Детальная информация

Респираторные заболевания у детей являются одной из наиболее распространённых причин обращения за медицинской помощью и могут приводить к серьёзным осложнениям при отсутствии своевременной диагностики. Диагностика заболеваний дыхательной системы у детей имеет ряд особенностей, связанных с возрастными физиологическими характеристиками, незрелостью иммунной системы, быстрым развитием воспалительных процессов и возможной неспецифичностью клинических проявлений. В современных условиях методы машинного обучения предоставляют новые возможности для анализа медицинских данных и поддержки диагностических решений. При этом диагностика рассматривается не только как определение факта наличия или отсутствия заболевания, но и как задача распознавания диагностического состояния пациента на основе совокупности клинических, физиологических и диагностических признаков. Целью данной работы является разработка методов машинного обучения для построения композитной модели диагностики респираторных заболеваний у детей. Объектом исследования является композитная модель машинного обучения, предназначенная для распознавания диагностических состояний, связанных с респираторными заболеваниями у детей. Предметом исследования являются методы построения, обучения и экспериментальной оценки композитной модели машинного обучения, объединяющей различные алгоритмы и типы медицинских данных для диагностики респираторных заболеваний у детей. Особенностью предлагаемого подхода является предварительная кластеризация пациентов с учётом возраста как временной характеристики развития детского организма. Результаты кластеризации используются как дополнительная информация при распознавании диагностических состояний и вероятностной калибровке результатов модели. В связи с отсутствием прямых иммунологических показателей в используемых открытых данных в работе применяется условный вычислительный показатель возрастной зрелости иммунной системы. Данный показатель не является клинической оценкой иммунитета пациента и используется исключительно как дополнительный параметр модели. В работе рассматриваются признаки, характеризующие состояние пациента детского возраста: возраст, пол, наличие кашля, лихорадки, одышки, боли в грудной клетке, утомляемости, температура тела, уровень сатурации кислорода, цвет мокроты, результаты рентгенографии и лабораторные показатели. На основе этих признаков формируется признаковое пространство, в котором пациент представляется вектором медицинских параметров, а задача модели заключается в распознавании диагностического класса. Особое внимание уделяется обоснованию применения композитной модели. Использование одной универсальной модели не всегда позволяет учитывать все особенности медицинских данных и сложность диагностической задачи. Поэтому в работе рассматривается композитный подход, основанный на использовании нескольких алгоритмов машинного обучения, каждый из которых может выполнять отдельную функцию: классификацию диагностического состояния, оценку вероятности результата и интерпретацию значимых признаков. В рамках исследования анализируются и сравниваются различные алгоритмы машинного обучения, включая логистическую регрессию, метод опорных векторов, случайный лес, градиентный бустинг и XGBoost. Для оценки качества моделей используются метрики accuracy, precision, recall, F1-score и ROC-AUC. Дополнительно проводится анализ важности признаков, позволяющий определить медицинские параметры, оказывающие наибольшее влияние на диагностическое решение. Практическая значимость работы заключается в разработке подхода к построению композитной модели, которая может использоваться как инструмент поддержки принятия врачебных решений при диагностике респираторных заболеваний у детей. Полученные результаты могут служить основой для дальнейшей экспериментальной проверки модели на расширенных медицинских данных.

Respiratory diseases in children are among the most common reasons for seeking medical care and may lead to serious complications in the absence of timely diagnosis. The diagnosis of respiratory diseases in pediatric patients has a number of specific features related to age-dependent physiological characteristics, immaturity of the immune system, rapid development of inflammatory processes, and possible nonspecific clinical manifestations. Modern machine learning methods provide new opportunities for analyzing medical data and supporting diagnostic decision-making. In this study, diagnosis is considered not only as the determination of the presence or absence of a disease, but also as the recognition of a diagnostic state of a patient based on a set of clinical, physiological, and diagnostic features. The aim of this study is to develop machine learning methods for constructing a composite model for diagnosing respiratory diseases in children. The object of the research is a composite machine learning model designed to recognize diagnostic states associated with respiratory diseases in pediatric patients. The subject of the research is the methods of preliminary age-based clustering of patients, classification of diagnostic states, probability calibration, and interpretation of the results of a composite machine learning model. A distinctive feature of the proposed approach is preliminary clustering of patients based on age as a temporal characteristic of the development of a pediatric organism. The clustering results are used as additional information for diagnostic state recognition and probability calibration. In this way, the classification stage is preceded by the identification of age-related groups of patients. Due to the absence of direct immunological indicators in the available open datasets, the study introduces a conditional computational indicator of age-related immune system maturity. This indicator is not a clinical assessment of immune status and is used only as an additional model parameter reflecting the age stage of patient development. The study considers features characterizing the condition of a pediatric patient, including age, sex, symptoms, body temperature, oxygen saturation, sputum characteristics, X-ray results, and laboratory indicators. Based on these features, a feature space is formed in which each patient is represented as a vector of medical parameters, and the task of the model is to recognize the corresponding diagnostic state. Special attention is paid to the justification of using a composite model. A single universal model is not always able to take into account all the specific features of medical data and the complexity of the diagnostic task. Therefore, this work considers a composite approach that includes several interconnected components: data preparation, preliminary age-based clustering, diagnostic state classification, probability calibration, and interpretation of significant features. The study analyzes and compares several machine learning algorithms, including Logistic Regression, Support Vector Machine, Decision Tree, Random Forest, Gradient Boosting, and XGBoost. The quality of the models is evaluated using accuracy, precision, recall, F1-score, macro F1-score, weighted F1-score, and ROC-AUC. In addition, log-loss and Brier score are used to evaluate the quality of probabilistic predictions. The experimental study showed that in the binary classification task, the best result was obtained using Gradient Boosting, with an F1-score of 0.9939 and ROC-AUC of 1.0000. In the multiclass classification task, the best result was obtained using Logistic Regression in the extended scenario with Cluster and I_age, where accuracy reached 0.9143 and macro F1-score reached 0.9057. The use of age-based clustering and the conditional age-related parameter increased macro F1-score from 0.8820 to 0.9057. The probability calibration experiment showed that cluster-dependent temperature calibration improved the quality of probabilistic estimates. Log-loss decreased from 0.5110 to 0.2021, and Brier score decreased from 0.2365 to 0.1330. These results confirm the usefulness of including a probability calibration component in the proposed composite model. The practical significance of the study lies in the development of an approach to constructing a composite model that can be used as a clinical decision support tool for diagnosing respiratory diseases in children. The model is not intended to replace a physician or to provide a final clinical diagnosis, but it can serve as an auxiliary analytical tool for diagnostic state recognition, probability estimation, and interpretation of relevant factors.