Методы обучения интерпретируемых ансамблевых моделей для прогнозирования в клинической медицинеMethods for training interpretable ensemble models for prediction in clinical medicine

Диссертация посвящена разработке интерпретируемых ансамблевых моделей машинного обучения для прогнозирования неблагоприятных событий в клинической медицине.В работе предложен подход к построению прогностических моделей, основанный на явном представлении логики принятия решений через факторы риска и их сочетания — фенотипы факторов риска. Такой способ представления позволяет повысить прозрачность прогноза при сохранении высокого качества классификации. Разработаны два интерпретируемых ансамблевых метода: лес факторов риска и ансамбль фенотипов факторов риска. Их построение основано на разработанном методе мультиметрической категоризации непрерывных переменных и модифицированном алгоритме обучения деревьев принятия решений. Для апробации разработанных методов решены 3 задачи: прогнозирование внутригоспитальной летальности и впервые возникшей фибрилляции предсердий у пациентов с инфарктом миокарда с подъемом сегмента ST, прогнозирование внутригоспитальной летальности у пациентов с ишемической болезнью сердца, оперированных аортокоронарным шунтированием. Исследования проведены на наборах данных, содержащих соответственно 5446, 5021 и 999 наблюдений реальных пациентов.Разработанные с помощью предлагаемых методов модели обладают высокой прозрачностью принципов принятия решений, благодаря применяемым в их структуре факторам риска и фенотипам, и высоким качеством прогноза сопоставимым с моделями основанными на современных ансамблевых методах: случайный лес, extreme gradient boosting, categorical boosting и др. Представление прогноза через факторы риска и их фенотипы позволяет интерпретировать как отдельные компоненты модели, так и логику формирования итогового прогноза, что делает возможным использование разработанных моделей в задачах клинического прогнозирования.