Искусственный интеллект для ранней диагностики сердечной недостаточности

29 Mar 2018
1187
Прослушать

Согласно данным Центра контроля и предотвращения заболеваний США, сердечная недостаточность диагностирована у 5.7 млн взрослых американцев и половина из них умирает в течение 5 лет после постановки диагноза. Это заболевание обходится системе здравоохранения в $30.7 млрд в год.

Недавно разработанный метод, использующий технологию глубокого обучения для анализа больших объемов данных медицинских электронных карт, позволяет обнаружить ранние признаки сердечной недостаточности. Об этом говорится в статье, недавно опубликованной в Journal of the American Medical Informatics Association (JAMIA).

Новый метод учитывает временной характер обрабатываемых данных, т.е. параметр, который до сих пор не принимался во внимание в обычных моделях на базе машинного обучения в области здравоохранения.

Ученые использовали модель глубокого обучения для того, чтобы на раннем этапе обнаруживать инциденты и состояния, которые часто приводят к инфаркту в течение 6 - 18 месяцев. Для того, чтоб этого добиться, исследователи использовали рекуррентную нейронную сеть* для моделирования временных взаимоотношений между событиями в электронных медицинских картах. Такие временные отношения соответствуют определенному порядку событий или состояние во времени. Этот тип взаимоотношений традиционно используется при компьютерной обработке естественного языка. Однако ученые здесь увидели новую возможность использования особенностей таких нейронных сетей.

Используя рекуррентную нейронную сеть, алгоритм может прогнозировать наступление ранней стадии сердечной недостаточности и инфаркта, что позволяет своевременно вмешаться врачам и предотвратить наступление сердечного приступа.

Новый метод диагностики позволит каждый год спасти множество людей, обеспечив врачам возможность предпринять нужные меры еще на этапе возникновения заболевания.

* Рекуррентные нейронные сети — вид нейронных сетей, где связи между элементами образуют направленную последовательность. Благодаря этому появляется возможность обрабатывать серии событий во времени или последовательные пространственные цепочки.