Интерпретация моделей машинного обучения на примере прогнозирования в кардиологии

2023-01-27

2024-12-31

В последние годы в клинических исследованиях в качестве инструментов прогнозирования все шире используются методы машинного обучения (МО), позволяющие моделировать выходные переменные на основе входных факторов, характеризующих клинико-функциональный статус пациентов при различных заболеваниях.  К факторам, ограничивающим внедрение моделей МО в клиническую медицину относят низкий уровень прозрачности (“объяснимости”) и интерпретируемости разработанных моделей, что вызывает недоверие у практикующих врачей. Отчасти, это обусловлено тем, что помимо точности прогноза требуются доказательства валидности используемых предикторов с уточнением их пороговых значений в изолированной и комбинированной форме, оценкой степени влияния на результирующую переменную и формализацией взаимосвязей анализируемых факторов. Кроме того, для выработки клинических рекомендаций требуется детализированная интерпретация результатов прогноза на основе моделей МО, в том числе ансамблевых. Наличие таких знаний увеличивает “объяснимость” моделей МО и, следовательно, повышает доверие к ним, позволяет объяснить причины, условия и механизмы развития тех или иных событий, в том числе, летальности и развития осложнений после кардиохирургических операций. Это, в свою очередь, является важным условием для персонификации программ профилактики и терапии. Проект будет реализован для повышения уровня доказательности прогностических моделей в области кардиологии, повышению уровня прозрачности и “объяснимости” прогностических моделей неблагоприятных событий после кардиохирургических операций за счет разработки алгоритмов поиска и валидации предикторов, их пороговых значений, позволяющих дать клиническую интерпретацию их взаимосвязей с конечными точками наблюдения, обеспечить более высокое качество прогноза и создать доказательную базу для применения прогностических моделей в клинической практике в качестве инструментов поддержки принятия врачебных решений. 

В рамках реализации проекта будут разработаны:1. новый метод поиска и валидации пороговых значений предикторов развития заболеваний и осложнений - метод автоматического формирования изолированных правил;2. новый метод поиска пороговых значений предикторов в межфакторных взаимосвязях, обеспечивающих формирование кластеров пациентов со схожими триггерами неблагоприятных событий (осложнение заболеваний или летальный исход) - метод автоматического формирования комбинированных правил;3. усовершенствованные методы поиска пороговых значений предикторов и межфакторных взаимосвязей  с учетом специфики этой области знаний (несбалансированные выборки, различные причины у одного следствия, непрерывная и категориальная форма предикторов, интеграции предикторов с усилением влияния на конечную точку и др.);4. новые методы интерпретации результата прогноза, в том числе для ансамблевого подхода к разработке моделей машинного обучения; 5. новые прогностические модели фатальных и нефатальных сердечно-сосудистых событий после операций КШ и ЧКВ (внутригоспитальная летальность и послеоперационная фибрилляция предсердий), а также модель прогноза обструктивного поражения коронарных артерий при остром коронарном синдроме.

1500000

Федеральные (РФФИ, НФПК, РГНФ)

Российский научный фонд

28.23.25 Модели и системы обучения