@article{Гельцер2023-01-16,
author = {Б. И. Гельцер, М. М. Циванюк, К. И. Шахгельдян, В. Ю. Рублев},
title = {Методы машинного обучения как инструмент диагностических и прогностических исследований при ишемической болезни сердца},
year = {2020},
doi = {10.15829/1560-4071-2020-3999},
publisher = {NP «NEICON»},
abstract = {Методы машинного обучения (МО) являются основным инструментом искусственного интеллекта, использование которых позволяет автоматизировать обработку и анализ больших данных, выявлять на этой основе скрытые или неочевидные закономерности и извлекать новые знания. В обзоре представлен анализ научной литературы по использованию методов МО для диагностики и прогнозирования клинического течения ишемической болезни сердца. Приведены сведения по эталонным базам данных, использование которых позволяет разрабатывать модели и валидировать их (European ST-T Database, Cleveland Heart Disease database, Multi-Ethnic Study of Atherosclerosis и др.). Показаны преимущества и недостатки отдельных методов МО (логистической регрессии, машин опорных векторов, деревьев решений, наивного байесовского классификатора, k-ближайших соседей) для разработки диагностических и прогностических алгоритмов. К наиболее перспективным методам МО относят глубокое обучение, которое реализуется с помощью многослойных искусственных нейронных сетей. Предполагается, что совершенствование моделей на основе методов МО и их внедрение в клиническую практику будет способствовать поддержке принятия врачебных решений, повышению эффективности лечения и оптимизации расходов здравоохранения.},
URL = {https://www.cardiojournal.online/publication/8997},
eprint = {https://www.cardiojournal.online/files/9476},
journal = {Российский кардиологический журнал},
}