Допомога алгоритмів: використання машинного навчання для покращення діагностики гепатиту

Алгоритми машини опорних векторів є ефективнішими щодо прогнозування гепатиту B, тоді як алгоритми на основі методу k-найближчих сусідів дозволяють краще прогнозувати гепатит C.

Було проведено систематичний огляд та метааналіз з метою вивчення ефективності алгоритмів машинного навчання у прогнозуванні вірусного гепатиту.

До дослідження було включено публікації англійською, у яких розглядалося прогнозування гепатиту з допомогою алгоритмів машинного навчання. Ретельний пошук відповідної літератури проводили у різних базах даних, таких як Web of Science, PubMed та Scopus. Збір відповідних даних із відібраних досліджень виконували два автори незалежно один від одного.

Відбір досліджень та подання результатів були здійснені відповідно до контрольного переліку, представленого у документі «Переважні параметри звітності для систематичних оглядів та метааналізу» (PRISMA 2020), а оцінку ризику систематичної помилки проводили з використанням контрольного переліку Міжнародного журналу медичної інформатики (IJMEDI). Аналіз даних виконували з використанням команди metandi у програмі Stata 17.

В аналіз було включено 21 окреме дослідження, що охоплює 82 алгоритми. З них у 16 дослідженнях використовувалося 5 алгоритмів для прогнозування гепатиту B, а у 10 дослідженнях використовувалося те саме число алгоритмів для прогнозування гепатиту C.

У контексті прогнозування гепатиту B найбільшу чутливість, специфічність і діагностичне відношення шансів (ДВШ) мали алгоритми машини опорних векторів (SVM). З іншого боку, для прогнозування гепатиту C найбільша чутливість, специфічність і ДВШ було зазначено у алгоритмів з урахуванням методу k-найближчих сусідів (KNN) (див. таблицю 1).

Таким чином, алгоритми машинного навчання SVM та KNN продемонстрували вражаючу ефективність щодо прогнозування гепатиту. Алгоритми SVM забезпечували найкраще прогнозування гепатиту B, тоді як алгоритми KNN виявилися більш ефективними щодо прогнозування гепатиту C. Отримані результати свідчать про те, що ці алгоритми мають значний потенціал для покращення своєчасної та точної діагностики гепатиту в клінічній практиці, що, у свою чергу, дозволить покращити прогнозування та лікування гепатиту.