priborИзвестия высших учебных заведений. ПриборостроениеJournal of Instrument Engineering0021-34542500-0381Национальный исследовательский университет ИТМО10.17586/0021-3454-2024-67-4-321-329pribor-130Research ArticleСИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИSYSTEM ANALYSIS, MANAGEMENT AND INFORMATION PROCESSINGИнтеллектуальный анализ данных в диагностике анемии по клиническим показателямData Mining in the Diagnosis of Anemia by Clinical IndicatorsБоженкоВ. В.BozhenkoV. V.

Виктория Вячеславовна Боженко — старший преподаватель, кафедра прикладной информатики

Санкт-Петербург

Viktoriya V. Bozhenko — Senior Lecturer, Department of Applied Informatics

St. Petersburg

vibozhenko@yandex.ruЧернышН. Ю.ChernyshN. Yu.

Наталия Юрьевна Черныш — канд. мед. наук, доцент, кафедра лабораторной медицины с клиникой

Санкт-Петербург

Natalia Yu. Chernysh — PhD, Associate Professor, Department of Laboratory Medicine with Clinic

St. Petersburg

nycher@mail.ruТатарниковаТ. М.TatarnikovaT. M.

Татьяна Михайловна Татарникова — д-р техн. наук, профессор, кафедра прикладной информатики

Санкт-Петербург

Tatiana M. Tatarnikova — Dr. Sci., Professor, Department of Applied Informatics

St. Petersburg

tm-tatarn@yandex.ruСанкт-Петербургский государственный университет аэрокосмического приборостроенияSt. Petersburg State University of Aerospace InstrumentationНациональный медицинский исследовательский центр им. В. А. АлмазоваV. A. Almazov National Medical Research Center202427112024674321329Copyright © Национальный исследовательский университет ИТМО, 20242024Национальный исследовательский университет ИТМОНациональный исследовательский университет ИТМОhttps://pribor.ifmo.ru/jour/about/submissions#copyrightNoticehttps://pribor.ifmo.ru/jour/article/view/130

Исследован набор медицинских данных, полученных из информационной системы сетевой лаборатории амбулаторного наблюдения, который содержит показатели анализов пациентов с диагнозом „анемия“. Набор содержит показатели общего анализа крови, ретикулоциты, дополнительные биохимические маркеры обмена железа и воспалительного процесса. Разработана программа, позволяющая автоматизировать процесс анализа исследуемого набора согласно предложенному алгоритму обработки с учетом особенностей медицинских данных. Выполнена предварительная подготовка и очистка данных, проведен статистический и факторный анализ. Анализ выделенных групп данных позволил найти некоторые общие показатели для пациентов с анемическим синдромом. С помощью факторного анализа сокращено число переменных, выделены четыре основных фактора (группы исходных признаков), которые необходимы для описания исследуемых данных. Полученные результаты могут быть использованы для предоставления статических отчетов медицинской организации. Также исследуемые данные были подготовлены для возможности использования методов машинного обучения и более глубокого анализа с целью выявления наиболее эффективной диагностики анемии на ранних стадиях.

A set of medical data obtained from the information system of a network laboratory for outpatient observation, which contains test indicators of patients diagnosed with anemia, is studied. The set contains indicators of a general blood test, reticulocytes, additional biochemical markers of iron metabolism and the inflammatory process. A program is developed to automate the process of analyzing the test set according to the proposed processing algorithm, taking into account the medical data characteristics. Preliminary preparation and data cleaning are completed, statistical and factor analysis are carried out. Analysis of the selected groups of data makes it possible to find some common indicators for patients with anemic syndrome. Using factor analysis, the number of variables is reduced and four main factors (groups of initial characteristics) necessary to describe the data under study are identified. The results obtained can be used to provide static reports to a medical organization. Also, the studied data are prepared to allow the use of machine learning methods and deeper analysis in order to identify the most effective diagnosis of anemia in the early stages.

анализ медицинских данныхмашинное обучениемедицинская статистикаклинические показателиописательная статистикафакторный анализmedical data analysismachine learningmedical statisticsclinical indicatorsdescriptive statisticsfactor analysisReferencesHuang M.-J., Sung H.-S., Hsieh T.-J., Wu M.-C., Chung S.-H. Applying data-mining techniques for discovering association rules // Soft Computing – A Fusion of Foundations, Methodologies and Applications. 2020. Vol. 24. P. 8069—8075.Huang M.-J., Sung H.-S., Hsieh T.-J., Wu M.-C., Chung S.-H. Soft Computing - A Fusion of Foundations, Methodologies and Applications, 2020, vol. 24, рр. 8069–8075.Цветкова Л. А., Черченко О. В. Технология больших данных в медицине и здравоохранении России и мира // Врач и информационные технологии. 2016. № 3. С. 60—73.Tsvetkova L.A., Cherchenko О.V. Medical Doctor and IT, 2016, no. 3, pp. 60–73. (in Russ.)Карнаухов Н. С., Ильюхин Р. Г. Возможности технологий „Big Data“ в медицине // Врач и информационные технологии. 2019. № 1. C. 59—63.Karnaukhov N.S., Ilyukhin R.G. Medical Doctor and IT, 2019, no. 1, pp. 59–63. (in Russ.)Explore the Top 10 Cardiac Diagnosis Trends in 2023 [Электронный ресурс]: <https://www.startus-insights.com/innovators-guide/cardiac-diagnosis-trends/>. (дата обращения 15.01.2024)Explore the Top 10 Cardiac Diagnosis Trends in 2023, https://www.startus-insights.com/innovators-guide/cardiac-diagnosis-trends/.Chang A., Cowling K. Past, present, and future of global health financing: A review of development assistance, government, out-of-pocket, and other private spending on health for 195 countries, 1995-2050 // Lancet. 2019. Vol. 393, N 10187. Р. 2233—2260.Chang A., Cowling K. Lancet, 2019, no. 10187(393), pp. 2233–2260.Овчинникова М. А., Жиленкова Ю. И., Черныш Н. Ю. Применение big data в лабораторной медицине // Российский журнал персонализированной медицины. 2023. Т. 3, № 4. С. 77—87.Ovchinnikova M.A., Zhilenkova Yu.I., Chernysh N.Yu. Russian Journal for Personalized Medicine, 2023, no. 4(3), pp. 77–87. (in Russ.)Wang L. Big data analytics in medical engineering and healthcare: methods, advances and challenges // J. of Medical Engineering & Technology. 2020. Vol. 44, N 6. P. 267—283.Wang L. Journal of Medical Engineering & Technology, 2020, no. 6(44), pp. 267–283.Razzak M. I., Imran M., Xu G. Big data analytics for preventive medicine // Neural Computing & Applications. 2020. Vol. 32. P. 4417—4451.Razzak M.I., Imran M., Xu G. Neural Computing & Applications, 2020, vol. 32, рр. 4417–4451.Bozhenko V. V. Data preprocessing in machine learning // Bulletin of the UNESCO department „Distance education in engineering“ of the SUAI: Collection of the papers. St. Petersburg, 2023. P. 52—55.Bozhenko V.V. Bulletin of the UNESCO department „Distance education in engineering“ of the SUAI, Collection of the papers. St. Petersburg, 2023, рр. 52–55.Bozhenko V. V., Tatarnikova T. M. Application of Data Preprocessing in Medical Research // Wave Electronics and its Application in Information and Telecommunication Systems (WECONF). St. Petersburg, 2023. P. 1—4.Bozhenko V.V., Tatarnikova T.M. Wave Electronics and its Application in Information and Telecommunication Systems (WECONF), St. Petersburg, 2023, рр. 1–4.Баврина А. П. Современные правила использования методов описательной статистики в медико-биологических исследованиях // Медицинский альманах. 2020. С. 95—104.Bavrina A.P. Meditsinskiy al'manakh, 2020, рр. 95–104. (in Russ.)Makridakis S., Spiliotis E., Assimakopoulos V. Statistical and Machine Learning forecasting methods: Concerns and ways forward // PloS one. 2018. Vol. 13. P. 1—20.Makridakis S., Spiliotis E., Assimakopoulos V. PloS one, 2018, vol. 13, рр. 1–20.Попова И. А. Исследование алгоритмов машинного обучения для предварительной обработки данных в задачах регрессии // Искусственный интеллект в автоматизированных системах управления и обработки данных: Сб. ст. Всерос. научн. конф. Т. 1. М., 2022. С. 237—242.Popova I.A Iskusstvennyy intellekt v avtomatizirovannykh sistemakh upravleniya i obrabotki dannykh (Artificial Intelligence in Management, Control, and Data Processing Systems), Collection of articles of the All-Russian Scientific Conference, vol. 1, Moscow, 2022, рр. 237–242. (in Russ.)Гудинова Ж. В., Демакова Л. В. Технологии статистического анализа медицинских данных: первичный анализ данных, сравнение групп // Фундаментальная и клиническая медицина. 2023. Т. 8, № 1. С. 119—131.Gudinova Zh.V., Demakova L.V. Fundamental and Clinical Medicine, 2023, no. 1(8), pp. 119–131. (in Russ.)Комков А. А., Мазаев В. П., Рязанова С. В., Самочатов Д. Н., Базаева Е. В. Основные направления развития искусственного интеллекта в медицине // Научное обозрение. Медицинские науки. 2020. № 5. С. 33—40.Komkov A.A., Mazaev V.P., Ryazanova S.V., Samochatov D.N., Bazaeva E.V. Science review. Medical Sciences, 2020, no. 5, pp. 33–40. (in Russ.)Taherdoost H., Sahibuddin S., Jalaliyoon N. Exploratory Factor Analysis; Concepts and Theory // Advances in applied and pure mathematics. 2022. Vol. 27. P. 375—382.Taherdoost H., Sahibuddin S., Jalaliyoon N. Advances in applied and pure mathematics, 2022, vol. 27, рр. 375–382.Покидышева Л. И., Мадаминова М. О., Ладнюк В. В. Исследование и разработка алгоритмов и программных средств сокращения размерности многомерных данных // Междунар. науч.-исслед. журн. 2017. № 5–3(59). C. 94—97.Pokidysheva L.I., Madaminova М.О., Ladnyuk V.V. International Research Journal, 2017, no. 5-3(59), pp. 94–97. (in Russ.)

The authors declare that there are no conflicts of interest present.