Работа посвящена использованию интеллектуальной технологии «дерево решений» для построения модели классификации условий регулярности соблюдения лечебных рекомендаций пациентами кардиологического профиля. Машинное обучение значимости признаков древовидной структуры проводилось с использованием статистической выборки, сформированной на основе исследования 69 пациентов, проходивших лечение в кардиологическом отделении и наблюдавшихся в течение 6 месяцев после выписки. Для построения «дерева решений» использованы входные данные: возраст; пол; социальный статус; причины госпитализации; характеристика перечисленных заболеваний, тактики лечения, причин пропуска приема препаратов, степени использования наглядных рекомендаций. В качестве выходных данных использовано регулярное / нерегулярное соблюдение рекомендаций в течение 6 месяцев после выписки. Построено «дерево решений», отражающее условия, которые влияют на приверженность приему препаратов после выписки. Анализ влияния градаций факторов в точках ветвления позволит сформировать условия регулярности соблюдения назначенного медикаментозного лечения в виде их сочетания на каждой ветви дерева решений. Оценивание значимости признаков, связанных с факторами влияния, проводилось по величине индекса Джини. Интеллектуальная технология выделила детерминирующие исход факторы: выдача наглядных рекомендаций, пропуск препаратов по причине забывчивости, самочувствие, социальный статус, изменения терапии, возраст пациентов, стаж АГ.
The paper is concerned with the use of decision trees with a view to designing the model of regular сompliance with recommendations for cardiological patients. Machine learning of feature significance in a tree-like structure was conducted based on the statistical sampling gathered after examining 69 patients that had received treatment in a cardiological department and who had been being observed for 6 months after discharge. To build a decision tree, input data was employed: age, gender, social status, reasons for hospitalization, description of previous illnesses, treatment strategy, reasons for missed doses, adherence to recommendations. As output data, regular / irregular compliance with the recommendations during 6 months after discharge was used. The decision tree that reflects the conditions influencing the compliance with medication intake after discharge has been built. Analysis of factor scaling influence at branching points will provide the means for defining the regularity of compliance with the prescribed medical treatment in the form of their conjunctions at each branch of the decision tree. Significance of the features associated with the factors of influence was evaluated according to Gini index value. This intelligent technology identified the factors that determine the outcome: providing patients with clear recommendations, missed doses due to forgetfulness, patient’s general state, social status, changes in therapy, patients’ age, duration of arterial hypertension.
The authors declare that there are no conflicts of interest present.