Методы машинного обучения и майнинга данных в анализе медицинской информации

Для острого лимфобластного лейкоза (ОЛЛ) существует несколько методов лечения, имеющих в среднем одинаковую эффективность. Каждый метод лечения может помогать определенной подгруппе пациентов, в то время как для другой подгруппы пациентов он может оказаться менее эффективным. В связи с этим появляется необходимость в порождении правила, которое будет рекомендовать наиболее эффективный метод лечения для конкретного пациента, в соответствии с его физиологическими и клиническими особенностями. Данная работа посвящена порождению такого правила с помощью методов машинного обучения, анализирующих данные, полученные в ходе рандомизированного клинического исследования. С этой целью проводится сравнение оценки, основанной на L1-регуляризованных средних квадратах, случайного леса и лассо-регрессии по качеству предсказания результата лечения. Выбор максимально эффективного лечения для конкретного пациента осуществляется с помощью наиболее точного из рассмотренных методов машинного обучения.