Сценарное моделирование процесса назначения лекарственных препаратов детям: применение методов машинного обучения

Цель: определение наиболее подходящего метода машинного обучения для решения задачи назначения лекарственных препаратов (ЛП) детям в условиях медицинской организации, оценка его производительности и потенциала внедрения в системы сценарного моделирования структуры фармацевтической помощи.Материал и методы. Использованы данные о назначениях ЛП детям из медицинских информационных систем клиник г. Москвы за период с января по декабрь 2023 г. включительно. Данные содержали информацию о пациентах, дате обращения, диагнозах, назначенных ЛП и специальности врача. Проведены предварительная обработка данных, извлечение дополнительных признаков и определение процесса как задачи многометочной классификации. Разработаны и валидированы модели следующих архитектур: полносвязная нейронная сеть (англ. fully connected neural network, FCNN), сверточная нейронная сеть (англ. convolutional neural network, CNN), модель обучения одного классификатора для каждого класса (англ. One-vs-Rest, OvR), градиентный бустинг деревьев решений (англ. eXtreme Gradient Boosting Classifier, XGBC) и случайный лес (англ. RandomForestClassifier, RFC). Оценка моделей проводилась с использованием площади под кривой (англ. area under curve, AUC) рабочей характеристики приемника (англ. receiver operating characteristic, ROC), F1-меры и собственной метрики точности.Результаты. Модель XGBC показала наилучшие результаты по всем задачам и метрикам. После оптимизации модели и набора данных AUC ROC достигла 0,9993, F1-мера - 0,8318, собственная метрика точности - 0,8548. Модель эффективно предсказывает назначение аналогичных по фармакологическому действию ЛП, позволяя оценивать структуру фармацевтической помощи в рамках конкретного сценария. Оптимизация данных и модели повысила точность прогнозов до 85%.Заключение. Модель XGBC является наиболее подходящей для решения задачи сценарного моделирования назначения ЛП. Выявленные проблемы с предсказанием похожих ЛП указывают на необходимость дальнейшего совершенствования модели и данных. Полученные результаты свидетельствуют о потенциале интеграции методов машинного обучения в системы сценарного моделирования фармацевтической помощи.

Objective: determining the most appropriate machine learning method to solve the problem of drug prescribtion for children, evaluating its performance and potential for implementation into scenario modeling systems of the pharmaceutical care structure.Material and methods. The study was based on data on drug prescription for children from medical information systems of Moscow clinics for the period from January to December 2023 including information about patients, the date of treatment, diagnoses, prescribed medications and the doctor's specialty. Preliminary data processing enabled to extract additional features and define the process as a multi-label classification task. The following model architectures were developed and validated: fully connected neural network (FCNN), convolutional neural network (CNN), One-vs-Rest (OvR) classifier, eXtreme gradient boosting classifier  (XGBC), and random forest classifier (RFC). The models were evaluated using area under curve (AUC) of receiver operating characteristic (ROC), F1-measure metrics and Custom Accuracy metrics.Results. The XGBC model showed the best results for all tasks and metrics. After optimizing the model and dataset, the AUC ROC reached 0.9993, the F1-measure was 0.8318, and its own accuracy metric was 0.8548. The model effectively predicted the prescription of drugs with similar pharmacological effects, allowing us to evaluate the structure of pharmaceutical care within a specific scenario. Optimization of the data and model has increased the accuracy of predictions up to 85%.Conclusion. The XGBC model proved ti be the most appropriate for solving the problem of scenario modeling of drug prescribtion. The identified problems with predicting similar drugs validate the demand for further improvement of the model and data. Concurrently, the results obtained attest the potential of integrating machine learning methods into scenario modeling systems for pharmaceutical care.