МАШИНАЛЫҚ ОҚЫТУ МЕДИЦИНАДАҒЫ

КӨМЕКШІ РЕТІНДЕ

БАЛТАБАЕВ МАДИЯР МИРАМБЕКҰЛЫ

«Болашақ» жоғары медициналық колледжінің

информатика пән оқытушысы

Перитонит тұрақты жоғары өлімге байланысты өзекті хирургиялық, Жалпы клиникалық және жалпы патологиялық блемалардың бірі болып қала береді. Перитониттің патогенезінде перитонийдің париетальды және висцеральды парақшаларының қабынуы бөлінеді, бұл дененің ауыр жалпы жағдайымен бірге жүреді және, әдетте, жалған медициналық көмекті қажет етеді. Перитониттің уақтылы немесе жеткіліксіз емделуінің болжамы өте жағымсыз, өлімге дейін [1, 2]. Сонымен қатар, әр түрлі типтегі операциядан кейінгі асқынулардың пайда болу мүмкіндігі бар [3]. Ертерек асқынулардың пайда болуын анықтау және болжау мүмкіндігі, сөзсіз, емдеу құрылымы мен стратегиясын едәуір жеңілдетеді. Асқынулар туралы біле отырып, сіз жағдайдың осындай дамуына дайындалып, пациенттің бақылау режимін және оны емдеуді түзете аласыз. Бұл жұмыстың мақсаты перитонит диагнозымен гинекологиялық бөлімге түскен кезде пациенттерден алынған талдау нәтижелерін зерттеу негізінде классикалық статистикалық әдістермен және жасанды интеллект әдістерімен жарадағы акушерлік перитонит кезінде асқынулардың белгілерін анықтау болды. Деректерді талдау. Деректерді өңдеу кезінде басты міндет асқынулардың пайда болуына әсер ететін көрсеткіштерді табу болды. 18 пациенттің талдау нәтижелері зерттелді, олардың 11-Пит 3 немесе 5-ші күні тамақтандыру кезінде асқынулар пайда болды. Деректер жиынтығының параметрлерінің маңыздылық дәрежесін анықтау үшін (госпитализация кезінде алынған ана лизов нәтижелері және тағайындалған емдеу) асқынулардың пайда болуына екі қадам қолданылды. Біріншісі тәсіл Пирсонның корреляциялық қатынастарын құруға негізделген [4] параметрлер және асқынулардың пайда болуы (0 – асқынулар жоқ, 1 – асқынулар бар). Екінші тәсіл catboost нейрондық желісін қолданды [5] параметрлердің асқынулардың пайда болуына әсер ету дәрежесін анықтау. Пирсон корреляциясына сәйкес модуль бойынша корреляция коэффициенті 0.3-тен асатын 25 параметр анықталды. Нейрондық желі арқылы параметрлердің маңыздылығын анықтау басқа параметрлерді берді. Параметрлердің ішінде барлығы 9 анықталды, олардың маңыздылығы 2,5 % - дан асады: бірге реактивті ақуыз (қан биохимиясы) 19,2 %, іштің ультрадыбыстық зерттеуі (диурез 8,81 %, аурудың ескіруі 11,29 %, импульс 3,47 %), қан биохимиясы Na 3,24%, ACHTV 3,97 %, UAC (ESR 3,17 %, түс көрсеткіші 3,01 %, лимфоциттер 2,80%). Қорытынды. Жұмыс барысында перитонит диагнозымен гинекологиялық бөлімшеге түскен 18 пациенттің талдау нәтижелері зерттелді. Емдеудегі асқынулардың пайда болуына әсер ететін параметрлердің маңыздылығын зерттеу классикалық статистикалық әдістермен және жасанды интеллектуалды терең оқыту модельдерімен жүргізілді. Терең оқыту әдістері классикалық әдістерге қарағанда маңызды параметрлерді айтарлықтай аз анықтайтыны анықталды (сәйкесінше 9 және 25 параметр). Терең оқыту алгоритмдері мәліметтер арасындағы ішкі жасырын байланыстарды түсіре алатындықтан, деректермен әрі қарай жұмыс істеу және болжамды модельдерді оқыту кезінде классикалық статистикалық тәсілдерді емес, маңызды параметрлерді таңдау үшін жасанды интеллект әдістерін қолданған жөн.

Соңғы жылдары Ақпараттық-есептеу технологиялары медицина саласының ажырамас бөлігіне айналды. Олар дәрігерлерге ауруларды тез және дәл диагностикалауға, емдеудің тиімділігін бақылауға және медициналық деректерді өңдеу уақытын қысқартуға көмектеседі. Бұл мақалада біз медицинада қолданылатын ақпараттық-есептеу технологияларының кейбір мысалдарын қарастырамыз және олардың мүмкіндіктері мен артықшылықтарын талқылаймыз. Машиналық оқыту медициналық деректерді дербес өңдеуге және олардағы әртүрлі көрсеткіштер арасындағы заңдылықтар мен байланыстарды табуға қабілетті Алгоритмдер жасауға мүмкіндік береді. Мысалы, зерттеулер көрсеткендей, Машиналық оқыту маммографиядан алынған мәліметтерді қолдана отырып, сүт безі қатерлі ісігін диагностикалауға көмектеседі. Сондай-ақ, оның көмегімен талдау нәтижелерін өңдеуге және тұқым қуалаушылық, тамақтану және өмір салты сияқты әртүрлі факторлар арасындағы жасырын байланыстарды анықтауға болады, бұл әртүрлі аурулардың қаупін дәл болжауға мүмкіндік береді. Денсаулықты бақылау қолданбалары импульс, қан қысымы және қандағы глюкоза сияқты көрсеткіштерді бақылай алады және алынған ақпаратты дәрігерге жібере алады. Бұл дәрігерлерге науқастың жағдайын дәлірек бағалауға және емдеу үшін тиімдірек шаралар қабылдауға мүмкіндік береді. Мысалы, медициналық деректерді талдау үшін машиналық оқытуды қолданатын бағдарлама жасауға болады. Ол үшін қоңырау анализінің нәтижелерін, аурулар, жас және науқастың денсаулығына әсер ететін басқа факторлар туралы ақпаратты қамтитын медициналық мәліметтердің жеткілікті үлкен көлемін жинау қажет. Әрі қарай, әртүрлі факторлар арасындағы байланыстарды табу және аурулардың пайда болу ықтималдығын болжау үшін машиналық оқыту алгоритмдерін өңдеу және пайдалану қажет. Python кодының мысалы:

import pandas as pd from sklearn.neural_network import MLPClassifier

from sklearn.preprocessing import StandardScaler

from sklearn.model_selection import train_test_split, StratifiedKFold, GridSearchCV

# Деректерді оқу

data = pd.read_csv('health_data.csv')

# Деректерді өңдеу

scaler = StandardScaler()

normalized_data = scaler.fit_transform(data.drop('disease', axis = 1))

# Біз деректерді оқу және тест үлгілеріне бөлеміз

train_data, test_data, train_labels, test_labels = train_test_split(normalized_data, data['disease'], test_size = 0.2)

# Машиналық оқыту моделін және гиперпараметрлерді таңдаңыз

model = MLPClassifier() params = {'hidden_layer_sizes': [(10,), (20,), (30,)], 'max_iter': [1000, 2000, 3000], 'alpha': [0.0001, 0.001, 0.01]}

# Біз модельді үйретеміз және ең жақсы гиперпараметрлерді таңдаймыз

GridSearchCV cv = StratifiedKFold(n_splits = 5)

grid_search = GridSearchCV(model, param_grid = params, cv = cv)

grid_search.fit(train_data, train_labels) best_model =

grid_search.best_estimator_

# Сынақ үлгісіндегі модельдің сапасын бағалаймыз

accuracy = best_model.score(test_data, test_labels)

Бұл код бірнеше жасырын қабаттары бар нейрондық желі болып табылатын multi-layer perceptron (MLP) Машиналық оқыту моделін пайдаланады. Scikit-learn кітапханасының MLPClassifier-бұл жіктеу тапсырмасы үшін MLP енгізу. Кодтың басында деректер pandas кітапханасынан read_csv әдісі арқылы DATAFRAME ішіндегі CSV файлынан оқылады. Содан кейін алдын ала өңдеу деректері scikit-learn кітапханасынан StandardScaler көмегімен алынады. Деректерді қалыпқа келтіру модельдің сапасын жақсарта алады, өйткені ол әртүрлі белгілер ауқымындағы проблемаларды болдырмауға көмектеседі. Әрі қарай, деректер scikit-learn кітапханасынан train_test_split әдісі арқылы оқыту және сынақ үлгілеріне бөлінеді. Бұл белгісіз деректердегі модельдің сапасын бағалау үшін қажет. Содан кейін mlpclassifier моделі және оның гиперпараметрлері таңдалады. Бұл жағдайда біз жасырын қабаттың өлшемі, итерациялардың максималды саны және регуляризация параметрі сияқты гиперпараметрлерді таңдаймыз.

Ең жақсы гиперпараметрлерді таңдау үшін scikit-learn кітапханасынан GridSearchCV қолданылады. GridSearchCV гиперпараметрлердің барлық мүмкін комбинацияларын қайта қабылдайды және Кросс валидациядағы сапа критерийі бойынша ең жақсы модельді таңдайды. Кросс-валидация үшін біз барлық қатпарлардағы сынып тепе-теңдігін сақтайтын StratifiedKFold қолданамыз. Сонымен қатар, біз деректерді 5 қатпарға бөлеміз, яғни 5 есе кросс-валидацияны қолданамыз. Модельді үйреніп, ең жақсы гиперпараметрлерді таңдағаннан кейін, біз score әдісін қолдана отырып, сынақ үлгісіндегі модельдің сапасын бағалаймыз. Accuracy ұпайы сынақ үлгісіндегі дұрыс жауаптардың пайызын көрсетеді. Бұл кодты қолдануға болатын нақты мысалдардың бірі-пациенттердің аурушаңдығын олардың медициналық деректері негізінде болжау міндеті. Мысалы, бұл кодты жасына, жынысына, холестерин деңгейіне, темекі шегуге және басқа факторларға негізделген жүрек-қан тамырлары ауруларының пайда болу ықтималдығын болжау үшін қолдануға болады. Осылайша, медицинадағы көптеген деректер әртүрлі медициналық ұйымдар мен ғылыми орталықтар үшін қиындықтар мен мүмкіндіктерді ұсына алады. Жаңа технологиялар мен талдау әдістерін қолдану осы деректерді барынша пайдалануға және денсаулық сақтау сапасын жақсартуға көмектеседі.

Әдебиет

1. Әскери-далалық хирургия / ред. П. г. Брюсов, Э. А. Нечаев. М.: Геотар, 1996.

2. Хирургиялық аурулар / ред. м. и. Кузин. 2-ші басылым. М.: Медицина, 1995.

3. Савельев В. С., Гельфанд б. р. іштің хирургиялық инфекциясы. Ұлттық ұсыныстар. М.: Боргес, 2011. 98 б.

4. Пирсонның корреляция критерийі [Электрондық ресурс]. URL: https://medstatistic.ru/methods/methods8.html?ysclid = lgce2phu7s101348257(қол жеткізілген күні: 11.04.2023).

5. Cat Boost [Электрондық ресурс]. URL: https://catboost.ai/?ysclid = lgce8l4u2w627918923 (қол жеткізілген күні: 11.04.2023).