ВЫБОР МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ ПО ИНТЕРПРЕТАЦИИ РЕЗУЛЬТАТОВ ЛАБОРАТОРНЫХ ИССЛЕДОВАНИЙ

Аннотация

Целью представленной работы является процесс автоматизации интерпретации результатов лабораторных исследований. Система современного здравоохранение ставит перед клинической лабораторной диагностикой задачу быстрого и качественного определения результатов. Решение такой актуальной проблемы лежит в автоматизации процессов на всех этапах диагностических исследований, что позволит сократит время получения результатов, минимизировать участие человека и получить достоверные результаты. В представленной работе описывается процесс выбора и формирование стека моделей машинного обучения по интерпретации результатов лабораторных исследований. С помощью машинного обучения формируется базы знаний, которая в дальнейшем применяется искусственным интеллектом (ИИ). Этот подход направлен на рационализацию процесса интерпретации результатов лабораторных исследований и предоставление более точных, последовательных и своевременных результатов медицинским работникам. Автоматизация интерпретации результатов лабораторных исследований потенциально может повысить эффективность и точность интерпретации результатов лабораторных исследований, что приведет к улучшению состояния пациентов и принятию более правильных клинических решений. Однако важно отметить, что модели ИИ не совершенны и все еще могут допускать ошибки, и что медицинские работники должны всегда просматривать результаты автоматизированной интерпретации перед принятием диагноза или решения о лечении.

Научная и практическая значимость работы заключается в подходе к выбору стека моделей машинного обучения, которая также может быть применена в решениях других задач.

В работе рассматриваются методы машинного обучения такие как нейронная сеть, градиентный бустинг и случайный лес. Проверка моделей производилась над 7,6 млн обезличенных результатов лабораторных исследований.

Результатом представленной работы является модель стекинга методов машинного обучения, которая оптимально может применяться при формировании базы знаний для идентификации различных патологии.