Реєстраційний номер
2126U002225, Матеріали видань та локальних репозитаріїв
Категорія
Стаття
Назва роботи
Системний аналіз ефективності інтелектуальних методів для ідентифікації клінічних закономірностей у неструктурованих медичних текстах
System analysis of the effectiveness of intelligent methods for identifying clinical patterns in unstructured medical texts
Автор
Бобко Б. В.
Жуков С. О.
Bobko B.
Zhukov S.
Bobko B.
Zhukov S.
Дата публікації
01-01-2026
Постачальник інформації
Вінницький національний технічний університет
Першоджерело
https://ir.lib.vntu.edu.ua/handle/123456789/51706
Видання
Національний технічний університет «Дніпровська політехніка»
Опис
Мета статті. Cистемний аналіз ефективності сучасних інтелектуальних методів обробки природної мови та машинного навчання для автоматизованої ідентифікації клінічних закономірностей і типових симптомокомплексів у неструктурованих медичних текстах. Робота спрямована на узагальнення та порівняльну оцінку підходів до виявлення частотних і контекстуальних патернів у клінічних записах, а також на визначення перспектив застосування класичних алгоритмів, глибокого навчання, гібридних моделей та AutoML-платформ у задачах багатокласової та багатоміткової класифікації симптомів і діагнозів. Окрему увагу приділено ролі контекстуальних характеристик у підвищенні достовірності автоматизованого аналізу клінічних текстів. Методологія. Дослідження виконано у формі систематичного огляду з використанням рекомендацій PRISMA. Пошук наукових публікацій здійснювався в базах даних PubMed, EMBASE та Scopus без обмежень за роком публікації, з урахуванням україномовних і англомовних джерел. Загальний масив становив 1993 унікальні записи після усунення дублікатів, з яких 38 статей було включено до фінального аналізу за визначеними критеріями. Проведено структурований відбір та ручне вилучення даних щодо типів клінічних корпусів, методів NLP, алгоритмів контекстного аналізу, моделей машинного навчання та метрик оцінювання. Додатково виконано кількісний аналіз частоти симптомів і симптомокомплексів, а також аналіз контекстуальних патернів із використанням лексичних правил і трансформаторних моделей. Наукова новизна. Наукова новизна роботи полягає у комплексному поєднанні частотного та контекстуального підходів до аналізу клінічних текстів із фокусом саме на симптомокомплекси, а не окремі симптоми. Уперше в межах одного дослідження здійснено порівняльний аналіз ефективності правил, класичних методів машинного навчання, глибоких нейронних мереж, гібридних підходів та AutoML-рішень для задач ідентифікації клінічних закономірностей. Показано критичну роль алгоритмів контекстного аналізу, зокрема ConText, у підвищенні точності автоматизованої інтерпретації клінічних станів та обґрунтовано доцільність використання F1-оцінки й AUC як базових інтегральних метрик для оцінювання багатокласових і багатоміткових моделей. Висновки. Результати системного аналізу свідчать, що найвищу ефективність у задачах ідентифікації клінічних закономірностей демонструють підходи, які поєднують статистичні ознаки з контекстночутливими моделями машинного навчання. Урахування заперечення, гіпотетичності та часових характеристик істотно зменшує кількість хибних спрацювань і підвищує інформативність автоматизованого аналізу клінічних текстів. Використання AutoML і трансформаторних моделей розширює можливості масштабування таких рішень у реальних умовах, однак потребує уваги до інтерпретованості та переносимості моделей. Отримані результати можуть бути використані для побудови систем підтримки клінічних рішень, моніторингу захворюваності та подальших досліджень у сфері інтелектуального аналізу медичних даних.
Додано/оновлено в НРАТ
2026-11-02
