Computational intelligence methods to patients stratification in the medical monitoring systems

Abstract

EN: Context. In modern medical practice the automation and information technologies are increasingly being implemented for diagnosing diseases, monitoring the condition of patients, determining the treatment program, etc. Therefore, the development of new and improvement of existing methods of the patient stratification in the medical monitoring systems is timely and necessary. Objective. The goal of intelligent diagnostics of patient’s state in the medical monitoring systems – reducing the likelihood of adverse states based on the choice of an individual treatment program: − reducing the probability of incorrectly determining the state of the patients when monitoring patients; − obtaining stable effective estimates of unknown values of treatment actions for patients (corresponding to the found state); − the choice of a rational individual treatment program for the patients, identified on the basis of the forecasted state. Method. Proposed methodology, which includes the following computational intelligence methods to patient’s stratification in the medical monitoring systems: 1) method of cluster analysis based on the agent-based approach – the determination of the possible number of patient’s states using controlled variables of state; 2) method of robust metamodels development by means artificial neuron networks under a priori data uncertainty (only accuracy of measurements is known) in the monitoring data: a) a multidimensional logistic regression model in the form of analytical dependences of the posterior probabilities of different states of the patients on the control and controlled variables of state; b) a multidimensional diagnostic model in the form of analytical dependences of the objective functions (quality criteria of the patient’s state) on the control and controlled variables of state; 3) method of estimating informativeness controlled variables of state at a priori data uncertainty; 4) method of robust multidimensional models development for the patient’s state control under a priori data uncertainty in the monitoring data in the form of analytical dependencies predicted from the measured values of the control and controlled variables of state in the monitoring process; 5) method of reducing the controlled state variables space dimension based on the analysis of the variables informativeness of the robust multidimensional models for the patient’s state control; 6) method of patient’s states determination based on the classification problem solution with the values of the control and forecasted controlled variables of state with using the probabilistic neural networks; 7) method of synthesis the rational individual patient’s treatment program in the medical monitoring system, for the state identified on the basis of the forecast. Proposed the structure of the model for choosing the rational individual patient’s treatment program based on IT Data Stream Mining, which implements the «Big Data for Better Outcomes» concept. Results. The developed advanced computational intelligence methods for forecast states were used in choosing the tactics of treating patients, to forecast treatment complications and assess the patient’s curability before and during special treatment. Conclusions. Experience in the implementation of “Big Data for Better Outcomes” concept for the solution of the problem of computational models for new patient stratification strategies is presented. Advanced methodology, computational methods for a patient stratification in the medical monitoring systems and applied information technology realizing them have been developed. The developed methods for forecast states can be used in choosing the tactics of treating patients, to forecast treatment complications and assess the patient’s curability before and during special treatment. UK: Актуальність. У сучасній медичній практиці все більше впроваджується автоматизація й інформаційні технології для діагностування захворювань, моніторингу стану пацієнта, визначення програми лікування тощо. Тому розробка нових і удосконалення існуючих методів стратифікації пацієнтів у системах медичного моніторингу є своєчасною і необхідною. Метод. Розроблено методологію, яка включає такі методи обчислювального інтелекту для стратифікації пацієнтів у системах медичного моніторингу, як: 1) метод кластерного аналізу на основі агентного підходу – визначення можливої кількості станів пацієнтів з використанням контрольованих змінних станів; 2) метод побудови робастних метамоделей за допомогою штучних нейронних мереж при апріорній невизначеності даних (відома лише точність вимірювань) за даними моніторингу стану пацієнтів: а) багатовимірна логістична регресійна модель у вигляді аналітичних залежностей апостеріорних ймовірностей різних станів пацієнтів від контрольованих змінних станів; б) багатовимірна діагностична модель у вигляді аналітичних залежностей цільових функцій (критеріїв якості стану хворого) від контрольованих змінних станів; 3) метод оцінки інформативності контрольованих змінних станів при невизначеності апріорних даних; 4) метод побудови робастних багатовимірних моделей контролю стану пацієнтів при апріорній невизначеності даних у даних моніторингу у вигляді аналітичних залежностей, що прогнозуються за виміряними значеннями контрольованих змінних станів у процесі моніторингу; 5) метод зменшення розмірності простору контрольованих змінних станів на основі аналізу інформативності змінних робастних багатовимірних моделей управління станом пацієнтів (аналіз чутливості); 6) метод визначення станів пацієнтів на основі вирішення задачі класифікації за значеннями контрольних та прогнозованих контрольованих змінних стану з використанням імовірнісних нейронних мереж; 7) метод синтезу раціональної індивідуальної програми лікування хворих у системі медичного моніторингу для стану, виявленого на основі прогнозу. У роботі запропонована структура моделі вибору раціональної індивідуальної програми лікування пацієнтів на основі IT Data Stream Mining, яка реалізує концепцію « Big Data for Better Outcomes». Результати. Розроблені передові методи обчислювального інтелекту для прогнозування станів використовувалися при виборі тактики лікування пацієнтів, прогнозуванні ускладнень лікування та оцінці виліковності пацієнта до та під час спеціального лікування. Висновки. Представлено досвід впровадження концепції «Big Data for Better Outcomes» для вирішення проблеми розробки передових методологій нових стратегій стратифікації пацієнтів. Розроблено передову методологію, методи обчислювального інтелекту для стратифікації пацієнтів у системах медичного моніторингу та прикладну інформаційну технологію, що їх реалізує. Розроблені передові методи прогнозування станів можуть бути використані при виборі тактики лікування хворих, прогнозуванні ускладнень лікування та оцінці виліковності хворого до та під час спеціального лікування.