Специалисты в Новосибирском государственном техническом университете (НГТУ) разработали калькулятор на основе машинного обучения, который с высокой точностью позволяет выявлять наличие воспалительных заболеваний кишечника и определять вероятность конкретной формы заболевания. Об этом сообщили ТАСС в пресс-службе вуза.
Для диагностики заболеваний специалистам, как правило, требуется анализировать большой объем информации. Использование методов машинного обучения значительно упрощает комплексный анализ множества клинических данных и результатов лабораторных исследований. Обученные модели с высокой точностью способны быстро обрабатывать большой набор показателей, что зачастую необходимо в процессе первичной диагностики пациента.
"Диагностические калькуляторы, использующие различные клинические и лабораторные показатели, позволяют определить форму и степень тяжести заболевания, оценить вероятность осложнений и уточнить долгосрочный прогноз. Это поможет врачам сформировать эффективный план лечения, выбрать подходящие лекарственные препараты, а также оценить необходимость хирургического вмешательства. Разработанный в НГТУ диагностический калькулятор предназначен для оценки формы и стадии воспалительных заболеваний кишечника. Полученный набор комбинированных моделей позволяет получать результат на основе совокупности метаболических профилей мембран эритроцитов и сыворотки крови", — приводит пресс-служба слова разработчика Ирины Яковиной.
В рамках проекта было создано веб-приложение, которое предоставляет врачам возможность вводить данные о пациентах, получать результаты работы пяти различных моделей машинного обучения и просматривать дополнительную информацию о точности диагностических оценок.
"Данный метод является малоинвазивным, безопасным и не требует значительных финансовых затрат, что делает его доступным для использования в медицинских и научных учреждениях, в том числе для скрининга больших групп населения", — добавила Яковина.
По результатам работы получен патент на изобретение. Долгосрочные перспективы развития проекта включают дальнейшее совершенствование функционала для обработки результатов работы моделей и возможную интеграцию с другими системами и базами данных пациентов.