Метод нахождения подмножеств согласованных признаков при прогнозировании эффективности реабилитации пациентов после перенесенной коронавирусной инфекции

И. А. Ходашинский; И. Н. Смирнова; М. Б. Бардамова; К. С. Сарин; М. О. Светлаков; А. А. Зайцев; Е. В. Тицкая; А. В. Тонкошкурова; И. И. Антипова; А. И. Ходашинская; Т. Н. Зарипова

doi:10.29001/2073-8552-2023-655

Метод нахождения подмножеств согласованных признаков при прогнозировании эффективности реабилитации пациентов после перенесенной коронавирусной инфекции

https://doi.org/10.29001/2073-8552-2023-655

Полный текст:

PDF (Rus) |

сгенерировать QR код

Аннотация

Коронавирусная инфекция вызывает длительно протекающий постковидный синдром, что определяет необходимость проведения медицинской реабилитации. Применение современных технологий машинного обучения для прогнозирования эффективности реабилитации способно персонифицировать процесс оказания помощи.

Цель: создание метода построения модели прогнозирования эффективности реабилитации пациентов, перенесших COVID-19.

Материал и методы. В исследование были включены 64 пациента, поступившие на стационарный этап реабилитации после COVID-19, средний возраст составил 56,92 ± 9,29 лет. Для получения информации о состоянии здоровья пациентов были проведены физикальный осмотр, тест шестиминутной ходьбы (ТШХ), клинический и биохимический анализы крови, спирометрия. Полученная база данных была обезличена и трансформирована в набор данных для задачи классификации, выходной меткой которого являлся бинарный признак, свидетельствующий о наличии или отсутствии улучшения результата ТШХ как минимум на 15%. Апробация предложенного метода определения согласованного подмножества признаков проведена с использованием фильтров ReliefF, χ²-квадрат и алгоритма минимальной избыточности и максимальной информативности, в качестве обертки применялся бинарный генетический алгоритм NSGA2. Проведено построение предварительных моделей машинного обучения на найденных подмножествах признаков линейным методом опорных векторов.

Результаты. В процессе апробации предложенного метода в задаче прогнозирования эффективности реабилитации пациентов после COVID-19 было выявлено подмножество признаков, позволившее достигнуть максимального значения коэффициента конкордации. Найденное множество включает следующие признаки: пол пациента, наличие сопутствующих заболеваний, одышка, кашель, наличие жалоб на желудочно-кишечный тракт, результат ТШХ, уровень D-димеров, оценка одышки по шкале Борга.

Заключение. Предложенный метод позволил определить признаки, имеющие наибольшую важность для прогноза эффективности реабилитации пациентов, перенесших COVID-19.

Ключевые слова

коронавирусная инфекция COVID-19, реабилитация, прогнозирование, машинное обучение, алгоритмы фильтрации признаков

Об авторах

И. А. Ходашинский

Томский научно-исследовательский институт курортологии и физиотерапии, филиал Федерального государственного бюджетного учреждения «Федеральный научно-клинический центр медицинской реабилитации и курортологии Федерального медико-биологического агентства»; Томский государственный университет систем управления и радиоэлектроники
Россия

Ходашинский Илья Александрович, д-р техн. наук, профессор, профессор, кафедра компьютерных систем в управлении и проектировании; ведущий научный сотрудник лаборатории планирования и разработки медицинских технологий

634050, Томск, ул. Розы Люксембург, 1;
634050, Томск, пр. Ленина, 40

И. Н. Смирнова

Томский научно-исследовательский институт курортологии и физиотерапии, филиал Федерального государственного бюджетного учреждения «Федеральный научно-клинический центр медицинской реабилитации и курортологии Федерального медико-биологического агентства»; Сибирский государственный медицинский университет Министерства здравоохранения Российской Федерации; Научно-исследовательский институт медико-социальных проблем и управления Республики Тыва
Россия

Смирнова Ирина Николаевна, д-р мед. наук, главный научный сотрудник, лаборатория планирования и разработки медицинских технологий; профессор, кафедра госпитальной терапии с курсом реабилитации, физиотерапии и спортивной медицины; главный научный сотрудник, лаборатория аржаанологии, санаторно-курортного дела и курортной медицины

634050, Томск, ул. Розы Люксембург, 1;
634050, Томск, Московский тракт, 2;
667003, Республика Тыва, Кызыл, ул. Улуг-Хемская, 17

М. Б. Бардамова

Бардамова Марина Борисовна, канд. техн. наук, доцент, кафедра компьютерных систем в управлении и проектировании; научный сотрудник, лаборатория планирования и разработки медицинских технологий

634050, Томск, ул. Розы Люксембург, 1;
634050, Томск, пр. Ленина, 40

К. С. Сарин

Сарин Константин Сергеевич, канд. техн. наук, доцент, кафедра компьютерных систем в управлении и проектировании; научный сотрудник, лаборатория планирования и разработки медицинских технологий

634050, Томск, ул. Розы Люксембург, 1;
634050, Томск, пр. Ленина, 40

М. О. Светлаков

Светлаков Михаил Олегович, ассистент, кафедра компьютерных систем в управлении и проектировании; младший научный сотрудник, лаборатория планирования и разработки медицинских технологий

634050, Томск, ул. Розы Люксембург, 1;
634050, Томск, пр. Ленина, 40

А. А. Зайцев

Зайцев Алексей Александрович, канд. мед. наук, директор

634050, Томск, ул. Розы Люксембург, 1

Е. В. Тицкая

Тицкая Елена Васильевна, д-р мед. наук, ведущий научный сотрудник, лаборатория планирования и разработки медицинских технологий

634050, Томск, ул. Розы Люксембург, 1

А. В. Тонкошкурова

Тонкошкурова Анна Владимировна, канд. мед. наук, ведущий научный сотрудник, лаборатория планирования и разработки медицинских технологий

634050, Томск, ул. Розы Люксембург, 1

И. И. Антипова

Антипова Инна Ивановна, канд. мед. наук, врач терапевтического отделения

634050, Томск, ул. Розы Люксембург, 1

А. И. Ходашинская

Сибирский государственный медицинский университет Министерства здравоохранения Российской Федерации
Россия

Ходашинская Антонина Ильинична, лаборант-исследователь, кафедра педиатрии с курсом эндокринологии

634050, Томск, Московский тракт, 2

Т. Н. Зарипова

Зарипова Татьяна Николаевна, д-р мед. наук, профессор, ведущий научный сотрудник, лаборатория планирования и разработки медицинских технологий

634050, Томск, ул. Розы Люксембург, 1

Список литературы

1. Воробьева Ю.Д., Дюкова Г.М. Астенический синдром в контексте пандемии COVID-19. Медицинский алфавит. 2020;(33):26–34. DOI: 33667/2078-5631-2020-33-26-34.

2. Молочков А.В., Терпигорев С.А., Белоусова Е.А., Ватазин А.В., Древаль А.В., Зулькарнаев А.Б. и др. Особенности комплексного лечения пациентов с новой коронавирусной инфекцией (COVID-19): методические рекомендации по ведению стационарных пациентов. Альманах клинической медицины. 2020;48(Спецвыпуск 1):S91–S142. DOI: 10.18786/2072-0505-2020-48-041.

3. Бубнова М.Г., Персиянова-Дуброва А.Л., Лямина Н.П., Аронов Д.М. Реабилитация после новой коронавирусной инфекции (COVID-19): принципы и подходы. CardioСоматика. 2020;11(4):6–14. DOI: 10.26442/22217185.2020.4.200570.

4. Negrini S., Ferriero G., Kiekens C., Boldrini P. Facing in real time the challenges of the COVID-19 epidemic for rehabilitation. Eur. J. Phys. Rehabil. Med. 2020;56(3):313–315. DOI: 10.23736/S1973-9087.20.06286-3.

5. Смирнова И.Н., Хон В.Б., Зайцев А.А., Левицкий Е.Ф., Тицкая Е.В. Автоматизированная система оценки эффективности санаторно-курортного лечения. Врач и информационные технологии. 2012;(1):64–69.

6. Временные методические рекомендации Министерства здравоохранения России. Профилактика, диагностика и лечение новой коронавирусной инфекции (COVID-19). Версия 15 от 22.02.2022. URL: https://static-0.minzdrav.gov.ru/system/attachments/attaches/000/059/392/original/%D0%92%D0%9C%D0%A0_COVID-19_V15.pdf (20.11.2023).

7. Островский В.К., Макаров С.В., Янголенко Д.В., Родионов П.Н., Кочетков Л.Н., Асанов Б.М. Показатели крови и лейкоцитарный индекс интоксикации при оценке тяжести течения и определении прогноза воспалительных, гнойных и гнойно-деструктивных заболеваний органов брюшной полости и легких. Ульяновский медико-биологический журнал. 2011;(1):73–78.

8. Ходашинский И.А., Сарин К.С. Отбор классифицирующих признаков с помощью популяционного случайного поиска с памятью. Автоматика и телемеханика. 2019;(2):161–172. DOI: 10.1134/S0005231019020107.

9. Ходашинский И.А., Сарин К.С. Отбор классифицирующих признаков: сравнительный анализ бинарных метаэвристик и популяционного алгоритма с адаптивной памятью. Программирование. 2019;(5):3–9. DOI: 10.31857/S013234742105006X.

10. Рыков А.С. Системный анализ: модели и методы принятия решений и поисковой оптимизации. М.: Издательский Дом МИСиС; 2009:607. URL: https://lib-bkm.ru/13995 (20.11.2023).

11. Kononenko I., Šimec E., Robnik-Šikonja M. Overcoming the myopia of inductive learning algorithms with RELIEFF. Applied Intelligence. 1997;7(1):39–55. DOI: 10.1023/A:1008280620621.

12. Robnik-Šikonja M., Kononenko I. Theoretical and empirical analysis of ReliefF and RReliefF. Machine Learning. 2003;53(1/2):23–69. DOI: 10.1023/A:1025667309714.

13. Ding C., Peng H. Minimum redundancy feature selection from microarray gene expression data. J. Bioinform. Comput. Biol. 2005;3(2):185–205. DOI: 10.1142/s0219720005001004.

14. Darbellay G.A., Vajda I. Estimation of the information by an adaptive partitioning of the observation space. IEEE Transactions on Information Theory. 1999;45(4):1315–1321. DOI: 10.1109/18.761290.

15. Deb K., Agrawal S., Pratap A., Meyarivan T. A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans. Evol. Comput. 2002;6:182–197. DOI: 10.1109/4235.996017.

16. LinearSVC. User Guide Scikit-learn Website. URL: https://scikitlearn.org/stable/modules/generated/sklearn.svm.LinearSVC.html (20.11.2023).

Рецензия

Для цитирования:

Ходашинский И.А., Смирнова И.Н., Бардамова М.Б., Сарин К.С., Светлаков М.О., Зайцев А.А., Тицкая Е.В., Тонкошкурова А.В., Антипова И.И., Ходашинская А.И., Зарипова Т.Н. Метод нахождения подмножеств согласованных признаков при прогнозировании эффективности реабилитации пациентов после перенесенной коронавирусной инфекции. Сибирский журнал клинической и экспериментальной медицины. 2023;38(4):270-279. https://doi.org/10.29001/2073-8552-2023-655

For citation:

Hodashinsky I.A., Smirnova I.N., Bardamova M.B., Sarin K.S., Svetlakov M.O., Zaitsev A.A., Tickaya E.V., Tonkoshkurova A.V., Antipova I.I., Hodashinskaya A.I., Zaripova T.N. Method for finding subsets of consensus features in predicting the effectiveness of rehabilitation of patients after COVID-19. Siberian Journal of Clinical and Experimental Medicine. 2023;38(4):270-279. (In Russ.) https://doi.org/10.29001/2073-8552-2023-655

Контент доступен под лицензией Creative Commons Attribution 4.0 License.

ISSN 2713-2927 (Print)
ISSN 2713-265X (Online)

Логин
Пароль
	Запомнить меня

Войти

Сибирский журнал клинической и экспериментальной медицины

Метод нахождения подмножеств согласованных признаков при прогнозировании эффективности реабилитации пациентов после перенесенной коронавирусной инфекции

Полный текст:

Аннотация

Ключевые слова

Об авторах

Список литературы

Рецензия

Для цитирования:

For citation:

Использование куки-файлов