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

• Семакова, Анна Александровна
• кандидат наук
• 2018

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

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.

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.