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

Методы исследования. Для решения поставленных задач использовались 
методы системного анализа, ансамблевые методы классификации, нейроcетевые 
технологии, методы анализа ассоциативных правил, методы обработки есте-
ственного языка, методы кластерного анализа, методы обучения с подкрепле-
нием.
Основные положения, выносимые на защиту.
1. Формализация задачи автоматизированного формирования схем лече-
ния. 
2. Метод определения наиболее значимых входных признаков модели обу-
чения с подкреплением на основе использования полносвязных и рекуррентных 
нейронных сетей, а также значимых ассоциаций, выявленных методом apriori. 
3. Метод автоматизированного формирования клинических рекомендаций 
для построения модели обучения с подкреплением на основе современных ги-
бридных нейросетевых моделей BiLSTM-CNN. 

---

6 
4. Модифицированный алгоритм обучения с подкреплением на основе ал-
горитма итераций по значениям. 
5. Структура интеллектуальной СППР для формирования оптимальных 
схем лечения. 
Теоретическая значимость диссертационной работы заключается в раз-
работке модифицированного алгоритма обучения с подкреплением, опирающе-
гося на конструирование множества состояний методами кластерного анализа и 
выявление клинических взаимосвязей методами обработки естественного языка. 
Практическая значимость диссертационной работы заключается в разра-
ботке программного комплекса, позволяющего производить автоматизирован-
ное динамическое формирование и корректировку стратегий лечения на основе 
методов машинного обучения с подкреплением. Разработанные алгоритмы про-
шли апробацию на множестве реальных данных электронных медицинских карт, 
полученных из международной базы данных MIMIC-III, а также на основе де-
персонифицированных региональных данных.