Методы машинного обучения и интеллектуального анализа данных в исследовании сахарного диабета

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.