КОМПЛЕКСНЫЙ АНАЛИЗ БИОХИМИЧЕСКИХ И ГЕМАТОЛОГИЧЕСКИХ ПОКАЗАТЕЛЕЙ ПРИ ЭКСПЕРИМЕНТАЛЬНОМ ВОСПАЛЕНИИ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Keywords:
воспаление, биохимические показатели, гематологические показатели, искусственный интеллект, большие данные.Abstract
Воспаление является универсальной патологической реакцией организма, лежащей в основе широкого спектра заболеваний. Лабораторная диагностика воспалительных процессов традиционно основывается на оценке биохимических и гематологических показателей, однако их интерпретация при анализе больших массивов данных остаётся сложной задачей. Целью настоящего исследования явилось изучение изменений биохимических и гематологических показателей при экспериментальном воспалении с применением методов искусственного интеллекта для повышения диагностической информативности. В условиях экспериментального моделирования воспалительного процесса проведён анализ лабораторных данных с использованием алгоритмов машинного обучения. Показано, что применение методов искусственного интеллекта позволяет выявлять скрытые взаимосвязи между показателями, повышать точность оценки активности воспаления и снижать влияние субъективного фактора при интерпретации результатов.
Downloads
References
1. Pepys M.B., Hirschfield G.M. C-reactive protein: a critical update // Journal of Clinical Investigation. — 2003. — Vol. 111. — № 12. — P. 1805–1812.
2. Gabay C., Kushner I. Acute-phase proteins and other systemic responses to inflammation // New England Journal of Medicine. — 1999. — Vol. 340. — № 6. — P. 448–454.
3. Kumar V., Abbas A.K., Aster J.C. Robbins and Cotran Pathologic Basis of Disease. — 10th ed. — Philadelphia: Elsevier, 2021. — 1392 p.
4. Lippi G., Plebani M. Bayes’ theorem, the ROC diagram and reference values // Biochemia Medica. — 2018. — Vol. 28. — № 1. — 010101.
5. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence // Nature Medicine. — 2019. — Vol. 25. — № 1. — P. 44–56.
6. Beam A.L., Kohane I.S. Big data and machine learning in health care // JAMA. — 2018. — Vol. 319. — № 13. — P. 1317–1318.
7. Rajkomar A., Dean J., Kohane I. Machine learning in medicine // New England Journal of Medicine. — 2019. — Vol. 380. — № 14. — P. 1347–1358.
8. Esteva A., Robicquet A., Ramsundar B. et al. A guide to deep learning in healthcare // Nature Medicine. — 2019. — Vol. 25. — № 1. — P. 24–29.
9. Polotskaya K., Savova G., Murphy S.N. Bayesian networks for medical diagnosis and prognosis: a review // AI. — 2024. — Vol. 6. — № 2. — P. 58.
10. Broemeling L.D. Bayesian Methods for Medical Test Accuracy. — Boca Raton: CRC Press, 2011. — 264 p.
Downloads
Published
Issue
Section
License

This work is licensed under a Creative Commons Attribution 4.0 International License.
License Terms of our Journal





