Ковелькова Маргарита Николаевна, старший преподаватель, кафедра медицинской кибернетики и информатики имени С.А. Гаспаряна, МБФ
117997, Москва, ул. Островитянова, 1г
Margarita N. Kovelkova, Senior Lecturer, Department of Medical Cybernetics and Informatics S.A. Gasparyan, MBF
1g, Ostrovityanova str., Moscow, 117997
Яковлева Екатерина Геннадиевна, канд. мед. наук, доцент, кафедра медицинской кибернетики и информатики имени С.А. Гаспаряна, МБФ
117997, Москва, ул. Островитянова, 1г
Ekaterina G. Yakovleva, Cand. Sci. (Med.), Associate Professor, Department of Medical Cybernetics and Informatics S.A. Gasparyan, MBF
1g, Ostrovityanova str., Moscow, 117997
Цель исследования: анализ работ, проводимых в России за последние 5 лет, по выявлению рисков развития сердечно-сосудистых заболеваний (ССЗ) с использованием методов и технологий искусственного интеллекта (ИИ).
Материал и методы. Систематический обзор доступной литературы за последние 5 лет по использованию методов машинного обучения и представления знаний в прогнозировании развития и исходов ССЗ в России был выполнен на основе методологии Prisma. Была проанализирована 221 статья.
Обсуждение. Результат систематического обзора представляет собой анализ представленных методов построения моделей, какие чаще всего используются, и с помощью каких метрик исследователи оценивают качество полученной модели. Чаще всего применяются методы машинного обучения в сравнении с методами, основанными на знаниях (экспертными системами), 22 статьи и 7 статей соответственно. Анализируя использованные методы машинного обучения, можно отметить, что первые 5 мест среди применяемых в России методов занимают нейронные сети, регрессия, дерево решений, бустинг и случайный лес. Среди моделей представления знаний наиболее распространенными оказались онтология и семантические сети, которые часто применяются для структурирования и анализа сложных данных в различных областях знаний. Практически все исследователи в своих работах оценивали созданную модель на тестовой выборке и рассматривали численные метрики: accuracy (точность измерения), precision (точность средства измерения), полнота (recall), specificity (специфичность), sensitivity (чувствительность), AUC (площадь под ROC-кривой), F-measure (F-мера). Обсуждение представляет собой рассуждение об использовании различных метрик для оценки разных вариантов моделей.
Заключение. Обобщены итоги анализа работ, использующих ИИ для профилактики и диагностики ССЗ, дана оценка их дальнейшего применения.
Aim: To assess work carried out in Russia over the past 5 years to identify the risks of developing cardiovascular diseases using artificial intelligence (AI) methods and technologies.
Materials and methods: A systematic review of the available literature over the past 5 years on the use of machine learning and knowledge representation methods in predicting the development and outcomes of cardiovascular diseases in Russia was carried out based on the Prisma methodology. 221 articles were analyzed.
Results and discussion: The result of the systematic review is an analysis of the presented methods of model building, which ones are most often used, and with the help of which metrics researchers evaluate the quality of the obtained model. Machine learning methods are used most frequently compared to knowledge-based methods (expert systems), 22 articles and 7 articles respectively. Analysing the machine learning methods used, it can be noted that the first 5 places among the methods used in Russia are occupied by neural networks, regression, decision tree, boosting and random forest. Among the models of knowledge representation, ontology and semantic networks, which are often used for structuring and analyzing complex data in various knowledge domains, turned out to be the most widespread in the presented works. Almost all researchers in their papers evaluated the created model on a test sample and considered numerical metrics: accuracy (accuracy of measurement), precision (accuracy of the measuring instrument), completeness (recall), specificity (specificity), sensitivity (sensitivity), AUC (area under the ROC curve), F-measure (F-measure). The discussion is a discourse on the use of different metrics to evaluate different model variants.
Conclusion: The results of the analysis of works using AI for the prevention and diagnosis of cardio-vascular diseases are summarized, and an assessment of their further application is given.
The authors declare that there are no conflicts of interest present.