Аннотация. Проявление и развитие артериальной гипертензии (АГ) сопряжено с множеством эндогенных и экзогенных факторов. Представлена динамическая популяционная модель развития АГ в различных временных масштабах с учетом ориентированных на пациента стратегий лечения. Популяционная динамика группы пациентов с АГ построена с использованием демографической модели. На основе данных электронных медицинских карт выделены однородные группы пациентов с целью моделирования развития АГ на индивидуальном уровне. Для пациентов из каждой группы разработаны модели изменчивости количественных характеристик цифрового профиля пациента и оценены вероятности развития сопутствующих патологий. Построена модель тактики и стратегии антигипертензивного лечения на основе классификатора, прогнозирующего для пациента наиболее эффективный вид терапии по имеющимся до начала лечения индивидуальным компонентам его цифрового профиля. Разработанная технология моделирования может быть использована для оптимизации процессов системы здравоохранения, в первую очередь в части оказания амбулаторной помощи, для оценки эффективности внедрения новых препаратов и стратегий лечения, а также для моделирования сценариев введения новых клинических рекомендаций. 

Ключевые слова: артериальная гипертензия, динамическая популяционная модель, цифровой профиль пациента, кластеризация, CART-алгоритм

Список литературы:

1. Polak S. and Mendyk A. Artificial neural networks based Internet hypertension prediction tool development and validation // Appl. Soft Comput. 2008. Vol. 8, N 1. P. 734—739.
2. Teixeira P. L. et al. Evaluating electronic health record data sources and algorithmic approaches to identify hypertensive individuals // J. Am. Med. Informatics Assoc. 2017. Vol. 24, N 1. P. 162—171.
3. Echouffo-Tcheugui J. B., Batty G. D., Kivimä Ki M., and Kengne A. P. Risk Models to Predict Hypertension:  A Systematic Review // PLoS ONE. 2013. Vol. 8, N 7. P. e67370. DOI.org/10.1371/journal.pone.0067370
4. Farran B., Channanath A. M., Behbehani K., and Thanaraj T. A. Predictive models to assess risk of type 2 diabetes, hypertension and comorbidity: machine-learning algorithms and validation using national health data from Kuwait — a cohort study // BMJ Open. 2013. Vol. 3, N 5. P. e002457.
5. Khalilia M., Chakraborty S., and Popescu M. Predicting disease risks from highly imbalanced data using random forest // BMC Med. Inform. Decis. Mak. 2011. Vol. 11, N 1. P. 51.
6. Mancia G. et al. 2013 ESH/ESC guidelines for the management of arterial hypertension: The Task Force for the management of arterial hypertension of the European Society of Hypertension (ESH) and of the European Society of Cardiology (ESC) // Eur. Heart J. 2013. Vol. 34, N 28. P. 2159—2219.
7. Friedman C. Semantic Text Parsing for Patient Records // Med. Informatics Knowl. Manag. Data Min. Biomed. 2005. P. 423—448.
8. Бойков И. В., Логинов А. Ю. Демографическая модель с распределенными параметрами // Изв. вузов. Поволжский регион. Физико-математические науки. 2008. № 2. С. 15—20.
9. Lewington S., Clarke R., Qizilbash N., Peto R., and Collins R. Age-specific relevance of usual blood pressure to vascular mortality: A meta-analysis of individual data for one million adults in 61 prospective studies // The Lancet. 2002. Vol. 360, N 9349. P. 1903—1913.
10. Van Der Maaten L. and Hinton G. Visualizing Data using t-SNE // J. Mach. Learn. Res. 2008. Vol. 9. P. 2579—2605.
11. de Amorim R. C. and Hennig C. Recovering the number of clusters in data sets with noise features using feature rescaling factors // Inf. Sci. (Ny). 2015. Vol. 324. P. 126—145.
12. Semakova A., Zvartau N., Bochenina K., and Konradi A. Towards Identifying of Effective Personalized Antihypertensive Treatment Rules from Electronic Health Records Data Using Classification Methods: Initial Model // Procedia Comput. Sci. 2017. Vol. 121. P. 852—858.