Нечёткие модели в задаче дескриптивного и предиктивного анализа медицинских данных пациентов с хроническими неинфекционными заболеваниями
https://doi.org/10.25881/18110193_2025_4_28
Аннотация
В связи с ростом продолжительности жизни увеличивается население, в том числе трудоспособного возраста, с хроническими неинфекционными заболеваниями (ХНЗ), что повышает нагрузку на медицинский персонал. В это связи возрастает потребность в автоматизированной обработке медицинских данных, особенно данных, поступающих из систем мониторинга ключевых показателей здоровья пациентов с ХНЗ. Ключевыми задачами в этом направлении являются точное описание текущего состояния здоровья пациента и своевременная диагностика заболевания. Решение этих задач имеет первостепенное значение для эффективного ведения пациентов с ХНЗ, обеспечивая поддержку врачей в выборе оптимальной стратегии лечения. При решении указанных задач нечеткие модели имеют большой потенциал ввиду нечеткости медицинских данных, возможности моделировать знания медицинских специалистов и низкой вычислительной сложности. В статье рассмотрены, систематизированы и обобщены результаты 29 исследований, опубликованных в период с 2015 по 2025 год, посвященных задачам дескриптивного и предиктивного анализа числовых медицинских данных пациентов с ХНЗ на основе нечетких моделей, использующих нечеткие множества и нечеткий логический вывод. Особое внимание уделено оценке точности нечетких моделей для различных ХНЗ. Анализ публикаций демонстрирует конкурентоспособность и высокую эффективность нечетких моделей в анализе данных, о чем свидетельствуют метрики точности (от 90% до 99,61%) и чувствительности (от 80,94% до 98,57%), за исключением исследований, посвященных онкологическим заболеваниям. Полученные результаты могут послужить основой для разработки систем поддержки принятия врачебных решений.
Ключевые слова
Список литературы
1. Hussain A, Wenbi R, Xiaosong Z, Hongyang W, da Silva AL. Personal home healthcare system for the cardiac patient of smart city using fuzzy logic. J Adv Inf Technol. 2016; 7(1): 58-64. doi: 10.12720/jait.7.1.58-64.
2. Santos M, Munoz R, Olivares R, et al. Online heart monitoring systems on the internet of health things environments: A survey, a reference model and an outlook. Inf. Fusion. 2020; 53: 222-239.
3. «Стратегия цифровой трансформации отрасли «Здравоохранение» до 2024 года и на плановый период до 2030 года»: Распоряжение Правительства Российской Федерации от 29 декабря 2021 г. №3980-р.
4. Zadeh LA. Fuzzy sets. Inf Cont. 1965; 8(3): 338-353.
5. Mamdani EH. Application of fuzzy logic to approximate reasoning using linguistic systems. Fuzz Sets Syst. 1977; 26: 1182-1191.
6. Takagi T, Sugeno M. Fuzzy identification of systems and its applications to modeling and control. IEEE Transactions on Systems, Man, and Cybernetics: Systems. 1985; 15(1): 116-132.
7. Kobrinskii BA. Fuzzy and reflection in the construction of a medical expert system. J Soft Eng Appl. 2020; 2(13): 15-23.
8. Гермашев И. В., Дубовская В. И. Применение моделей нечеткой математики для решения задач медицинской диагностики // Математическая физика и компьютерное моделирование. – 2021. – Т.24. – №4. – С.53-66.
9. Aamir KM, Sarfraz L, Ramzan M, Bilal M, Shafi J, Attique M. A fuzzy rule-based system for classification of diabetes. Sensors. 2021; 21(23): 8095.
10. Colella Y, et al. A clinical decision support system based on fuzzy rules and classification algorithms for monitoring the physiological parameters of type-2 diabetic patients. Math Biosci Eng. 2021; 18: 2654-2674.
11. Aggarwal A, Chakradar M, Bhatia MS, Kumar M, Stephan T, et al. COVID-19 risk prediction for diabetic patients using fuzzy inference system and machine learning approaches. J Healthc Eng. 2022; 1: 4096950. doi: 10.1155/2022/4096950.
12. Al-Dmour JA, Sagahyroon A, Al-Ali AR, Abusnana S. A fuzzy logic-based warning system for patients classification. Health Inf J. 2019; 25(3): 1004-1024. doi: 10.1177/1460458217735674.
13. El-Sappagh S, et al. An ontology-based interpretable fuzzy decision support system for diabetes diagnosis. IEEE Access. 2018; 6: 37371-37394.
14. Shoaip N, El-Sappagh S, Barakat S. Ontology enhanced fuzzy clinical decision support system. U-Healthcare Monit Syst. 2019; 1: 147-177. doi: 10.1016/B978-0-12-815370-3.00007-4.
15. Mohd Sharif NA, Ahmad, N, et al. A fuzzy rule-based expert system for asthma severity identification in emergency department. J Inf Commun Technol. 2019; 18(4): 415-438.
16. Badnjević A, Pokvić LG, Deumić A, et al. Diagnostic of asthma using fuzzy rules implemented in accordance with international guidelines and physician's experience. In: Proceedings of the 2016 39th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO); May 30-June 3, 2016; Opatija, Croatia. IEEE; 2016: 375-380.
17. Sharma R, Jain SK, Kumar S, Sami P. A study for the diagnosis of asthma disease using fuzzy logic based system. Int J Health Sci. 2022; 6(S1): 12156-12165. doi: 10.53730/ijhs.v6nS1.8041.
18. Yin Z, Li H, Han X, Ran Y, Wang Z, Dong Z. Clinical decision support system using hierarchical fuzzy diagnosis model for migraine and tension-type headache based on International Classification of Headache Disorders, 3rd edition. Front Neurol. 2024; 15: 1444197. doi: 10.3389/fneur.2024.1444197.
19. Taherkhani N, Sepehri MM, Khasha R, Shafaghi S. Ranking patients on the kidney transplant waiting list based on fuzzy inference system. BMC Nephrol. 2022; 23(1). doi: 10.1186/s12882-022-02662-5.
20. Adnan AN, Zakaria NI, Abdullah NSK, Ya'acob S. Fuzzy logic: an application to detect chronic kidney disease and failure. Open Int J Inform. 2019; 7(S2): 118-126.
21. Singla J, Kaur B, Prashar D, Jha S, Joshi GP, Park K, et al. A novel fuzzy logic-based medical expert system for diagnosis of chronic kidney disease. Mobile Inform Syst. 2020; 2020: 1-13. doi: 10.1155/2020/8887627.
22. Scrobotă I, Băciuț G, Filip AG, Todor B, Blaga F, Băciuț MF. Application of Fuzzy Logic in Oral Cancer Risk Assessment. Iran J Public Health. 2017; 46(5): 612-619.
23. Rawat M, Pathak P, Vat P. An approach to diagnosis of prostate cancer using fuzzy logic. Int J Reconfig Embed Syst. 2024; 13(1): 192-200.
24. Khalil AM, Li S.-G, Lin Y, Li, H.-X, Ma S.-G. A new expert system in prediction of lung cancer disease based on fuzzy soft sets. Soft Comput. 2020; 24: 14179-14207.
25. Nguyen T, Khosravi A, Creighton D, Nahavandi S. Medical data classification using interval type-2 fuzzy logic system and wavelets. Appl Soft Comput. 2015; 30: 812-822. doi: 10.1016/j.asoc.2015.02.016.
26. Kora P, et al. Detection of cardiac arrhythmia using fuzzy logic. Informatics Med Unlocked. 2019; 17: 100257.
27. Быков А. В., Кореневский Н. А., Родионова С. Н., Цымбал Е. В. Метод и нечеткая модель оценки динамики развития критической ишемии нижних конечностей // Вестник новых медицинских технологий. – 2018. – Т.25. – №4. – С.251-257. doi: 10.24411/1609-2163-2018-16227.
28. Afanasieva TV, Rodionova TE. Methodology of patient-oriented assessment of cardiovascular health of men using fuzzy sets and formal conceptual analysis. In: Developments of Artificial Intelligence Technologies in Computation and Robotics. World Scientific Proceedings Series on Computer Engineering and Information Science. 2020: 857-865.
29. Afanasieva T. Information granulating and its use in descriptive and predictive analysis of medical data. In: Lecture Notes in Networks and Systems. Vol 566. Springer. 2023: 229-238.
30. Priyatharshini R, Chitrakala S. A self-learning fuzzy rule-based system for risk-level assessment of coronary heart disease. IETE J Res. 2018; 65(3): 288-297. doi: 10.1080/03772063.2018.1431062.
31. Shojaei E, Luque D, Rexachs A, Wong A, Epelde F. Evaluation of lifestyle effects on chronic disease management. In: Proceedings of the 2018 Winter Simulation Conference (WSC); December 9-12, 2018; Gothenburg, Sweden. IEEE; 2018:1037-1048. doi: 10.1109/WSC.2018.8632508.
32. Kasbe T, Pippal RS. Design of heart disease diagnosis system using fuzzy logic. In: Proceedings of the 2017 International Conference on Energy, Communication, Data Analytics and Soft Computing (ICECDS); August 1-2, 2017; Chennai, India. IEEE; 2017:3183-3187.
33. Kahtan H, Zamli KZ, Ashikin WN, Fatthi WA, Abdullah A, Shahaiyusniezam N. Heart disease diagnosis using fuzzy logic. In: Proceedings of the International Conference on Software and Computer Applications; February 8-10, 2018; Kuantan, Malaysia. IEEE; 2018:297-301. doi: 10.1109/ICSCA.2018.8327237.
34. El-Ibrahimi A, Ahmad H, Al-Ashwal FY, et al. Fuzzy based system for coronary artery disease prediction using subtractive clustering and risk factors data. Intell Based Med. 2025; 11: 100208.
35. Marateb HR, Goudarzi S. A noninvasive method for coronary artery diseases diagnosis using a clinically-interpretable fuzzy rule-based system. J Res Med Sci. 2015; 20(3): 214-223.
36. Mahmoodabadi Z, Abadeh MS. CADICA: Diagnosis of Coronary Artery Disease Using the Imperialist Competitive Algorithm. J Comput Sci Eng. 2014; 8(2): 87-93. doi: 10.5626/JCSE.2014.8.2.87.
Рецензия
Для цитирования:
Афанасьева Т.В. Нечёткие модели в задаче дескриптивного и предиктивного анализа медицинских данных пациентов с хроническими неинфекционными заболеваниями. Врач и информационные технологии. 2025;(4):28-43. https://doi.org/10.25881/18110193_2025_4_28
For citation:
Afanaseva T.V. Fuzzy models in descriptive and predictive analysis of medical data of patients with chronic non-communicable diseases. Medical Doctor and Information Technologies. 2025;(4):28-43. (In Russ.) https://doi.org/10.25881/18110193_2025_4_28
Просмотров:
33
Послать статью по эл. почте 