Аннотация. 

Инсульт занимает второе место в мире среди причин смертности и третье место среди причин инвалидности и смертности вместе взятых. При этом среди факторов риска возникновения инсульта имеются потенциально управляемые, т.е. возможна профилактика данного заболевания. Выявление ранее неизвестных модифицируемых факторов риска инсульта или проверка значимости известных факторов являются актуальными задачами, которые можно решать на основе ретроспективного анализа историй болезни пациентов с этим заболеванием. В работе представлен подход к выявлению факторов риска острых нарушений мозгового кровообращения из текстов историй болезни с применением методов обработки естественного языка и машинного обучения. Предложенный подход позволил определить факторы риска инфаркта мозга и транзиторной ишемической атаки у пациентов одной из федеральных клиник. Выявленные факторы в целом согласуются с полученными в других исследованиях.

Ключевые слова: 

факторы риска, инсульт, извлечение информации из текстов, машинное обучение, истории болезни.

Стр. 111-122.

DOI: 10.14357/20790279230211

 

 

Литература

1. Гусев А.В., Кузнецова Т.Ю., Корсаков И.Н. Искусственный интеллект в оценке рисков развития сердечно-сосудистых заболеваний //Журналтелемедицины и электронного здравоохранения. 2018. №. 3. С. 85-90.

2. Кобринский Б.А., Кадыков А.С., Полтавская М.Г., Благосклонов Н.А., Ковелькова М.Н. Принципы функционирования интеллектуальной системы динамического контроля факторов риска и формирования рекомендаций по здоровьесбережению // Профилактическая медицина. 2019. Т.22. №5. С.78- 84.

3. Feigin V.L. et al. Global, regional, and national burden of stroke and its risk factors, 1990–2019: A systematic analysis for the Global Burden of Disease Study 2019 // The Lancet Neurology. 2021. Vol. 20. №. 10. P. 795-820.

4. Johnson C.O. et al. Global, regional, and national burden of stroke, 1990–2016: a systematic analysis for the Global Burden of Disease Study 2016 //The Lancet Neurology. 2019. Vol. 18. №. 5. P. 439-458.

5. Boehme A.K., Esenwa Ch., Elkind M.S.V. Stroke Risk Factors, Genetics, and Prevention. Circulation Research. 2017. Vol. 120. P. 472–495.

6. Chen J. et al. Stroke Risk Factors of Stroke Patients in China: A Nationwide Community-Based Cross-Sectional Study //International Journal of Environmental Research and Public Health. 2022. Vol. 19. №. 8. P. 4807.

7. Швец Д.А., Поветкин С.В. Сравнительный обзор использования методов машинного обучения для прогнозирования сердечно-сосудистого риска // Вестник новых медицинских технологий. Электронное периодическое издание. 2020. № 5. С.74-82.

8. Lee S., Kim H.S. Prospect of artificial intelligence based on electronic medical record // Journal of Lipid and Atherosclerosis. 2021. Vol. 10. №. 3. P. 282.

9. Невзорова В.А., Плехова Н.Г., Присеко Л.Г., Черненко И.Н., Богданов Д.Ю., Мокшина М.В., Кулакова Н.В. Методы машинного обучения в прогнозировании исходов и рисков сердечно-сосудистых заболеваний у пациентов с артериальной гипертензией (по материалам ЭССЕ-РФ в Приморском крае) // Российский кардиологический журнал. 2020. № 3. С. 10-16.

10. Баранов А.А. и др. Технологии комплексного интеллектуального анализа клинических данных // Вестник Российской академии медицинских наук. 2016. Т. 71. №. 2. С. 160-171.

11. Tayefi M. et al. Challenges and opportunities beyond structured data in analysis of electronic health records //Wiley Interdisciplinary Reviews: Computational Statistics. 2021. Vol. 13. №. 6. P. e1549.

12. Shelmanov A.O., Smirnov I.V., Vishneva E.A. Information extraction from clinical texts in Russian

// Computational Linguistics and Intellectual Technologies: Papers from the Annual International Conference “Dialogue”. 2015. Vol. 1. P. 537-549.

13. Blinov P. et al. RuMedBench: A Russian Medical Language Understanding Benchmark // Artificial Intelligence in Medicine. AIME 2022. Lecture Notes in Computer Science. 2022. Vol. 13263. P. 383- 392.

14. Yalunin A., Nesterov A., Umerenkov D. RuBioRo-BERTa: a pre-trained biomedical language model for Russian language biomedical text mining. 2022. URL: https://arxiv.org/abs/2204.03951.

15. Liu Y. et al. Roberta: A robustly optimized bert pretraining approach. 2019. URL: https://arxiv. org/abs/1907.11692.

16. Панов А.И. Выявление причинно-следственных связей в данных психологического тестирования логическими методами // Искусственный интеллект и принятие решений. 2013. №. 1. С. 24-32.

 17. Чудова Н.В., Панов А.И. Извлечение причинно-следственных отношений из данных психологического исследования на материале изучения агрессивности //Искусственный интеллект и принятие решений. 2016. №. 4. С. 38- 46.

18. Самойлова Е.М., Юсубалиева Г.М., Белопасов В.В., Екушева Е.В., Баклаушев В.П. Инфекции и воспаление в развитии инсульта // Журнал неврологии и психиатрии им. С.С. Корсакова. Спецвыпуски. 2021. T. 121. № 8. С.11- 21.

19. Донитова В. В. и др. Методы обработки естественного языка для извлечения факторов риска инсульта из медицинских текстов // Труды ИСА РАН. 2021. Т. 71. №. 4. С. 93.

20. Благосклонов Н.А., Донитова В.В., Киреев Д.А., Кобринский Б.А., Смирнов И.В. Лингвистический анализ историй болезни для выявления факторов риска инсульта // Труды ИСА РАН. 2020. Т. 70. № 3. С. 76- 86.

21. Nakayama H. Seqeval: A python framework for sequence labeling evaluation, Available at:

https://github. com/chakki-works/seqeval (дата обращения 15.12.2022)

22. Du X., McNamee R., Cruickshank K. Stroke risk from multiple risk factors combined with hypertension: a primary care based case-control study in a defined population of northwest England // Annals of Epidemiology. 2000. Vol. 10. №. 6. P. 380-388.

23. Sebastian S., Stein L.K., Dhamoon M.S. Infection as a Stroke Trigger. Associations Between Different Organ System Infection Admissions and Stroke Subtypes // Stroke. 2019. Vol. 50. P. 2216 - 2218.

24. O’Donnell MJ, Chin SL, Rangarajan S, Xavier D, Liu L, Zhang H, et al. INTERSTROKE Investigators. Global and regional effects of potentially modifiable risk factors associated with acute stroke in 32 countries (INTERSTROKE): a case-control study // The Lancet. 2016. Vol. 388. №10046. P. 761-775.

25. Thiele I., Linseisen J., Heier M., Holle R., Kirchberger I., Peters A. et al. Time trends in stroke incidence and in prevalence of risk factors in Southern Germany, 1989 to 2008/09 // Scientific Reports. 2018. Vol. 8. №1. P. 1-8.

26. Murakami K., Asayama K., Satoh M., Inoue R., Tsubota-Utsugi M. et al. Miki Hosaka Risk Factors for Stroke among Young-Old and Old-Old Community-Dwelling Adults in Japan: The Ohasama Study // Journal of atherosclerosis and thrombosis. 2017. Vol. 24. P. 290-300.

27. Усанова Т.А. и др. Факторы риска ишемического инсульта // Современные проблемы науки и образования. 2020. №. 2. С. 133.