ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ ТИПОВ САХАРНОГО ДИАБЕТА

Abstract

Дифференциальная диагностика типов сахарного диабета (СД) наиболее актуальна в группе молодых
 взрослых пациентов (18-45 лет), у которых могут манифестировать как классический СД 1 типа (СД1)
 и СД 2 типа (СД2), так и сложно классифицируемые LADA и MODY, имеющие черты одновременно и СД1,
 и СД2. У 7-26% молодых взрослых пациентов тип СД определен неправильно. Выполнение молекулярно-
 генетического (МГИ) и иммунологического анализа, определение уровня С-пептида всем без исключения
 пациентам повлечет неоправданные затраты, эти исследования часто труднодоступны, в связи с чем
 предпринимаются многочисленные попытки разработки алгоритмов машинного обучения (МО) для диф-
 ференциальной диагностики типов СД.
 ЦЕЛЬ: проанализировать особенности алгоритмов дифференциальной диагностики типов СД на основе
 МО, представленных в литературных источниках.
 МАТЕРИАЛЫ И МЕТОДЫ: поиск информации проводился в базах PubMed, Google Scholar, проана-
 лизированы публикации с 2010 по 2022 год. Использованы медицинские предметные рубрики diabetes
 mellitus, differential diagnosis, classification, machine learning, artificial intelligence в различных комбинациях
 с применением логических операторов OR и AND.
 РЕЗУЛЬТАТЫ: найдено 12 публикаций, посвященных дифференциальной диагностике СД с помо-
 щью МО. Алгоритмы Lynam (2020), Qureshi (2017), Romantschuk, (2021), Wang (2017), Nooney (2020), Lo-
 Ciganic (2011) ориентированы на дифференциальную диагностику лишь СД1 и СД2. Для диагностики
 LADA предложены алгоритмы Wang (2021), Cheheltani (2022), Miller (2021), MODY – алгоритмы Mulligan
 (2021). Единственный алгоритм классификации пациентов по группам СД1, СД2, ГСД, LADA, MODY, - это
 многослойный персептрон Mainenti и соавт., 2020, однако, в его разработке не участвовали практикующие
 эндокринологи, а имеющиеся диагнозы принимались как заведомо истинные, что могло привести к по-
 вторению алгоритмом тех же ошибок, которые совершаются в рутинной практике.
 В качестве входных параметров часто использовались пол, возраст в дебюте СД, ИМТ, антитела
 к β-клеткам, липидный профиль, HbA1c, семейный анамнез. Наиболее популярны алгоритмы на основе
 «дерева решений», методы логистической регрессии, k-ближайших соседей, опорных векторов, ансамбли,
 нейросети. Размер обучающих выборок в основном был небольшим и составлял от 213 до 2224 человек,
 и лишь в двух алгоритмах использовано более 100 тысяч и 700 тысяч записей. Алгоритмы в основном име-
 ли высокие показатели точности, полноты, чувствительности, специфичности (>85%), но все они имеют
 ограничения, например, по возрасту, спектру типов СД.
 ВЫВОДЫ: разработанные зарубежными исследователями алгоритмы для определения типа СД об-
 ладают рядом существенных недостатков и не находятся в открытом доступе. Использование в каче-
 стве входных данных высокоспецифичных маркеров того или иного типа СД (например, уровня антител
 к β-клеткам) лишает практического смысла использование алгоритмов в качестве системы поддержки при-
 нятия врачебных решений в первичном звене. Актуальна разработка алгоритма МО, способного с высокой
 вероятностью определять тип СД на основе лишь анамнестических, клинических данных и результатах
 рутинных анализов и выделять когорту пациентов, которые нуждаются в проведении МГИ и иммунологи-
 ческого исследования.