Интеллектуальная система поддержки принятия решений для формирования схем лечения на основе методов машинного обучения с подкреплением

Степень разработанности темы исследования. Эффективность приме-
нения методов машинного обучения в решении диагностических и прогностиче-
ских задач медицины доказывают работы Б. И. Гельцера, М. М. Циванюка, Н. 
М. Борисова, А. А. Буздина, E. G. Ross, N. H. Shah, O. Terrada, B. Cherradi, E. 
Munger, J. Hickey. В работах E. Yom-Tov, А. Noori, M. Komorowski, G. D. Clifford 
продемонстрированы впечатляющие результаты, полученные при использова-
нии алгоритмов обучения с подкреплением для выбора оптимальных схем лече-

---

4 
ния отдельных заболеваний. Однако, к настоящему моменту в современных ис-
следованиях открытым является вопрос о разработке общего алгоритма обуче-
ния с подкреплением для формирования оптимальных схем лечения. Для реше-
ния этой проблемы требуется, во-первых, формализовать множество состояний 
в данной задаче. Кроме того, необходимо алгоритмизировать процесс назначе-
ния вознаграждений, при этом, использование нетривиальных функций возна-
граждения представляется многообещающим подходом в задачах, связанных с 
формированием схем лечения. Далее, требуется разработать метод отыскания 
наиболее значимых признаков для эффективной оценки состояния пациента. По-
мимо этого, надо разработать алгоритм выбора специфических маркеров для 
осуществления динамического мониторинга состояния. Наконец, еще одной 
важной задачей является разработка алгоритмов обработки текстовых медицин-
ских протоколов для анализа клинических данных и использования выявленных 
закономерностей при формировании обучающей выборки и назначении опти-
мальных клинических процедур. 
Целью диссертационной работы является разработка и обоснование моде-
лей и алгоритмов поддержки принятия решений при автоматизированном фор-
мировании схем лечения на основе подхода машинного обучения с подкрепле-
нием. 
Для достижения поставленной цели предполагается решение следующих 
задач: 
− формализация и постановка задачи автоматизированного формирования 
схем лечения; 
− исследование и обоснование алгоритмического инструментария для ре-
шения задачи формирования схем лечения с использованием модели обучения с 
подкреплением, разработка критериев эффективности ее решения; 
− разработка алгоритмического аппарата, позволяющего обеспечить пред-
варительный отбор значимых признаков и поиск клинических взаимосвязей, вы-
явленных методами обработки естественного языка; 
− разработка алгоритма формирования схем лечения на основе подхода 
обучения с подкреплением с учетом способов мониторинга состояний, сформи-
рованных с помощью методов машинного обучения;
− разработка системы поддержки принятия решений (СППР) для автома-
тизированного динамического формирования и корректировки стратегий лече-
ния на основе методов машинного обучения с подкреплением.