Применение методов машинного обучения при назначении терапии гипертонической болезни

Несмотря появление новых современных препаратов, показатели смертности от гипертонической болезни остаются высокими. Эта проблема, в частности, обусловлена тем, что для эффективного лечения этого заболевания необходима комбинация нескольких групп препаратов. Целью данного исследования является разработка моделей автоматизированного подбора препаратов для лечения гипертонии на основе индивидуальных характеристик пациента, а также оценки эффективности назначенного лечения на основе имеющихся клинических показателей пациентов и предполагаемой комбинации препаратов. Исходная выборка данных содержит деперсонифицированную информацию о 262 пациентах кардиологического стационара по 66 клиническим показателям. Было рассмотрено 6 групп препаратов: БАБ, И-АПФ\АРА, БКК группы нифедипина, БКК группы верапамила, диуретики, препараты центрального действия. Методы машинного обучения использовались для выявления детерминант, способствующих успеху медикаментозного лечения гипертонии для данной выборки пациентов. В ходе исследования для достижения поставленной цели было построено несколько моделей машинного обучения для решения задач классификации и регрессии. Наибольшую точность показали модели градиентного бустинга XGBOOST – для задачи классификации и CATBOOST – для задачи регрессии. По результатам исследования можно сделать выводы, какие клинические показатели наиболее значимы для эффективного лечения каждым из рассматриваемых препаратов.

1. N. Ikeda. Control of hypertension with medication: a comparative analysis of national surveys in 20 countries. Bulletin of the World Health Organization. 2014;92(1):10-19.

2. S. Kjeldsen Updated national and international hypertension guidelines: a review of current recommendations. Drugs. 2014;6:2033-2051.

3. FeatureSelector: отбор признаков для машинного обучения на Python. Доступно по: https://proglib.io/p/feature-selector/ (дата обращения: 10.11.2020).

4. Will Koehrsen. A Feature Selection Tool for Machine Learning in Python : Towards Data Science. Доступно по: https://towardsdatascience.com/a-feature-selection-tool-formachine-learning-in-python-b64dd23710f0/ (дата обращения: 01.11.2020).

5. Leo Breiman. Random Forests. Machine Learning. 2001:5-32.

6. The Ultimate Guide to Random Forest Regression. Доступно по: https://www.keboola.com/blog/random-forest-regression/ (дата обращения: 10.11.2020).

7. Шитиков В.К., Мастицкий С.Э. Классификация, регрессия, алгоритмы Data Mining с использованием R. Доступно по: https://github.com/ranalytics/data-mining/ (дата обращения: 09.09.2020)

8. Firyulina, M.A., Kashirina, I.L. Classification of cardiac arrhythmia using machine learning techniques. Journal of Physics: Conference Series, 2020;1479(1),012086. DOI: 10.1088/1742-6596/1479/1/012086

9. Каширина И.Л., Фирюлина М.А., Гафанович Е.Я. Анализ значимости предикторов выживаемости после инфаркта миокарда с помощью метода Каплана-Мейера. Моделирование, оптимизация и информационные технологии. 2019;1(24):7-20. DOI: 10.26102/2310-6018/2019.24.1.007

10. Гафанович Е.Я., Каширина И.Л. Модель-ориентированный подход к выбору антигипертензивной терапии. Врач-аспирант. 2015;(3.1):183-191.