Недавно проведенное исследование подтвердило высокую эффективность машинного обучения (machine learning – ML) в диагностике и лечении бронхиальной астмы у детей. Ученые проанализировали медицинские данные, накопленные с начала XXI в. до текущего момента, и оценили преимущества различных методов ML, таких как Байесовы сети, метод случайных лесов и искусственные нейронные сети.
Эти методы использовались для оценки факторов риска, прогнозирования приступов астмы, а также для выбора наиболее эффективного индивидуального плана лечения. Исследование показывает, что применение машинного обучения значительно повышает точность постановки диагноза и снижает частоту госпитализаций и обращений в отделения скорой помощи.
Важнейшие результаты исследования:
· Повышение точности диагностики: использование алгоритмов ML позволяет быстрее и точнее определить начало острого приступа астмы.
· Индивидуальное лечение: новые технологии позволяют подбирать терапию индивидуально, исходя из уникальных характеристик каждого маленького пациента.
· Рациональное распределение ресурсов: модели ML эффективно распределяют медицинские ресурсы, обеспечивая оптимальное обслуживание детей с диагнозом «бронхиальная астма».
Выводы ученых подтверждают перспективность дальнейшего развития и внедрения этих технологий в повседневную педиатрическую практику. Подобные инновации помогут сократить экономические затраты и улучшить качество жизни детей, страдающих от хронических болезней органов дыхания.
Источник: Zhou C, Shuai L, Hu H et al. Applications of machine learning approaches for pediatric asthma exacerbation management: a systematic review. BMC Med Inform Decis Mak 2025; 25: 170. https://doi.org/10.1186/s12911-025-02990-0
