Интеллектуализация процессов принятия врачебных решений при раннем выявлении сахарного диабета у детей

Abstract

Рассмотрена проблематика ранней диагностики сахарного диабета у детей и, в частности, необходимость разработки более сложных методов для точного определения СД1, СД2 и MODY у детей и подростков в связи с ростом распространенности заболевания во всем мире и повышенными рисками, связанными с острой метаболической декомпенсацией. Проведено подробное исследование существующих подходов к диагностике сахарного диабета у детей, произведён анализ современных систем классификации педиатрического диабета, выявлены ключевые сложности диагностики и клинической разницы между СД1 и СД2, а также моногенными формами. В ходе исследования была проанализирована способность классических алгоритмов машинного обучения (искусственных нейронных сетей, классификаторов случайного леса и деревьев решений) различать подтипы сахарного диабета с точки зрения прогностической эффективности и дискриминационной способности. На основе детального анализа клинических и лабораторных предикторов было установлено, что модели на основе искусственных нейронных сетей демонстрируют наилучшую прогностическую способность благодаря своей способности моделировать нелинейные взаимосвязи между используемыми параметрами. Рассмотрены важные аспекты и предпосылки для интеграция передовых систем поддержки принятия клинических решений и успешного внедрения систем на основе искусственного интеллекта во врачебную практику The article discusses the challenges of early diagnosis of diabetes mellitus in children and, in particular, the need to develop more sophisticated methods for accurately identifying type 1, type 2, and MODY diabetes in children and adolescents due to the increasing prevalence of the disease worldwide and the increased risks associated with acute metabolic decompensation. The article provides a detailed review of existing approaches to the diagnosis of diabetes mellitus in children, analyzes current classification systems for pediatric diabetes, and identifies key diagnostic challenges and clinical differences between type 1 and type 2 diabetes, as well as monogenic forms. The study analyzed the ability of classical machine learning algorithms (artificial neural networks, random forest classifiers, and decision trees) to distinguish between different types of diabetes mellitus in terms of predictive efficiency and discrimination capacity. Based on a detailed analysis of clinical and laboratory predictors, it was found that models based on artificial neural networks demonstrate the best predictive ability due to their ability to model nonlinear relationships between the parameters used. The study also highlighted important aspects and prerequisites for integrating advanced clinical decision support systems and successfully implementing artificial intelligence-based systems in medical practice