«Современные проблемы охраны окружающей
среды и общественного здоровья»
Республиканская научно
-
практическая конференция
20
ПРОФИЛАКТИКА РИСКА МАТЕРИНСКИХ ОСЛОЖНЕНИЙ ПРИ
БЕРЕМЕННОСТИ С ПОМОЩЬЮ МАШИННОГО ОБУЧЕНИЯ
Даминова К.М., Искандарова Ш.Т.
Ташкентский педиатрический медицинский институт
Актуальность.
Цифровизация здравоохранения обеспечивает
большую прозрачность и доступ к данным о пациентах, повышает уровень
знаний и уверенности людей, а также позволяет им стать активными
партнерами в управлении своим здоровьем и благополучием. И
предоставление дополнительной информации также может помочь людям
улучшить свое собственное здоровье. Цифровизация здравоохранения
обеспечивает большую прозрачность и доступ к данным о пациентах,
повышает уровень знаний и уверенности людей, а также позволяет им
стать активными
партнерами в управлении своим здоровьем и
благополучием. Те, кто это делает, с большей вероятностью будут
придерживаться более здорового образа жизни, что приведет к улучшению
клинических результатов и снижению частоты госпитализаций.
Предоставление большего количества услуг за пределами больниц и
ближе к дому облегчит людям доступ к медицинским услугам, когда и как
они хотят, а также предоставление услуг с учетом местных потребностей.
Таким образом, разработанное нами приложение для пациентов и
медицинских сестер для прогнозирования риска материнского здоровья во
время беременности является одним из примеров процессов цифровизации
здравоохранения в Республике Узбекистан.
Цель.
Разработать алгоритм на основе машинного обучения и
искусственного интеллекта по прогнозированию риска материнскому
здоровью у беременных женщин. Многие беременные женщины умирают
от проблем с беременностью из
-
за отсутствия информации об охране
здоровья матери во время и после беременности. Это чаще встречается в
сельских районах и среди семей с низким уровнем дохода в развивающихся
странах. Во время беременности необходимо следить за здоровьем
беременной женщины каждую минуту, чтобы обеспечить правильный рост
ребенка и благополучные роды.
Материалы исследования.
Данные были собраны из различных
больниц, общественных клиник, служб охраны материнства с помощью
системы мониторинга рисков на основе Интернета вещей. Следующие
гиперпараметры были проанализированы и на базе этого анализа
построены алгоритмы машинного обучения с различной точностью
прогнозирования материнского риска осложнения беременности. Возраст,
«Современные проблемы охраны окружающей
среды и общественн ого здоровья»
Республиканская научно
-
практическая конференция
21
Систолическое АД, Диастолическое АД, Уровень глюкозы в крови и ЧСС, с
определением уровня риска: прогнозируемый уровень интенсивности
риска во время беременности с учетом предыдущего гиперпараметра.
Результаты исследования.
Всего в исследовании участвовали
1014 беременных женщин, из которых 272 (27%) были с высоким риском
материнских осложнений, 406 (40%) с низким риском и 336 (33%) со
средним риском. Среднее значение столбца по возрасту составило 30 лет.
Медиана по возрасту
–
26 лет. Минимальное значение 10 лет и максимум
70 лет. Диапазон фрейма данных составил от 10 до 70 лет со стандартными
13,5 годами. В гиперпараметре возраст наиболее часто встречающиеся
возрастные группы моложе 30 лет: 23, 19, 17 и 15 лет. Общие данные по
возрасту были сгруппированы по возрастным категориям
–
54,3%
взрослые, 40%
–
молодежь, 5,3% дети и 0,4% пожилые. Анализ корреляции
гиперпараметров составил следующие значения: Возраст
–
Уровень риска
-
55%, Возраст
–
Частота сердечных сокращений
-
73%, Систолическое АД
–
Температура тела
-
92%, Систолическое АД
–
Диастолическое АД
–
66%,
Диастолическое АД
–
Уровень риска
–
79%, Диастолическое АД –
Сахар,
Кровь
–
58%. В нашем случае мы использовали алгоритм машинного
обучения Random Forest для построения нашей модели. Случайный лес
содержит множество деревьев решений, представляющих отдельный
экземпляр классификации входных данных. Техника случайного леса
рассматривает экземпляры по отдельности, принимая за выбранный
прогноз тот, у которого больше всего голосов. Таким образом, случайный
лес позволяет любым классификаторам со слабыми корреляциями создать
сильный классификатор. Мы выбрали Random Forest, потому что это один
из самых точных доступных алгоритмов обучения, и время его обучения
мало. Кроме того, Random Forest может работать с набором данных,
который имеет значения признаков с разным масштабом, поэтому нам не
нужно выполнять нормализацию/масштабирование признаков.
Выводы.
Проведя анализ открытого набора данных, мы можем
сделать вывод, что уровень глюкозы в крови является наиболее важной
переменной в определении уровня здоровья беременных женщин.
Беременные женщины с высоким уровнем глюкозы в крови, как правило,
имеют высокий риск для здоровья. Более 75% беременных с показателем
сахара 8 и более имеют высокий риск для здоровья. Сахар в крови также
имеет относительно сильную положительную корреляцию с возрастом,
систолическим и диастолическим АД, поэтому беременным женщинам с
большим возрастом,
систолическим и диастолическим АД следует быть
бдительными. Возраст также является довольно важной переменной,
поскольку риски для здоровья беременных женщин, по
-
видимому,
начинают увеличиваться, начиная с 25
-
летнего возраста. Для
«Современные проблемы охраны окружающей
среды и общественного здоровья»
Республиканская научно
-
практическая конференция
22
систолического и диастолического АД эти две переменные действительно
имеют сильную взаимосвязь, о чем свидетельствует значение
коэффициента корреляции, равное 0,79. Что касается Температуры, эта
переменная на самом деле не дает много информации, потому что более
79% от общего значения составляет 36,6 С. Но из этой переменной мы
знаем, что беременные женщины с температурой тела выше 37, как
правило, имеют больший риск для здоровья. И последний параметр –
частота сердечных сокращений, наименее значимая переменная для
определения уровня здоровья беременных женщин. Нами была построена
модель классификации, используя алгоритм Random Forest для этого
набора данных. С исходным набором данных мы получаем точность 86,7%.
Но после того, как мы выполнили очистку данных, удалив выбросы и
ненужную переменную, точность, которую мы получим, увеличивается до
89,16%. Это показывает, что наша модель лучше обобщается с нашим
обработанным набором данных. Мы также выполнили настройку
гиперпараметров, чтобы получить лучший гиперпараметр для алгоритма
Ran
dom Forest. Используя лучшие из полученных гиперпараметров, модель
способна обеспечить более высокую точность, которая составляет 90,15%.
БИБЛИОГРАФИЧЕСКИЕ ССЫЛКИ:
1.
Iivari Marika, Gomes Julius Francis, Pikkarainen Minna, Häikiö, Juha, Ylén
Peter. Digitalisation of healthcare: Use of data in policy making. Proceedings of
ISPIM Conferences. 2017, p1-13.
2.
Rotaru Nicu, Edelhauser Eduard. The impact of digital transformation on
health service management. Annals of the university of Petrosani Economics.
2021, vol. 21 issue 1, p13-20.
3.
Győrffy Zsuzsa1, Radó Nóra, Mesko Bertalan. Digitally engaged
physicians about the digital health transition. PLoS ONE. 9/28/2020, Vol. 15 Issue
9, p1-20. DOI: 10.1371/journal.pone.0238658.
4.
Kadirova, Aziza. “An Overview of the Curr
ent State and Prospects of
Development
of
e-
Health
in
Uzbekistan.”
(2017).
https://www.semanticscholar.org/paper/An-Overview-of-the-Current-State-
and-Prospects-of-Kadirova/500d7a34dbecc02e945951593a744593f910cf15.
5.
Khuzhanazarov A. Z., Allamuratov S. A. Look at medicine attention:
problems andsolutions //
Ўтмишга
назар
журнали
.
2019. Т. 24. No2.
http://dx.doi.org/10.26739/2181-9599-2019-24-10.
6.
Асадова, Г. А. "Анализ актуальных проблем по преодолению
бесплодия у женщин с использованием методов вспомогательных
репродуктивных технологий в Республике Узбекистан."
Медицинские
новости
9 (324) (2021): 21-23.
7.
Кравченко, Ленара Шодиевна, and Шахноза Умедовна Ахмедова.
"Организация профилактических мероприятий по выявлению и
устранению стресса в работе врача."
Молодой ученый
17 (2017): 127-129.
