицинской помощи, а также обеспечивает условия для сокращения объёма работы медицинского персонала.
Похожие диссертационные работы по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК
Ассоциации сердечно-сосудистых заболеваний с патологией глаза и калибром ретинальных сосудов в стареющей популяции г. Новосибирска2021 год, кандидат наук Диреев Артём Олегович
Резистентная артериальная гипертензия: распространенность и тактика ведения2018 год, кандидат наук Кушхова Рузана Руслановна
Стратегия ведения пациентов с основными хроническими неинфекционными заболеваниями и их факторами риска: системный анализ проблемы и обоснование биопсихосоциального подхода2015 год, кандидат наук Закроева, Алла Геннадьевна
Резистентная артериальная гипертензия у пациентов с висцеральным ожирением2023 год, кандидат наук Денека Ирина Эдуардовна
Содержание маркеров воспаления у больных эссенциальной артериальной гипертензией в зависимости от тяжести течения заболевания и эффективности лечения2014 год, кандидат наук Ханмурзаева, Наида Багавдиновна
Список литературы диссертационного исследования кандидат наук Семакова, Анна Александровна, 2018 год
Список литературы
1. Бойков И.В. Демографическая модель с распределенными параметрами / И. В. Бойков, А.Ю. Логинов // Известия высших учебных заведений. Поволжский регион. Физико-математические науки - 2008. - Т. 2- 15-20с.
2. Синькова Г.М. Эпидемиология артериальной гипертензии / Синькова Г.М. // Сибирский медицинский журнал - 2007. - Т. 75 - № 8- 5-9с.
3. Al-Quwaidhi A.J. Comparison of type 2 diabetes prevalence estimates in Saudi Arabia from a validated Markov model against the International Diabetes Federation and other modelling studies / A. J. Al-Quwaidhi, M. S. Pearce, E. Sobngwi, J. A. Critchley, M. O'Flaherty // Diabetes Res. Clin. Pract. - 2014. - Т. 103 - № 3- 496-503с.
4. Ali R. Al Forecasting future prevalence of type 2 diabetes mellitus in Syria / R. Al Ali, F. Mzayek, S. Rastam, F. M Fouad, M. O'Flaherty, S. Capewell, W. Maziak // BMC Public Health - 2013. - Т. 13 - № 1- 507с.
5. Amorim R.C. de Recovering the number of clusters in data sets with noise features using feature rescaling factors / R. C. de Amorim, C. Hennig // Inf. Sci. (Ny). - 2015. - Т. 324- 126-145с.
6. Bal M. Performance Evaluation of the Machine Learning Algorithms Used in Inference Mechanism of a Medical Decision Support System / M. Bal, M. F. Amasyali, H. Sever, G. Kose, A. Demirhan // Sci. World J. - 2014. - Т. 2014- 1-15с.
7. Banaee H. Data Mining for Wearable Sensors in Health Monitoring Systems: A Review of Recent Trends and Challenges / H. Banaee, M. Ahmed, A. Loutfi // Sensors - 2013. - Т. 13 - № 12-17472-17500с.
8. Bardhan I. Predictive analytics for readmission of patients with congestive heart failure / I. Bardhan, J. Oh, Z. Zheng, K. Kirksey // Inf. Syst. Res. - 2014. - Т. 26 - № 1- 19-39с.
9. Berger J.O. A Bayesian Approach to Subgroup Identification / J. O. Berger, X. Wang, L. Shen // J. Biopharm. Stat. - 2014. - Т. 24 - № 1- 110-129с.
10. Bouzguenda L. Designing an Architectural Style for Dynamic Medical Cross-Organizational Workflow Management System: An Approach Based on Agents and Web Services / L. Bouzguenda, M. Turki // J. Med. Syst. - 2014.
11. Bright T.J. Effect of clinical decision-support systems: a systematic review. / T. J. Bright и др.// Ann. Intern. Med. - 2012. - Т. 157 - № 1- 29-43с.
12. Cai T. Calibrating parametric subject-specific risk estimation / T. Cai, L. Tian, H. Uno, S. D. Solomon, L. J. Wei // Biometrika - 2010. - Т. 97 - № 2- 389-404с.
13. Chen G. Personalized Dose Finding Using Outcome Weighted Learning / G. Chen, D. Zeng, M. R. Kosorok // J. Am. Stat. Assoc. - 2016. - Т. 111 - № 516- 1509-1521 с.
14. Chevrier R. Architecture of a Decision Support System to Improve Clinicians ' Interpretation of Abnormal Liver Function Tests / R. Chevrier, D. Jaques, C. Lovis // Stud. Health Technol. Inform.
- 2011. - 195-199c.
15. Chou P.A. Optimal partitioning for classification and regression trees / P. A. Chou // IEEE Trans. Pattern Anal. Mach. Intell. - 1991. - T. 13 - № 4- 340-354c.
16. Cleophas T.J.Machine Learning in Medicine / T. J. Cleophas, A. H. Zwinderman - Dordrecht: Springer Netherlands, 2013.- 265c.
17. Conroy R.M. Estimation of ten-year risk of fatal cardiovascular disease in Europe: the SCORE project. / R. M. Conroy u gp., SCORE project group // Eur. Heart J. - 2003. - T. 24 - № 11- 987-1003c.
18. D'Agostino R.B. General Cardiovascular Risk Profile for Use in Primary Care: the Framingham Heart Study / R. B. D'Agostino, R. S. Vasan, M. J. Pencina, P. A. Wolf, M. Cobain, J. M. Massaro, W. B. Kannel // Circulation - 2008. - T. 117 - № 6- 743-753c.
19. Diwani S.A. Diabetes Forecasting Using Supervised Learning Techniques / S. A. Diwani, A. Sam
- 2014. - T. 3 - № 5- 10-18c.
20. Dusseldorp E. Qualitative interaction trees: a tool to identify qualitative treatment-subgroup interactions / E. Dusseldorp, I. Van Mechelen // Stat. Med. - 2014. - T. 33 - № 2- 219-237c.
21. Eagle K.A. A Validated Prediction Model for All Forms of Acute Coronary Syndrome / K. A. Eagle, M. J. Lim, O. H. Dabbous, K. S. Pieper, R. J. Goldberg, F. Van de Werf, S. G. Goodman, C. B. Granger, P. G. Steg, J. M. Gore, A. Budaj, A. Avezum, M. D. Flather, K. A. A. Fox, for the GRACE Investigators // JAMA - 2004. - T. 291 - № 22- 2727c.
22. Echouffo-Tcheugui J.B. Risk Models to Predict Hypertension: A Systematic Review / J. B. Echouffo-Tcheugui, G. D. Batty, M. Kivimaki, A. P. Kengne // PLoS One - 2013. - T. 8 - № 7-e67370c.
23. Ettehad D. Blood pressure lowering for prevention of cardiovascular disease and death: a systematic review and meta-analysis / D. Ettehad, C. A. Emdin, A. Kiran, S. G. Anderson, T. Callender, J. Emberson, J. Chalmers, A. Rodgers, K. Rahimi // Lancet - 2016. - T. 387 - № 10022-957-967c.
24. Farran B. Predictive models to assess risk of type 2 diabetes, hypertension and comorbidity: machine-learning algorithms and validation using national health data from Kuwait-- a cohort study. / B. Farran, A. M. Channanath, K. Behbehani, T. A. Thanaraj // BMJ Open - 2013. - T. 3 - № 5-e002457c.
25. Foster J.C. Simple subgroup approximations to optimal treatment regimes from randomized clinical trial data / J. C. Foster, J. M. G. Taylor, N. Kaciroti // Biostatistics - 2015. - T. 16 - № 2-368-382c.
26. Foster K.R. Machine learning, medical diagnosis, and biomedical engineering research -commentary / K. R. Foster, R. Koprowski, J. D. Skufca // Biomed. Eng. Online - 2014. - T. 13 - № 1- 94c.
27. Friedman C. Semantic Text Parsing for Patient Records / C. Friedman // Med. Informatics Knowl. Manag. Data Min. Biomed. - 2005. - 423-448c.
28. Goldberg H.S. A highly scalable , interoperable clinical decision support service / H. S. Goldberg, M. D. Paterno, B. H. Rocha, M. Schaeffer, A. Wright, J. L. Erickson, B. Middleton // J. Am. Med. Informatics Assoc. - 2014. - 55-62c.
29. Griffin S.J. Diabetes risk score: towards earlier detection of Type 2 diabetes in general practice / S. J. Griffin, P. S. Little, C. N. Hales, A. L. Kinmonth, N. J. Wareham // Diabetes. Metab. Res. Rev. -2000. - T. 16 - № 3- 164-171c.
30. Honeycutt A.A. A dynamic Markov model for forecasting diabetes prevalence in the United States through 2050 / A. A. Honeycutt, J. P. Boyle, K. R. Broglio, T. J. Thompson, T. J. Hoerger, L. S. Geiss, K. M. V. Narayan // Health Care Manag. Sci. - 2003. - T. 6 - № 3- 155-164c.
31. Hoogendoorn M. A dynamic population model of disease progression in COPD. / M. Hoogendoorn, M. P. M. H. Rutten-van Mölken, R. T. Hoogenveen, M. L. L. van Genügten, A. S. Buist, E. F. M. Wouters, T. L. Feenstra // Eur. Respir. J. - 2005. - T. 26 - № 2- 223-33c.
32. Hussain M. Cloud-based Smart CDSS for chronic diseases / M. Hussain, A. M. Khattak, W. A. Khan, I. Fatima // Health Technol. (Berl). - 2013. - 153-175c.
33. Imai K. Estimating treatment effect heterogeneity in randomized program evaluation // Ann. Appl. Stat. - 2013. - T. 7. - 443-470c.
34. Isaka S. Control strategies for arterial blood pressure regulation / S. Isaka, A. V. Sebald // IEEE Trans. Biomed. Eng. - 1993. - T. 40 - № 4- 353-363c.
35. Jeon T. Implementation of a portable device for real-time ECG signal analysis / T. Jeon, B. Kim, M. Jeon, B.-G. Lee // Biomed. Eng. Online - 2014. - T. 13 - № 1- 160c.
36. Khalilia M. Predicting disease risks from highly imbalanced data using random forest / M. Khalilia, S. Chakraborty, M. Popescu // BMC Med. Inform. Decis. Mak. - 2011. - T. 11 - № 1-51c.
37. Laber E.B. Tree-based methods for individualized treatment regimes. / E. B. Laber, Y. Q. Zhao // Biometrika - 2015. - T. 102 - № 3- 501-514c.
38. Lee D.S. Predicting Mortality Among Patients Hospitalized for Heart Failure: derivation and validation of a clinical model / D. S. Lee u gp. // JAMA - 2003. - T. 290 - № 19- 2581-2587c.
39. Lewington S. Age-specific relevance of usual blood pressure to vascular mortality: a meta-analysis of individual data for one million adults in 61 prospective studies.Age-specific relevance of usual blood pressure to vascular mortality: a meta-analysis of individual d / S. Lewington u gp. // Lancet
- 2002. - T. 360 - № 9349- 1903-13c.
40. Li G.-Z. Patient classification of hypertension in Traditional Chinese Medicine using multi-label learning techniques / G.-Z. Li, Z. He, F.-F. Shao, A.-H. Ou, X.-Z. Lin // BMC Med. Genomics -2015. - T. 8 - № S3- S4c.
41. Maaten L. Van Der Visualizing Data using t-SNE / L. Van Der Maaten, G. Hinton // J. Mach. Learn. Res. - 2008. - T. 9- 2579-2605c.
42. Madero Orozco H. Automated system for lung nodules classification based on wavelet feature descriptor and support vector machine / H. Madero Orozco u gp. // Biomed. Eng. Online - 2015. -T. 14 - № 1- 9c.
43. Mancia G. 2013 ESH/ESC guidelines for the management of arterial hypertension: The Task Force for the management of arterial hypertension of the European Society of Hypertension (ESH) and of the European Society of Cardiology (ESC) / G. Mancia, R. Fagard, K. Narkiewicz, D. A. Wood // Eur. Heart J. - 2013. - T. 34 - № 28- 2159-2219c.
44. Mani S. Type 2 diabetes risk forecasting from EMR data using machine learning. / S. Mani, Y. Chen, T. Elasy, W. Clayton, J. Denny // AMIA ... Annu. Symp. proceedings. AMIA Symp. - 2012.
- T. 2012- № Dm- 606-15c.
45. Maziak W. Mediterranean studies of cardiovascular disease and hyperglycemia: Analytical modeling of population socio-economic transitions (MedCHAMPS)-rationale and methods / W. Maziak, J. Critchley, S. Zaman, N. Unwin, S. Capewell, K. Bennett, B. Unal, A. Husseini, H. Ben Romdhane, P. Phillimore // Int. J. Public Health - 2013. - T. 58 - № 4- 547-553c.
46. McCullough P.A. Confirmation of a heart failure epidemic: Findings from the Resource Utilization Among Congestive Heart Failure (REACH) study / P. A. McCullough, E. F. Philbin, J. A. Spertus, S. Kaatz, K. R. Sandberg, W. D. Weaver // J. Am. Coll. Cardiol. - 2002. - T. 39 - № 1- 60-69c.
47. Miyake K. Construction of a prediction model for type 2 diabetes mellitus in the Japanese population based on 11 genes with strong evidence of the association / K. Miyake u gp. // J. Hum. Genet. - 2009. - T. 54 - № 4- 236-241c.
48. Nangalia V. Health technology assessment review: Remote monitoring of vital signs - current status and future challenges / V. Nangalia, D. R. Prytherch, G. B. Smith // Crit. Care - 2010. - T. 14
- № 5- 233c.
49. Narayan K.M.V. Lifetime Risk for Diabetes Mellitus in the United States / K. M. V. Narayan, J. P. Boyle, T. J. Thompson, S. W. Sorensen, D. F. Williamson // JAMA - 2003. - T. 290 - № 14-1884c.
50. Nice Hypertension - Clinical management of primary hypertension in adults / Nice // NICE Clin. Guidel. - 2011. - 1-38c.
51. O'flaherty M. Forecasting diabetes prevalence using a simple model: England and Wales 1993--
2006 / M. O'flaherty, J. Critchley, S. Wild, N. Unwin, S. Capewell, others // J. Epidemiol. Community Heal. - 2010. - T. 64- № Suppl 1- A7--A7c.
52. Park J. A sequential neural network model for diabetes prediction / J. Park, D. W. Edington // Artif. Intell. Med. - 2001. - T. 23 - № 3- 277-293c.
53. Park J. Ischemia episode detection in ECG using kernel density estimation, support vector machine and feature selection / J. Park, W. Pedrycz, M. Jeon // Biomed. Eng. Online - 2012. - T. 11 - № 1-30c.
54. Phan T.P. Forecasting the burden of type 2 diabetes in Singapore using a demographic epidemiological model of Singapore / T. P. Phan u gp. // BMJ Open Diabetes Res. Care - 2014. -T. 2 - № 1- e000012c.
55. Pocock S.J. Predictors of mortality and morbidity in patients with chronic heart failure / S. J. Pocock, D. Wang, M. A. Pfeffer, S. Yusuf, J. J. McMurray, K. B. Swedberg, J. Ostergren, E. L. Michelson, K. S. Pieper, C. B. Granger // Eur. Heart J. - 2006. - T. 27 - № 1- 65-75c.
56. Polak S. Artificial neural networks based Internet hypertension prediction tool development and validation / S. Polak, A. Mendyk // Appl. Soft Comput. - 2008. - T. 8 - № 1- 734-739c.
57. Qian M. Performance guarantees for individualized treatment rules. / M. Qian, S. A. Murphy // Ann. Stat. - 2011. - T. 39 - № 2- 1180-1210c.
58. Schleidgen S. What is personalized medicine: sharpening a vague term based on a systematic literature review / S. Schleidgen, C. Klingler, T. Bertram, W. H. Rogowski, G. Marckmann // BMC Med. Ethics - 2013. - T. 14 - № 1- 55c.
59. Semakova A. Quality of Hypertensive Patients' Electronic Health Records in Specialized Cardiological Centre: 6-Year Trends Springer, Cham, 2016. - 544-552c.
60. Sim I. Clinical decision support systems for the practice of evidence-based medicine. / I. Sim, P. u gp. // J. Am. Med. Inform. Assoc. - 2001. - T. 8 - № 6- 527-34c.
61. Stewart W.F. Clinical utility of machine learning and longitudinal EHR data / W. F. Stewart, J. Roy, J. Sun, S. Ebadollahi // Intell. Syst. Ref. Libr. - 2014. - T. 56- 209-227c.
62. Swedberg K. Candesartan in Heart Failure-Assessment of Reduction in Mortality and Morbidity (CHARM): Rationale and design // J. Card. Fail. - 1999. - T. 5. - № 3. - 276-282c.
63. Teixeira P.L. Evaluating electronic health record data sources and algorithmic approaches to identify hypertensive individuals / P. L. Teixeira u gp. // J. Am. Med. Informatics Assoc. - 2017. -T. 24 - № 1- 162-171c.
64. Velickovski F. Clinical Decision Support Systems ( CDSS ) for preventive management of COPD patients / F. Velickovski, L. Ceccaroni, J. Roca, F. Burgos, J. B. Galdiz, N. Marina // J. Transl. Med. - 2014. - T. 12- № Suppl 2- 10c.
65. Wilk S. A Task-based Support Architecture for Developing Point-of-care Clinical Decision
Support Systems for the Emergency Department / S. Wilk, W. Michalowski, D. O. Sullivan, K. Farion // Methods Inf. Med. - 2013. - 18-32с.
66. Wilson P.W.F. Prediction of Incident Diabetes Mellitus in Middle-aged Adults / P. W. F. Wilson и др. // Arch. Intern. Med. - 2007. - Т. 167 - № 10- 1068с.
67. Woodward M. Adding social deprivation and family history to cardiovascular risk assessment: the ASSIGN score from the Scottish Heart Health Extended Cohort (SHHEC). / M. Woodward, P. Brindle, H. Tunstall-Pedoe, SIGN group on risk estimation // Heart - 2007. - Т. 93 - № 2- 172-6с.
68. World Health Organization Diabetes Mellitus. Report of a WHO Study Group.Geneva // WHO -Tech. Rep. Ser. - 1985. - Т. 727. - 1-113с.
69. Wright A. A Framework and Model for Evaluating Clinical Decision Support Architectures / A. Wright, D. F. Sittig // J. Biomed. Inform. - 2008. - Т. 41 - № 6- 982-990с.
70. Wu J. Prediction Modeling Using EHR Data / J. Wu, J. Roy, W. F. Stewart // Med. Care -2010. - Т. 48- S106-S113c.
71. Xiao L. Developing a rule-driven clinical decision support system with an extensive and adaptative architecture / L. Xiao, T. Grainne Cousins, O. Fahey, L. Hederman // e-Health Networking, Appl. Serv. (Healthcom), 2012 IEEE 14th Int. Conf. - 2012. - 250-254с.
72. Xu Y. Regularized outcome weighted subgroup identification for differential treatment effects / Y. Xu, M. Yu, Y.-Q. Zhao, Q. Li, S. Wang, J. Shao // Biometrics - 2015. - Т. 71 - № 3- 645-653с.
73. Zhang B. A Robust Method for Estimating Optimal Treatment Regimes / B. Zhang, A. A. Tsiatis, E. B. Laber, M. Davidian // Biometrics - 2012. - Т. 68 - № 4- 1010-1018с.
74. Zhao Y. Estimating Individualized Treatment Rules Using Outcome Weighted Learning / Y. Zhao, D. Zeng, A. J. Rush, M. R. Kosorok // J. Am. Stat. Assoc. - 2012. - Т. 107 - № 499- 1106-1118с.
75. Machine Learning for Personalized Medicine. [Электронный ресурс]. URL: https://mlpm.eu/projects.
76. PhysioBank Archive Index [Электронный ресурс]. - Режим доступа: http://www.physionet.org/physiobank/database.
77. Индексы [Электронный ресурс]. - Режим доступа: http://romir.ru/indexes.
78. Интернет-аптека Apteka.RU в Санкт-Петербурге, поиск лекарств, онлайн заказ, купить препараты в интернет-магазине лекарств [Электронный ресурс]. - Режим доступа: https://apteka.ru/sankt-peterburg.
79. ВОЗ | Неинфекционные заболевания [Электронный ресурс]. - Режим доступа: http://www.who.int/ru/news-room/fact-sheets/detail/noncommunicable-diseases.
80. Статистика смертности населения по основным классам причин смерти по РФ [Электронный ресурс]. - Режим доступа:
http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/population/demography.
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.