Методы машинного обучения и интеллектуального анализа данных в исследовании сахарного диабета

Machine Learning and Data Mining Methods in Diabetes Research
Ioannis P. Vlahavas, Nicos Maglaveras, Ioannis Kavakiotis, Athanasios Salifoglou, Ioanna Chouvarda, O. Tsave
2017-01-01

интеллектуальный анализ данныхсахарный диабетэлектронные медицинские записимашинное обучениеметод опорных векторов
Значительный прогресс в биотехнологии и медико-биологических науках привел к генерации огромных объемов данных, включая высокопроизводительные генетические данные и клиническую информацию, получаемую из крупных электронных медицинских карт (EHR). В связи с этим применение методов машинного обучения и интеллектуального анализа данных в биологических науках сегодня, как никогда ранее, является жизненно важным и незаменимым для интеллектуального преобразования всей доступной информации в ценные знания. Сахарный диабет (СД) представляет собой группу метаболических нарушений, оказывающих значительное влияние на здоровье людей во всем мире. Масштабные исследования всех аспектов сахарного диабета, включая диагностику, этиопатофизиологию и терапию, привели к накоплению огромных объемов данных. Цель настоящего исследования — провести систематический обзор применения методов, техник и инструментов машинного обучения и интеллектуального анализа данных в исследованиях сахарного диабета по следующим направлениям: (a) прогнозирование и диагностика, (b) осложнения сахарного диабета, (c) генетический фон и окружающая среда и (e) здравоохранение и ведение пациентов; при этом первая категория, по-видимому, является наиболее популярной. Был использован широкий спектр алгоритмов машинного обучения. В целом 85% применявшихся методов основывались на обучении с учителем, а 15% — на обучении без учителя, в частности на правилах ассоциации. Метод опорных векторов (SVM) оказался наиболее успешным и широко используемым алгоритмом. Что касается типа данных, преимущественно использовались клинические наборы данных. Применения, описанные в отобранных статьях, демонстрируют полезность извлечения ценных знаний, способных порождать новые гипотезы, способствовать более глубокому пониманию сахарного диабета и направлять дальнейшие исследования.
1
Основным источником данных были клинические наборы данных, а извлечённые знания рассматривались как полезные для формирования гипотез о диабете.
2
Прогнозирование и диагностика были наиболее часто изучаемыми направлениями исследований диабета среди рассмотренных категорий.
3
В рассмотренных методах преобладало обучение с учителем: 85% применений относились к нему, а 15% — к неконтролируемому обучению.
4
Метод опорных векторов был признан наиболее успешным и широко используемым алгоритмом в рассмотренных исследованиях диабета.
5
Систематический обзор рассматривает применение машинного обучения и интеллектуального анализа данных для прогнозирования, диагностики, осложнений, генетики, окружающей среды, здравоохранения и управления диабетом.

Применение методов машинного обучения и интеллектуального анализа данных в исследованиях диабета (использование ML/DM-алгоритмов для данных, связанных с диабетом)

Применение и эффективность методов машинного обучения и интеллектуального анализа данных для прогнозирования и диагностики диабета, изучения осложнений, генетических факторов и факторов окружающей среды, а также управления медицинской помощью

Publication Details
Publication Date
2017-01-01
Journal
Publisher
ISSN
Cited by
1483
Access Type
Author Information
Authors
Ioannis P. Vlahavas
Nicos Maglaveras
Ioannis Kavakiotis
Athanasios Salifoglou
Ioanna Chouvarda
O. Tsave
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%