Искусственный интеллект: объяснительная и прогностическая модели в медицине. Принципы построения и возможности использования

Цель исследования. Провести систематический анализ данных, имеющихся в современной литературе, о возможности использования искусственного интеллекта (ИИ) для построения математических моделей сложных систем, в том числе человеческого организма. Материал и методы. В обзор включены данные зарубежных и отечественных статей, найденных в Pubmed по данной теме, опубликованных за последние 10 лет. Результаты. Алгоритмы машинного обучения помогают определять ключевые переменные и взаимосвязи внутри системы, которые людям трудно или невозможно обнаружить. В статье рассматриваются различные типы математических моделей: объяснительные и прогностические, объясняется важность и назначение выбора и стандартизации составляющих модель переменных и знака перед коэффициентами в моделях. Заключение. Описательные и прогностические модели - это два распространенных типа моделей машинного обучения. Основное различие между ними заключается в цели их использования. Понимание этих различий важно для врачей-исследователей и аналитиков при выборе наиболее подходящего типа модели для своих исследований или для внедрения в процессы принятия решений.

Objective of the study is to carry out a systematic analysis ofthe data available in current literature on the possibilities ofthe use of artificial intelligence (AI) for the construction of mathematical models of complex systems, including human body. Materials and Methods. The review comprises the data of foreign and Russian scholarly articles found in PubMed on the subject, published over the past 10 years. Results. Machine learning algorithms help to identify key variables and relationships within a system that are difficult or impossible for humans to detect. This paper presents various types of mathematical models: explanatory and prognostic, explains the importance and purpose of the choice and standardization of variables that make up the model, as well as the signs of the coefficients in the models. Conclusion. Descriptive and prognostic models are the two common types of models of machine learning. The key difference between them is an objective of their use. Understanding these differences is essential for clinician researchers and analysts when choosing the most appropriate type of model for their research or for the integration into decision-making processes.