Аналіз потенційних викликів та можливостей для використання машинного навчання у прогнозуванні ризику серцево-судинних захворювань на основі набору фізіологічних даних

Abstract

У статті висвітлено результати наукових досліджень щодо використання штучного інтелекту в галузі біології та медицини, зокрема його впливу на догляд за хворими, діагностику та профілактику, а також переваги його застосування у медико-біологічній сфері. В останні роки штучний інтелект використовувався з метою підвищення якості домедичної та медичної допомоги різними способами: від надання персоналізованої інформації про стан здоров’я досліджуваних до віртуальних консультацій і віддаленого моніторингу. Машинне навчання має потенціал для розширення можливостей дослідження захворювань завдяки наданню обстежуваним більшого контролю над своїм здоров’ям. Зазначено, що на сьогодні основною проблемою є висока смертність від захворювань серця та інсультів, однак цьому можна запобігти. Наголошено, що стратегії лікування та втручання, які використовуються для серцево-судинних захворювань, визначаються пізно через такі причини: недостатню обізнаність, неповну інформацію про симптоми, низьку мотивацію або неправильні уявлення. Хоча серцево-судинні захворювання частіше проявляються з віком, фактори ризику, що призводять до них, можна визначити задовго до появи клінічних симптомів. І саме впровадження алгоритмів штучного інтелекту в лікування серцево-судинних захворювань значно полегшує раннє виявлення аномалій, класифікацію ризиків та індивідуальне планування лікування. Успішно впроваджуються різні технології з використанням машинного навчання для прогнозування та формування груп ризику серцево-судинних захворювань. Незважаючи на існуючі перешкоди, машинне навчання вже має незаперечний вплив на клінічну кардіологію, багато алгоритмів були успішно впроваджені та/або перебувають на останніх стадіях упровадження. На основі фізіологічних даних триває пошук і формування критеріїв розвитку різноманітних ускладнень при патологічних станах у сфері серцево-судинних захворювань із застосуванням машинного навчання