Оценка риска развития сосудистых катастроф с помощью нейронных сетей

Научное направление: прикладные научно-технологические разработки в области медицины и биомедицины: ИТ решения

2 место

Проект представил: Черненко Иван Николаевич

Авторы: Плехова Наталья Геннадьевна, д.б.н., заведующая Центральной научно-исследовательской лаборатории ФГБОУ ВО ТГМУ Минздрава России
Невзорова Вера Афанасьевна, д.м.н., профессор, директор института терапии, инструментальной диагностики ФГБОУ ВО ТГМУ Минздрава России
Черненко Иван Николаевич, студент 6-го курса, специальность медицинская биохимия, факультета общественного здоровья ФГБОУ ВО ТГМУ Минздрава России
Присеко Людмила Григорьевна, ординатор института терапии, инструментальной диагностики ФГБОУ ВО ТГМУ Минздрава России
Родионова Лариса Владимировна, ассистент института терапии, инструментальной диагностики ФГБОУ ВО ТГМУ Минздрава России
Богданов Дмитрий Юрьевич, аспирант института терапии, инструментальной диагностики ФГБОУ ВО ТГМУ Минздрава России
Степанюгина Александра Константиновна, студентка 6-го курса, специальность лечебное дело; лечебного факультета ФГБОУ ВО ТГМУ Минздрава России

Научный руководитель: Плехова Наталья Геннадьевна, Невзорова Вера Афанасьевна

Организация: Тихоокеанский ГМУ

Актуальность, научная новизна: 

Проект соответствует научному направлению: прикладные научно-технологические разработки в области медицины и биомедицины: ИТ решения. Представляет ИТ решение с применением методов машинного обучения для вычисления риска развития сосудистых заболеваний. Предусматривает разработку и апробацию технологий, основанных на нейросетях, обеспечивающих фенотипирование факторов риска с использованием антропометрических маркеров и параметров биохимии крови.
Рассмотрение вопросов первичной профилактики касается выбора наиболее значимых факторов риска, основанных на проведении крупномасштабных популяционных исследований и создании валидированных шкал оценки, примером которых являются Framingham, SCORE (Hasabullah et al., 2020). В настоящее время для прогнозирования риска развития сердечно-сосудистых заболеваний (ССЗ) применяются модели с использованием регрессионных методов анализа, объединяющих информацию об установленных факторов риска (ФР). Данные алгоритмы предполагают линейную зависимость между ФР и исходами ССЗ при ограничении или отсутствии взаимодействий между ними. По причине данных ограничений применяемые в практике шкалы Framingham, SCORE и DECODE, основанные на данных методах моделирования, демонстрируют недостаточную прогностическую эффективность.
В различных предметных областях, в т. ч. и в медицине, наиболее качественный результат при построении прогностической модели показывает метод интеллектуального анализа данных, а именно, создание глубоких нейросетей. В различных областях науки и техники активно применяются методы машинного обучения, включая нейросетевой анализ, которые демонстрируют перспективы прогнозирования различных процессов. Существует достаточное количество библиотек в различных программных решениях, на основе которых возможно строить нейронные сети для решения определенных практических задач. Подобные методы, основанные на машинном обучении (МО) повышают эффективность прогнозирования рисков за счет использования объемных хранилищ данных при независимой идентификации новых предикторов риска и сложных взаимодействий между ними. В работах зарубежных авторов были изучены преимущества использования методов МО в прогнозировании рисков развития ССЗ. Продемонстрировано, что, по сравнению с приведенными выше шкалами оценки, МО значительно повышает точность прогнозирования риска ССЗ, увеличивая количество пациентов, которые могли бы получить пользу в большей степени от профилактического лечения до проявления клинически значимых признаков.
Научная новизна проекта заключается в прогностической оценке диагностических параметров состояния организма в качестве предикторов сердечно-сосудистых заболеваний, на основании которой с применением нейронных сетей будет создана программное решения для выявления риска развития указанных заболеваний с определением точности и добротности выбранной прогностической модели.

Практическая значимость: 

Предлагаемое решение имеет перспективы для применения в кардиологии и терапии для развития ранней диагностики сердечно-сосудистых заболеваний, что позволит снизить смертность от данных патологий среди трудоспособного населения. Проект имеет перспективы коммерциализации, так как, в настоящее время, на отечественном рынке не существует конкурентов. Единственное препятствие для коммерциализации проекта-получение лицензии на медицинское применение. Основным потребителем являются ЛПУ на территории РФ.