Штучний інтелект та генетичні предиктори як основа персоналізованого прогнозування перинатальної патології
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Анотація
Інтеграція штучного інтелекту в медичну галузь для прогнозування перинатальної патології є одним із пріоритетних напрямків досліджень, пропонує більш точну, ефективну та інноваційну діагностику та скринінг.
Мета дослідження: розроблення моделі прогнозування перинатальної патології за допомогою штучної нейронної мережі (ШНМ) з вивченням міжгенних асоціацій досліджуваних та аналіз робочої інформаційної технології для попередження розвитку патології.
Матеріали та методи. Було проведено кореляційний аналіз між багатофакторними показниками разом із генетичними портретами як матері, так і дитини, що впливають на розвиток перинатальної патології. Розрахунки виконували за допомогою пакета MedCalc® Statistical Software (v.22.009).
Для математичного моделювання впливу генетичних факторів на розвиток перинатальної патології було обрано багатошаровий перцептрон. Для розрахунку вагових коефіцієнтів нейронів було обрано метод зворотного поширення помилки, прогностична точність якого становить 90%.
Результати. У ході дослідження було проаналізовано побудову та алгоритми роботи ШНМ, визначено суттєвий вплив генетичних портретів матері та дитини на розвиток перинатальної патології порівняно з іншими факторами. Виявлено, що навчання ШНМ прямо залежить від початкових вагових коефіцієнтів та порогів. Доведено, що метод може оцінити ступінь прогностичної значущості і взаємодію нових факторів з наявним набором. Це відрізняє його від традиційних статистичних методів.
Результати дослідження підтвердили, що підготовку вхідних і вихідних даних слід проводити способом масштабування для приведення даних в допустимий діапазон. Підкреслено, що застосування ШНМ у медицині сприяє автоматизації аналізу, обробленню великих обсягів клінічних даних та мінімізації ризику помилок.
Висновки. Головною особливістю ШНМ, які активно застосовуються в геномних дослідженнях, є їх швидка здатність до навчання, збіжність до оптимального рішення при збільшенні числа об’єктів і їх ефективність при роботі з варіабельними даними.
Прогнозування перинатальної патології за допомогою ШНМ із вивченням міжгенних асоціацій удосконалює підходи до надання медичної допомоги новонародженим та забезпечує попередження розвитку її віддалених наслідків у подальшому житті дитини.
Запропоновані методи прогнозу можуть бути використані при розробці методологічних підходів до створення Державної програми генетичного скринінгу серед населення України.
##plugins.themes.bootstrap3.article.details##
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори зберігають авторське право, а також надають журналу право першого опублікування оригінальних наукових статей на умовах ліцензії Creative Commons Attribution 4.0 International License, що дозволяє іншим розповсюджувати роботу з визнанням авторства твору та першої публікації в цьому журналі.
Посилання
World Health Organization, Government of South Australia. Adelaide statement on health in all policies: moving towards a shared governance for health and well-being [Internet]. Geneva: WHO; 2010. 4 p. Available from: https://iris.who.int/handle/10665/44365.
Antipkin YuG, Marushko RV, Dudina EA. Evolution of infant mortality in Ukraine. Modern Pediatr Ukr. 2021;113(1):6–14. doi: 10.15574/SP.2021.113.6.
Östlin P, Schrecker T, Sadana R, Bonnefoy J, Gilson LA, Hertzman C, et al. Priorities for research on equity and health: Implications for global and national priority setting and the role of WHO to take the health equity research agenda forward [Internet]. Geneva: WHO; 2010. Available from: doi: 10.1371/journal.pmed.1001115.
International Organization for Migration. Ukraine Internal Displacement Report. General Population Survey Round 5 [Internet]. International Organization for Migration; 2022. 13 p. Available from: http://surl.li/tudiw.
Vezhnovets TA, Korotkyi OV, Orabina TM, Gurianov VG, Marushko YV, Pysariev АO. Mathematical modeling of the dynamics of newborns’ morbidity and mortality in Ukraine by 2026. Modern Pediatr Ukr. 2024;139(3):37–45. doi: 10.15574/SP.2024.139.37.
Qoronfleh MW, Chouchane L, Mifsud B, Al Emadi M, Ismail S. The future of medicine, healthcare innovation through precision medicine: policy case study of Qatar. Life Sci Soc Policy. 2020;16(1):12. doi: 10.1186/s40504-020-00107-1.
Turova LО, Vezhnovets TA, Kurchenko AІ. Medical genetics as a basis for personalized medicine in contemporary Ukraine. Wiad Lek. 2024;77(11):2340–47. doi: 10.36740/WLek/197123.
Algahtani MS. Assessment of Pharmacist’s Knowledge and Perception toward 3D Printing Technology as a Dispensing Method for Personalized Medicine and the Readiness for Implementation. Pharmacy (Basel). 2021;9(1):68. doi: 10.3390/pharmacy9010068.
Pritchard D, Hulick PJ, Wells CJ. The integration of personalized medicine into health systems: progress and a path forward. Per Med. 2021;18(6):527–31. doi: 10.2217/pme-2021-0102.
Vogenberg FR, Isaacson Barash C, Pursel M. Personalized medicine: part 1: evolution and development into theranostics. P T. 2010;35(10):560–76.
Slabkiy GО, Dudnyk SV, Shcherbinska ОS, Butusov AD, Kozodayev SP, et al. Trends and structure of infant mortality in Ukraine. Ukr Health Nation. 2024;(2):27–34. doi: 10.32782/2077-6594/2024.2/05.
Turova L, Kurchenko A. Immunogenetic predictors of risk of miscarriage. Immunol Allergol Sci Pract. 2020;(3-4):79–87. doi: 10.37321/immunology.2020.3-4-09.
Atkov OYu, Gorokhova SG, Sboev AG,Generozov EV, Muraseyeva EV, Moroshkina SY, et al. Coronary Heart Disease Diagnosis by Artificial Neural Networks Including Genetic Polymorphisms and Clinical Parameters. J Cardiol. 2012;59(2):190–4.
Moghaddasi H., Mahmoudi I., Sajadi S. Comparing the Efficiency of Artificial Neural Network and Gene Expression Programming in Predicting Coronary Artery Disease. J Health Med Inform. 2017;8(2):1–5. doi: 10.4172/2157-7420.1000250.
Korablev NM, Ivaschenko GS. Parallel immune algorithm of short-term forecasting based on model of clonal selection. RIC. 2014;5(2):73–8. doi: 10.15588/1607-3274-2014-2-11.
Ivaschenko GS, Korablev NM. Time series forecasting on the basis of the case-based reasoning using the models of artificial immune systems. System Technol. 2014;95(6):43–51.
Mohammed AS, Ivashchenko H, Filimonchuk T, Ivanisenko I, Barkovska O. Green Hybrid Models Based on Clonal Selection and Case-based Reasoning for Short-term Time Series Forecasting. J Green Eng. 2020;10(5):2139–54.
Avirmed S, Khuanbai Y, Sanjaajamts A, Selenge B, Dagvadorj BU, Ohashi M. Modifying Effect of Smoking on GSTM1 and NAT2 in Relation to the Risk of Bladder Cancer in Mongolian Population: A Case-Control Study. Asian Pac J Cancer Prev. 2021;22(8):2479–85. doi: 10.31557/APJCP.2021.22.8.2479.
Bonilla C, Albuquerque SV, Schuler-Faccini L, Matijasevich A, Scheffer MC. Medical geneticists, genetic diseases and services in Brazil in the age of personalized medicine. Per Med.2022;19(6):549–63. doi: 10.2217/pme-2021-0153.
Lorencin I, Anđelić N, Španjol J, Car Z. Using multi-layer perceptron with Laplacian edge detector for bladder cancer diagnosis. Artif Intell Med. 2020;102:101746. doi: 10.1016/j.artmed.2019.101746.
Website of the Neural Network and Deep Learning [Internet]. Available from: http://neuralnetworksanddeeplearning.com/index.html.
Website of the Artificial Intelligence Portal [Internet] Available from: http://www.aiportal.ru/articles/neural-networks.
Engelbrecht AP, Cloete I, Zurada JM. Determining the significance input parameters using sensitivity analysis. In: Proceeding of International Workshop on Artificial Neural Network; Malaga. Malaga; 2001, p. 382–8.
Henderson R. Analysis of multivariatate survival data. New York: Springer; 2000. 542 p.
Yen GG, Meesad P. Constructing a fuzzy rule-based system using the ILFN network and Genetic Algorithm. Int J Neural Syst. 2001;11(5):427–43. doi: 10.1142/S0129065701000618.
Burger J, Epskamp S, van der Veen DC, Dablander F, Schoevers RA, Fried EI, et al. A clinical PREMISE for personalized models: Toward a formal integration of case formulations and statistical networks. J Psychopathol Clin Sci. 2022;131(8):906–16. doi: 10.1037/abn0000779.
Cinti C, Trivella MG, Joulie M, Ayoub H, Frenzel M; International Consortium for Personalised Medicine and Working Group ‘Personalised Medicine in Healthcare’ (WG2). The Roadmap toward Personalized Medicine: Challenges and Opportunities. J Pers Med. 2024;14(6):546. doi: 10.3390/jpm14060546.
LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436–44. doi: 10.1038/nature14539.
Ali R, Hussain J, Lee SW. Multilayer perceptron-based self-care early prediction of children with disabilities. Digit Health. 2023;(9):20552076231184054. doi: 10.1177/20552076231184054.
Colakoglu N, Akkaya, B. Comparison of multi-class classification algorithms on early diagnosis of heart diseases. In: Material y-BIS 2019 Conference: Recent Advances in Data Science and Business Analytics. 2019 Sep 25-28; Istanbul. Istanbul; 2019, p. 162–72.
Bikku T. Multi-layered deep learning perceptron approach for health risk prediction. J Big Data. 2020;50(7):1–14. doi: 10.1186/s40537-020-00316-7.
Panesar A. Machine learning and AI for healthcare. Coventry, UK: Springer; 2019. 428 p.
Bento C. Multilayer Perceptron explained with a real-life example and python code: sentiment analysis [Internet]. Towards Data Science. 2021. Available from: https://medium.com/towards-data-science/multilayer-perceptron-explained-with-a-real-life-example-and-python-code-sentiment-analysis-cb408ee93141.
