Journal or Publication Title:

Математические вопросы кибернетики и вычислительной техники=Կիբեռնետիկայի և հաշվողական տեխնիկայի մաթեմատիկական հարցեր=Mathematical problems of computer science

Date of publication:

2023

Number:

60

ISSN:

2579-2784 ; e-2538-2788

Additional Information:

Գիշյան Կարեն Մ., Гишян Карен M.

Other title:

Փուլային դասակարգման սխեմա` օպտիմալ բուժում ստանալու նպատակով ; Многоступенчатая схема классификации для оптимизации медицинского лечения

Corporate Creators:

Institute for Informatics and Automation Problems of NAS RA

Coverage:

40–51

Abstract:

In most existing machine learning and deep learning settings, classification and regression prediction problems may be described as a process where the model output is based on a single-stage input. In most real-life scenarios achieving the desired medical state for the patient may involve dynamically solving drug prescription problems based on the input data at different stages, where each stage is a logical grouping such as timestep division, ICU stay, etc. Data at a given stage represents a recovery progression and can be fundamentally different from the datasets from the previous and future stages. Although A single model may solve the task, a multi-stage learning procedure may be more suitable. To solve this task, we propose an FNN-driven ensemble-based approach for predicting the medications that the patient should receive at each stage of the recovery process. The final medical discharge location is predicted as a result of sequential predictions of drugs and features. In this work, we combine model ensembling and multi-stage iterative learning for solving an optimal drug prescription generation task as a contribution to the existing literature.
Գոյություն ունեցող մեքենայական ուսուցման և խորը ուսուցման պարամետրերում դասակարգման և ռեգրեսիայի կանխատեսման խնդիրները կարող են նկարագրվել որպես գործընթաց, որտեղ մոդելի ելքը հիմնված է մեկ փուլային մուտքագրման վրա: Իրական կյանքի սցենարների մեծ մասում հիվանդի համար ցանկալի բժշկական վիճակին հասնելը կարող է ներառել դեղերի նշանակման խնդիրների դինամիկ լուծում‘ հիմնված մուտքային տվյալների վրա տարբեր փուլերում, որտեղ յուրաքանչյուր փուլ տրամաբանական խմբավորում է, ինչպիսիք են` ժամանակի բաժանումը, ինտենսիվ թերապիայի բաժանմունքում մնալը և այլն: Տվյալ փուլի տվյալները ներկայացնում են վերականգնման առաջընթաց և կարող են էապես տարբերվել նախորդ և ապագա փուլերի տվյալներից: Թեև մեկ մոդելը կարող է լուծել առաջադրանքը, ուսուցման բազմափուլ ընթացակարգը կարող է ավելի հարմար լինել: Այս խնդիրը լուծելու համար մենք առաջարկում ենք FNN-ի վրա հիմնված մոդելների միավորման մոտեցում` կանխատեսելու այն դեղամիջոցները, որոնք հիվանդը պետք է ստանա վերականգնման գործընթացի յուրաքանչյուր փուլում: Վերջնական բժշկական դուրսգրման վայրը կանխատեսվում է դեղերի և վիճակի տվյալների հաջորդական կանխատեսումների արդյունքում: Այս աշխատանքում մենք համատեղում ենք մոդելային միավորումը և բազմափուլ իտերատիվ ուսուցումը` օպտիմալ դեղերի նշանակման առաջադրանքը լուծելու համար‘ որպես ներդրում առկա գրականության մեջ:
В большинстве реальных сценариев достижение желаемого медицинского состояния пациента может включать динамическое решение задач назначения лекарств на основе входных данных на разных этапах, где каждый этап представляет собой логическую группировку, такую как разделение временных шагов, пребывание в отделении интенсивной терапии и т. д. Данные на данном этапе представляют собой прогресс восстановления и могут принципиально отличаться от наборов данных с предыдущих и будущих этапов. Хотя одну модель может решить задачу, многоэтапная процедура обучения может оказаться более подходящей. Для решения этой задачи мы предлагаем основанный на FNN ансамблевый подход для прогнозирования лекарств, которые пациент должен получать на каждом этапе процесса выздоровления. Окончательное место медицинской выписки прогнозируется в результате последовательного прогнозирования препаратов и особенностей. В этой работе мы объединяем ансамбль моделей и многоэтапное итеративное обучение для решения задачи создания оптимального рецепта на лекарства в качестве вклада в существующую литературу.

Publisher:

Изд-во НАН РА

Format:

pdf

Identifier:

oai:arar.sci.am:366999

General note:

Պարբերականի սույն պրակը նվիրվում է տեխնիկական գիտությունների թեկնածու Սուրեն Բախշիի Ալավերդյանի հիշատակին

Location of original object:

ՀՀ ԳԱԱ Հիմնարար գիտական գրադարան