Концепция агентной модели прогнозирования общего состояния здоровья пациента в процессе старения

Агентное моделирование активно применяется для моделирования здоровья человека. Главными преимуществами применения агентно-ориентированного подхода в этом направлении является возможность реализации модульного подхода по отношению к здоровью и учет индивидуальных показателей пациента. В статье представлена концепция гибкой и расширяемой агентной модели пациента, которая выполняет долгосрочное прогнозирование состояния пациента на основе кратковременных тестовых оказываемых на него воздействий, в том числе геропрофилактических, и на основе прогнозирования реакции пациента на воздействия с целью профилактики будущих возможных заболеваний при учете как календарного, так и биологического возраста. Все взаимодействия агентов модели сводятся к оценке эффективности борьбы со старением в виде вычисляемого биовозраста, который характеризует степень снижения функциональных возможностей организма. В рамках концепции в модели выделяются центральные агенты «Пациент», «Процесс старения» и «Воздействие», а также ряд агентов нижнего уровня, связанных с агентом «Пациент». Агенты нижнего уровня отвечают за моделирование физиологических процессов систем организма или болезней, как, например, хроническому заболеванию выделяется свой агент, который оказывает влияние на состояние пациента при моделировании. Типы агентов модели являются расширяемыми, что дает возможность развития данного концепта модели. В работе представлено апробирование концепта агентной модели для выявления эффективности воздействия на пациента на основе оценки изменения БВ до и после проведенной геропрофилактической терапии.

1. Klinke D.J. 2nd. Enhancing the discovery and development of immunotherapies for cancer using quantitative and systems pharmacology: Interleukin-12 as a case study. J. Immunother Cancer. 2015;3:27. DOI: 10.1186/s40425-015-0069-x.

2. McDaniel M., Carter J., Keller J., White S., Baird A. Open Source PKPD Frame Work: Tutorial on the BioGears Engine [published online ahead of print, 2018 Nov 8]. CPT Pharmacometrics Syst Pharmacol. 2018;8(1):12–25. DOI: 10.1002/psp4.12371.

3. Hester R.L., Brown A.J., Husband L., et al. HumMod: A Modeling Environment for the Simulation of Integrative Human Physiology. Front Physiol. 2011;2:12. DOI: 10.3389/fphys.2011.00012.

4. Proshin A.P., Solodyannikov Y.V. Mathematical modeling of blood circulation system and its practical application. Autom Remote Control. 2006;67:329–341. Доступно по: https://doi.org/10.1134/S000511790602010X.

5. Kutumova E., Kiselev I., Sharipov R., Lifshits G., Kolpakov F. Thoroughly Calibrated Modular Agent-Based Model of the Human Cardiovascular and Renal Systems for Blood Pressure Regulation in Health and Disease. Front Physiol. 2021;12:746300. DOI:10.3389/fphys.2021.746300.

6. Day T.E., Ravi N., Xian H., Brugh A. An Agent-Based Modeling Template for a Cohort of Veterans with Diabetic Retinopathy. PLoS One. 2013 Jun 21;8(6):e66812. DOI: 10.1371/journal.pone.0066812. PMID: 23805280; PMCID: PMC3689690.

7. Veloso M. An agent-based simulation model for informed shared decision making in multiple sclerosis. Mult Scler Relat Disord. 2013;2(4):377–84. DOI: 10.1016/j.msard.2013.04.001. PMID: 25877849.

8. Hum R.S., Kleinberg S. Replicability, Reproducibility, and Agent-based Simulation of Interventions. AMIA Annu Symp Proc. 2017:959–968. PMID: 29854163; PMCID: PMC5977631.

9. Bronson Weston, Benjamin Fogal, Daniel Cook, Prasad Dhurjati, An agent-based modeling framework for evaluating hypotheses on risks for developing autism: Effects of the gut microbial environment. Medical Hypotheses. 2015;84(4):395–401. Доступно по: https://doi.org/10.1016/j.mehy.2015.01.027.

10. Auchincloss A.H., Diez Roux A.V. A new tool for epidemiology: the usefulness of dynamic-agent models in understanding place effects on health. Am J Epidemiol. 2008;168(1):1–8. DOI: 10.1093/aje/kwn118. PMID: 18480064.

11. Broomhead T., Ballas D., Baker S.R. Neighbourhoods and oral health: Agent-based modelling of tooth decay. Health Place. 2021;71:102657. DOI: 10.1016/j.healthplace.2021.102657. PMID: 34543838.

12. Li Y., Kong N., Lawley M.A., Pagán J.A. Using systems science for population health management in primary care. J Prim Care Community Health. 2014;5(4):242–6. DOI: 10.1177/2150131914536400. PMID: 24879655.

13. Marshall B.D., Galea S. Formalizing the role of agent-based modeling in causal inference and epidemiology. Am J Epidemiol. 2015;181(2):92–9. DOI: 10.1093/aje/kwu274. PMID: 25480821; PMCID: PMC4351348.

14. Johnson S.D., Groff E.R. Strengthening theoretical testing in criminology using agent-based modeling. J. Res. Delinquen. 2014;51(4):509–525. Доступно по: https://doi.org/10.1177/0022427814531490.

15. Cerda M., Tracy M., Ahern J., Galea S. Addressing population health and health inequalities: the role of fundamental causes. Am. J. Publ. Health. 2014;104(4):609–619. Доступно по: https://doi.org/10.2105/AJPH.2014.302055.

16. Paolillo R., Jager W. Simulating acculturation dynamics between migrants and locals in relation to network formation. Soc. Sci. Comput. Rev. 2019;1–22. Доступно по: https://doi.org/10.1177/0894439318821678.

17. Wu J.W., Yaqub A., Ma Y. et al. Biological age in healthy elderly predicts aging-related diseases including dementia. Sci Rep. 2021;11:1–10. DOI 10.1038/s41598-021-95425-5.

18. Putin E., Mamoshina P., Aliper A., Korzinkin M., Moskalev A., Kolosov A., Ostrovskiy A., Cantor C., Vijg J., Zhavoronkov A. Deep biomarkers of human aging: Application of deep neural networks to biomarker development. Aging. 2016;8(5):1021–1030. DOI: 10.18632/aging.100968.

19. Samorodskaya Irina & Starinskaya M. Biological age and the rate of aging as a risk factor for non-communicable diseases and deaths. Profilakticheskaya meditsina. 2016;19:41. DOI: 10.17116/profmed201619541-46.

20. Kirkland J.L. Translating the Science of Aging into Therapeutic Interventions. Cold Spring Harb Perspect Med. 2016;6(3):a025908. DOI:10.1101/cshperspect.a025908.

21. Мякотных В.С., Мещанинов В.Н., Боровкова Т.А., Сиденкова А.П. Теория и практика современной геронтологии: монография. Екатеринбург: ООО «ИИЦ «Знак качества»; 2022. 280 с.: ил., табл. ISBN 978-5-89895-990-6. Текст: непосредственный.

22. Мякотных В.С., Остапчук Е.С., Мещанинов В.Н. и др. Патологическое старение: основные «мишени», возраст-ассоциированные заболевания, гендерные особенности, геропрофилактика: учебное пособие. Москва: Новый формат; 2021. 128 с. ISBN 978-5-91556-922-4.

23. NET documentation. Доступно по: https://docs.microsoft.com/en-us/dotnet (дата обращения: 30.10.2022).

24. Advanced Message Queuing Protocol. Доступно по: https://www.amqp.org/ (дата обращения: 30.10.2022).

25. Stonebraker M., Rowe L.A., Hirohama M. The Implementation Of Postgres. IEEE Transactions on Knowledge and Data Engineering. 1990;2(1):340–355. DOI:10.1109/69.50912.

26. Adya A., Blakeley J.A., Melnik S., Muralidhar S. Anatomy of the ADO.NET entity framework. Proceedings of the 2007 ACM SIGMOD international conference on Management of data. 2007;1:877–888. DOI: 10.1145/1247480.1247580.

27. Open Neural Network Exchange. Доступно по: https://onnx.ai (дата обращения: 06.04.2022).

28. Лимановская О.В., Гаврилов И.В., Мещанинов В.Н., Щербаков Д.Л., Колос Е.Н. Моделирование биологического возраста пациентов на основе их функциональных показателей. Моделирование, оптимизация и информационные технологии. 2021:9(2):1-16. DOI: 10.26102/2310-6018/2021.33.2.028.

29. Танатканова А.К., Жамбаева А.К. Построение клиент-серверных приложений. Наука и образование сегодня. 2019;41:6–2.