Вахрушев ЯМ, Бусыгина МС, Брычкина МС. Разработка модели машинного обучения для определения стадии хронической дуоденальной недостаточности. Тез. 51-й сессии ЦНИИ гастр. «Междисцип.конс.в гастроэнтерологии».27–28.2.2025.Consilium Medicum.2025;27.Прил.С.45

Авторы: Вахрушев Я.М. / Бусыгина М.С. / Брычкина М.С.

Разработка модели машинного обучения для определения стадии хронической дуоденальной недостаточности

¹ ФГБОУ ВО «Ижевская государственная медицинская академия» Минздрава России, Ижевск, Россия;
² ФГБОУ ВО «Ижевский государственный технический университет им. М.Т. Калашникова», Ижевск, Россия


Цель. Разработать модель машинного обучения для определения стадий хронической дуоденальной недостаточности (ХДН).

Материалы и методы. Обследованы 100 больных (женщин – 47, мужчин – 53) с ХДН, средний возраст 34,6±4,7 года. На основе видеоэзофагогастродуоденоскопии, рентгеноскопии, манометрии, электрогастроэнтерографии, определения гормонов, оценки вегетативного гомеостаза и определения резорбционной функции двенадцатиперстной кишки (ДПК) получены данные, характеризующие 3 стадии ХДН. Программирование проходило с использованием Python, Pandas, Matplotlib, Scikit-learn, методов опорных векторов и случайного леса. Использовался набор данных размерности 9 столбцов-признаков, ключевой – «Стадия», на 100 строк-наблюдений.

Результаты. В результате проведенных исследований получен набор данных, состоящий из 13 параметров по каждому из 100 пациентов. Модели машинного обучения необходимо было построить на основе неинвазивных исследований, поэтому для дальнейшего исследования оставлены следующие данные: частота сокращений ДПК натощак и постпрандиально, P_{желудка}/P_ДПК, коэффициент ритмичности, гастрин, инсулин, индекс напряжения, резорбционная функция, стадия. При использовании логистической регрессии, методов опорных векторов и случайного леса выявлено хорошее разделение по классам – стадиям. Все 8 компонент объясняли 100% дисперсии, на первую компоненту приходится 63,2% дисперсии, на вторую – 22,4%. Суммарная объясненная дисперсия по 2 компонентам составила 85,6%, что позволяет утверждать: сохранение только двух главных компонент позволяет эффективно захватывать основную структуру распределения данных. Модель Random Forest состояла из 1 дерева, поэтому для достижения цели нагляднее было использовать «Дерево решений» по двум параметрам: гастрин и частота сокращений ДПК натощак.

Заключение. Применение метода машинного обучения по специально подобранным критериям позволяет неинвазивным способом определить стадию ХДН.

---

---

Вахрушев Я.М., Бусыгина М.С., Брычкина М.С. Разработка модели машинного обучения для определения стадии хронической дуоденальной недостаточности. Тезисы 51-й сессии ЦНИИ гастроэнтерологии «Междисциплинарный консилиум в гастроэнтерологии». 27–28 февраля 2025 года. Consilium Medicum. 2025;27 (Приложение). Стр. 45. DOI: 10.26442/20751753.2025.5.203138

Назад в раздел