About the approach of solving machine learning problems integrated with data from open source systems of electronic medical records

Abstract

В останні десятиліття активно розробляються рішення з охорони здоров'я на основі програмного забезпечення з відкритим кодом, а також комерційні засоби. Найпоширенішими системами електронного медичного обліку з відкритим кодом є WorldVistA, OpenEMR та OpenMRS. Вчені звертали увагу на перспективи програмного забезпечення електронних медичних записів з відкритим кодом та безкоштовних систем для країн з певними фінансовими труднощами й таких, що розвиваються. Постановка задачі машинного навчання в медичних дослідженнях здійснена. На блок-схемі, представленій у роботі, продемонстровано основні кроки для розроблення моделі машинного навчання. Звернено увагу, що задача імпорту тренінгових, тестувальних і прогнозувальних наборів даних із систем EMR у середовищі машинного навчання є не такою тривіальною через ряд причин, які розглянуто в дослідженні. Наведено кілька основних підходів для доступу до даних медичних записів пацієнтів у типових системах EMR. Представлено деякі особливості застосування підходів для двох найпоширеніших систем із відкритим кодом EMR: OpenEMR, OpenMRS. Попри тривалий період розроблення й застосувань, навіть провідні й широко розповсюджені EMR системи (як комерційні, так і безкоштовні з відкритим кодом) мають обмежену або часткову підтримку можливостей HL7. Не зважаючи на проблеми, які розглядають рівні реалізації, існує достатньо аргументів для адаптації використання форматів даних сумісних з HL7 і розроблення інформаційних систем, які орієнтовані на машинне навчання. Експериментальні дослідження, пов’язані з прогнозуванням переломів для жінок середнього віку, підтверджують, що це є на сьогодні актуальною, профілактичною проблемою. Розроблення моделі машинного навчання реалізована в середовищі вільного програмного забезпечення R за допомогою пакета mlr. У результаті отримуємо моделі машинного навчання на основі п’яти методів. Результати ефективності методів, за допомогою міри mmce, показують, що найточнішою моделю відповідно до оцінювання якості прогнозування є метод випадкового лісу (random forest), найгіршим є метод ferms.

Ähnliche Arbeiten