Создание прогностической системы предсказания неблагоприятных событий у пациентов с инфарктом миокарда на основе больших языковых моделей

Разработка прогностических моделей для выявления пациентов с высоким риском крупных неблагоприятных сердечных событий после инфаркта миокарда (ИМ) является важной задачей для персонализированной медицины. Исследование, проведенное на данных 218 пациентов с инфарктом миокарда, показало, что использование машинного обучения, включая алгоритмы Catboost и LightGBM, позволяет эффективно прогнозировать крупные неблагоприятные сердечные события. Одними из ключевых предикторов риска оказались дозировка статинов и генотип VEGFR-2, где низкие дозы статинов и наличие рискового T-аллеля существенно увеличивали вероятность неблагоприятных исходов. Языковая модель ChatGPT-4-Turbo использовалась для генерации текстовых данных, которые применялись для тестирования и дообучения моделей машинного обучения, включая RuBioBert. Модель Catboost, обученная на сокращенном наборе признаков, достигла высокой точности предсказаний (ROC AUC = 0.813), что подчеркивает важность интеграции генетической информации в клиническую практику для улучшения прогнозирования риска MACEs. Переобученная на текстовых данных, полученных на основе сокращенного набора признаков модель RuBioBert показала схожее качество (ROC AUC = 0.811), что показывает применимость языковых моделей к медкартам пациентов для данной задачи.