Большие данные против инфаркта и диабета

Команда ученых, в которую вошли специалисты из Великобритании, Франции и России, разработала новый метод работы с источниками медицинской информации о здоровье пациентов. Анализ данных показывает связь между признаками болезни, терапией и результатами лечения. Это поможет врачам не только определять текущее состояние больного, но и делать персональный прогноз для каждого пациента.

В исследовании развитие болезни конкретного человека представлено в виде сценария, в котором хранится информация о симптомах, лечении и исходе. Многообразие собранных сценариев приводит к пересечениям и даже совпадениям. Одинаковые сценарии принадлежат одному подтипу болезни, что позволяет разделить пациентов на группы. Для моделирования сценариев ученые используют распространенный алгоритм машинного обучения — Elastic Principal Trees (EPT). Корень алгоритма ー самое легкое течение болезни, от него расходятся стебли-сценарии — потенциальное развитие болезни. Листья отражают смертельные исходы и тяжелые хронические болезни. Специалисты применили эту метод к данным о течении сердечно-сосудистых заболеваний и диабета. Записи об инфаркте миокарда показали десять клинических сценариев, а при изучении диабета выявлены вероятности повторной госпитализации пациента после выписки из больницы.

Методология позволяет расположить пациента на определенной клинической траектории (показать патологический сценарий) и предположить, как заболевание может прогрессировать.

При этом, для создания точного клинического сценария требуется длительное наблюдение за пациентом. Исследователи уточняют, что пока методологию нельзя применить к другим болезням, но анализ медицинских карт пациентов на больших данных позволит в будущем подбирать для каждого человека персональный план лечения различных заболеваний с учетом множества факторов.

Источник: Trajectories, bifurcations, and pseudo-time in large clinical datasets: applications to myocardial infarction and diabetes data