МЕТОДИ АНАЛІЗУ ІНФОРМАТИВНОСТІ В МЕДИЧНИХ СИСТЕМАХ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ
DOI:
https://doi.org/10.32689/maup.it.2023.5.1Ключові слова:
аналіз чутливості, аналіз даних, штучна нейронна мережа, інтегровані градієнти, медична діагностика, прийняття рішень.Анотація
Анотація. Ця стаття присвячена розробці важливої частини комп’ютеризованих систем медичного моніторингу, а саме частини системи стратифікації даних пацієнтів – методів визначення інформативності параметрів. Внутрішній стохастичний характер даних, які генеруються цими системами, потребує передових методів для визначення стану пацієнтів, що часто потребує попередньо визначеної логіки або експертного втручання. Використання методів машинного навчання для аналізу даних у системах медичного моніторингу може допомогти виявити складні взаємозв’язки між даними та станом пацієнта, зрештою покращуючи якість лікування. Дослідження розглядає об’єднання моделі штучної нейронної мережі з методами для визначення інформативності параметрів даних, надаючи розуміння впливу параметрів на вихід моделі. У дослідженні розглянуто розроблений градієнтний метод оцінки загальної інформативності параметрів та модифікований метод інтегрованих градієнтів для оцінки параметрів інформативності конкретних вхідних даних. У дослідженні використовуються дані серцевих захворювань UCI, репрезентативний набір даних, що відображає типові дані пацієнтів у комп’ютерних системах медичного моніторингу. Проблеми цих даних, як упередженість, відсутні значення та висока розмірність, підкреслюють складність реальних медичних даних, створюючи значну проблему для запропонованих методів. В роботі показано ефективність запропонованих методів та проаналізовано їх шляхом порівняння з оцінкою варіативності PCA. Запропонований метод на основі градієнтів демонструє високу обізнаність щодо важливості параметрів і враховує нелінійні зв’язки в даних. Метод інтегрованих градієнтів показує зв'язок між загальними значеннями інформативності та інформативністю конкретних даних. Результати вплинуть на розробку систем підтримки прийняття рішень для комп’ютерних систем медичного моніторингу.
Посилання
Logeshwaran, J., Malik, J. A., Adhikari, N., Joshi, S. S., Bishnoi, P. IoT-TPMS: An innovation development of triangular patient monitoring system using medical internet of things. International Journal of Health Sciences. 2022. 6(S5), 9070–9084. DOI: 10.53730/ijhs.v6nS5.10765.
Yu, M., Li, G., Jiang, D., Jiang, G., Tao, B. Chen, D. Hand medical monitoring system based on machine learning and optimal EMG feature set. Personal and Ubiquitous Computing. 2019. 1 – 17.
Humayun, M., Jhanjhi, N.Z., Almotilag, A., Almufareh, M.F. Agent-Based Medical Health Monitoring System. Sensors. Basel, Switzerland. 2022. 22.
Miller, R., Acton, C., Fullerton, D.A., Maltby, J., Campling, J. Analysis of Variance (Anova). The SAGE Encyclopedia of Research Design. 2022.
Cozzi, M., Romano, S., Viccaro, M., Prete, C., Persiani, G. Wildlife Agriculture Interactions, Spatial Analysis and Trade-Off Between Environmental Sustainability and Risk of Economic Damage. 2015.
Chung, H., Ko, H., Kang, W.S., Kim, K.W., Lee, H., Park, C., Song, H., Choi, T., Seo, J.H., Lee, J. Prediction and Feature Importance Analysis for Severity of COVID-19 in South Korea Using Artificial Intelligence: Model Development and Validation. Journal of Medical Internet Research. 2021. 23.
Pereira, J.P., Stroes, E.S., Zwinderman, A.H., Levin, E. Covered Information Disentanglement: Model Transparency via Unbiased Permutation Importance. ArXiv, abs/2111.09744. 2021.
Ekanayake, I.U., Meddage, D.P., Rathnayake, U.S. A novel approach to explain the black-box nature of machine learning in compressive strength predictions of concrete using Shapley additive explanations (SHAP). Case Studies in Construction Materials. 2022.
Wu, Y., Zhou, Y. Hybrid machine learning model and Shapley additive explanations for compressive strength of sustainable concrete. Construction and Building Materials. 2022.
Lundstrom, D., Huang, T., Razaviyayn, M. A Rigorous Study of Integrated Gradients Method and Extensions to Internal Neuron Attributions. ArXiv, abs/2202.11912. 2022.
Enguehard, J. Sequential Integrated Gradients: a simple but effective method for explaining language models. ArXiv, abs/2305.15853. 2023.
Qi, Z., Khorram, S., Li, F. Visualizing Deep Networks by Optimizing with Integrated Gradients. CVPR Workshops. 2019.
Kovacs, I., Iosub, A., Topa, M.D., Buzo, A., Pelz, G. A Gradient-based Sensitivity Analysis Method for Complex Systems. 2019 IEEE 25th International Symposium for Design and Technology in Electronic Packaging (SIITME), 333-338. 2019.
Strilets, V., Bakumenko, N., Chernysh, S., Ugryumov, M., Donets, V. Application of Artificial Neural Networks in the Problems of the Patient’s Condition Diagnosis in Medical Monitoring Systems. Integrated Computer Technologies in Mechanical Engineering. 2020.
В. Є. Стрілець, С. І. Шматков, М. Л. Угрюмов. Методи машинного навчання у задачах системного аналізу і прийняття рішень : монографія / Харків : Харківський національний університет імені В. Н. Каразіна. 2020.
Janosi Andras, Steinbrunn William, Pfisterer Matthias, Detrano Robert. Heart Disease. UCI Machine Learning Repository. 1988.
Pereira, N. Using Machine Learning Classification Methods to Detect the Presence of Heart Disease. 2019.
