МАШИННОЕ ОБУЧЕНИЕ В ЛАБОРАТОРНОЙ МЕДИЦИНЕ

Внедрение научных исследований геномики, протеомики, биоинформатики, биостатистики в клиническую практику открыло инновационные подходы в диагностике, терапии и прогнозе заболеваний. Машинное обучение способно использовать большие объемы данных для вывода сложных взаимосвязей и закономерностей, которые в противном случае могут быть за пределами возможностей системы, основанной на правилах, или эксперта-человека. Использование машинного обучения в лабораторной медицине становится все более важной областью. Аналитическая стратегия специалистов по биостатистике зависит от их патофизиологических знаний и опыта,когда прогнозный анализ на основе данных бросает вызов этой парадигме мышления, а растущая вычислительная мощность может выявить связи, не осознаваемые человеческим разумом. Числовой и структурированный формат данных в лабораторной медицине хорошо подходит для вычислительных методов, таких как машинное обучение. Базисом для внедрения машинного обучения стали лабораторные информационные технологии многопрофильного лечебного учреждения, содержащие обширный массив данных. Сравнение традиционной статистики и методов машинного обучения показывает, что традиционная статистика является фундаментальной основой машинного обучения, где алгоритмы черного ящика выводятся из базовой математики, но продвинуты с точки зрения автоматизированного анализа, обработки больших данных и предоставления интерактивных визуализаций. Традиционную статистику и машинное обучение лучше всего интегрировать для разработки инструментов автоматизированного анализа данных. Различные алгоритмы машинного обучения с учителем получили широкое применение в лабораторной медицине: дерево решений, случайный лес, экстремальное повышение градиента, логистическая регрессия, метод опорных векторов, искусственные нейронные сети и др. Широкое применение искусственный интеллект получил в онкогематологии, кардиологии, эндокринологии, нефрологии, урологии, нейрохирургии,фармакологии, в диагностике инфекционных заболеваний. Подход машинного обучения может быть преобразован в руководство для обучения студентов- медиков, преподавателей и научных сотрудников исследователей для проведения исследований, в том числе групповых в любой области здравоохранения. Внедрение инструментов машинного обучения в медицинскую практику сталкивается со многими проблемами. Технические препятствия включают сбор данных и потребность в «больших данных» для создания репрезентативных алгоритмов. Важным вопросом, требующим решения, является этика обмена данными и использования информации о пациентах. Тем не менее, машинное обучение будет приобретать все большее значение для лабораторной медицины. Машинное обучение обещает захватывающие достижения в медицине, но его применение в лабораторной медицине все еще находится на стадии становления. Поскольку область является молодой, существует дополнительная потребность в стандартизации того, как разрабатываются и представляются эти алгоритмы.

The introduction of scientific research of genomics, proteomics, bioinformatics, biostatistics into clinical practice has opened up innovative approaches in the diagnosis, therapy and prognosis of diseases. Machine learning is capable of using large amounts of data to infer complex relationships and patterns that might otherwise be beyond the capabilities of a rule-based system or a human expert. The use of machine learning in laboratory medicine is becoming an increasingly important field. The analytical strategy of biostatistics specialists depends on their pathophysiological knowledge and experience, when predictive analysis based on data challenges this paradigm of thinking, and growing computing power can reveal connections that are not realized by the human mind. Numerical and structured data format in laboratory medicine is well suited for computational methods such as machine learning. The basis for the introduction of machine learning was the laboratory information technologies of a multidisciplinary medical institution containing an extensive array of data. A comparison of traditional statistics and machine learning methods shows that traditional statistics is the fundamental basis of machine learning, where black box algorithms are derived from basic mathematics, but are advanced in terms of automated analysis, big data processing and providing interactive visualizations. Traditional statistics and machine learning are best integrated to develop automated data analysis tools. Various machine learning algorithms with a teacher have been widely used in laboratory medicine: decision tree, random forest, extreme gradient enhancement, logistic regression, support vector method, artificial neural networks, etc. Artificial intelligence has been widely used in oncohematology, cardiology, endocrinology, nephrology, urology, neurosurgery, pharmacology, and in the diagnosis of infectious diseases. The machine learning approach can be transformed into a guide for teaching medical students, teachers and researchers to conduct research and group research in any field of healthcare. The introduction of machine learning tools into medical practice faces many challenges. Technical obstacles include data collection and the need for "big data" to create representative algorithms. An important issue that needs to be addressed is the ethics of data exchange and the use of patient information. Nevertheless, machine learning will become increasingly important for laboratory medicine. Machine learning promises exciting advances in medicine, but its application in laboratory medicine is still in its infancy. Since the field is young, there is an additional need to standardize how these algorithms are developed and presented.