Чубаров Тимофей Валерьевич, к.м.н., гл. врач Воронежской детской клинической больницы, директор эндокринологического центра.
г. Воронеж
Chubarov Timofei V., PhD Med, chief physician of Voronezh Children's Clinical Hospital, director of Endocrinological Centre
Voronezh
Жданова Ольга Александровна, д.м.н., доцент кафедры клинической фармакологии
г. Воронеж
Zhdanova Olga A., DM Sciences (habil.), associate professor at Dept of Clinical Pharmacology
Voronezh
Шаршова Ольга Геннадьевна, зав. отделением эндокринологии Воронежской детской клинической больницы
г. Воронеж
Sharshova Olga G., head of Dept of Endocrinology of Voronezh Children's Clinical Hospital
Voronezh
Галда Ольга Геннадьевна, студентка VI курса
г. Воронеж
Galda Olga G., 6th year student
Voronezh
Патрицкая Мария Валерьевна, врач ультразвуковой диагностики Воронежской детской клинической больницы
г. Воронеж
Patritskaya Maria V., doctor of ultrasound diagnostics of Voronezh Children's Clinical Hospital
Voronezh
Нифталиев Кенан Сабухиевич, студент V курса
г. Воронеж
Niftaliev Kenan S., 5th year student
Voronezh
Введение. Немедикаментозная терапия ожирения не всегда может гарантировать положительный результат, что заставляет врачей и ученых со всего мира искать новые методы анализа эффективности лечения, в том числе с применением искусственного интеллекта. Его активное внедрение может значительно повысить качество диагностики и прогнозирования заболевания.
Цель исследования. Оценить возможности использования системы искусственного интеллекта в прогнозировании эффективности немедикаментозной терапии ожирения у детей.
Материалы и методы. Осуществлялось построение искусственной нейронной сети (ИНС) с помощью пакета программ Statistica Neural Networks на основании данных пациентов, находившихся на стационарном лечении в Воронежской детской клинической больницеВГМУ имени Н.Н. Бурденко.
Результаты. В исследуемую группу входило 60 детей (30 мальчиков и 30 девочек), возраст от 8 до 16 лет. Были отобраны параметры, оказывающие, на наш взгляд, наиболее значительное влияние на эффект немедикаментозного лечения ожирения: наличие и частота стационарного лечения; осложнения ожирения; соблюдение режима физической активности и диетических рекомендаций; динамика массы тела в период немедикаментозного лечения. После обучения выбрана нейронная сеть MLP 5-5-1 с коэффициентами детерминации 0,925231; 0,981940; 0,936712 для обучающей, тестовой и контрольной выборок. Ошибка обучения – 0,105782, алгоритм обучения – BFGS. Функция активации скрытых нейронов – гиперболическая, а выходных – тождественная.
Заключение. Результаты исследования показывают, что искусственная нейронная сеть может применяться для оценки эффективности немедикаментозного лечения с минимальной погрешностью.
Introduction. Non-drug therapy for obesity cannot always guarantee a positive result, which forces doctors and scientists from all over the world to look for new methods for analyzing the effectiveness of treatment, including using artifcial intelligence. Its active implementation can significantly improve the quality of diagnosis and prognosis of the disease. Purpose of the study. To evaluate the possibilities of using the artifcial intelligence system in predicting the effectiveness of non-drug therapy for obesity in children.
Materials and methods. An artifcial neural network was built using the Statistica Neural Networks software package based on data from patients who were hospitalized at the Voronezh Children's Clinical Hospital of the VSMU n.a. N.N. Burdenko.
Results. The study group included 60 children (30 boys and 30 girls), aged 8 to 16 years. We selected the parameters that, in our opinion, have the most signifcant impact on the effect of non-drug treatment of obesity: the presence and frequency of inpatient treatment; obesity complications; compliance with the regime of physical activity and dietary recommendations; dynamics of body weight during non-drug treatment. After training, the neural network MLP 5-5-1 was selected with determination coeffcients of 0.925231; 0.981940; 0.936712 for training, test and control samples. The learning error is 0.105782, the learning algorithm is BFGS. The activation function of hidden neurons is hyperbolic, and the output function is identical.
Conclusion. The results of the study show that an artifcial neural network can be used to evaluate the effectiveness of non-drug treatment with a minimum error.
The authors declare that there are no conflicts of interest present.