Процесс старения является сложным многофакторным явлением, на который оказывает влияние как внешние факторы – климатические, экономические и политические условия, так и индивидуальные особенности организма. В связи с этим моделирование данного процесса является нетривиальной задачей, требующего разностороннего подхода для ее решения. Анализ литературы показывает, что при моделировании темпов старения используются как концептуальные [1-4] модели, дающие представления как в принципе оценивать процесс старения, так и более конкретизированные расчетные модели [5-9], дающие возможность прогнозирования темпов старения. При построении расчетных моделей возникает противоречие между полнотой модели и возможностью ее использования для прогнозирования. Так модели, хорошо показывающие все взаимосвязи в процессе старения [7], построенные как правило, на графах, сложны в применении их к численной оценке темпа старения, хотя некоторые из них дают возможность построения индивидуальных траекторий старения [8-9]. В то же время, модели, имеющие сильный численный аппарат оценки темпа старения [5-6], как правило, заострены для решения узкой задачи и не охватывают всей сложности процесса старения. В такой ситуации использование методов машинного обучения в расчетных моделях оценки темпов старения является очень перспективным направлением [10-15], поскольку его применение позволяет учесть все многообразие факторов процесса старения, не вникая в сущность самого процесса. В данной работе методами машинного обучения проведен анализ корреляции функциональных показателей пациентов с их календарным возрастом и построению моделей прогнозирования биологического возраста пациентов. Анализ данных проводился с помощью авторских разработок на языке Python в среде Anaconda. Для анализа использовались функциональные показатели (10 штук) 1185 пациентов из базы данных клинического областного психико-неврологического госпиталя ветеранов войн в количестве. Анализ данных показал наличие статически значимой корреляции используемых показателей с календарным возрастом пациентов. В работе построены 5 моделей регрессии с помощью различных инструментов библиотеки sklern языка Python (пакетный градиентный спуск, стохастический градиентный спуск, гребневая регрессия, гребневая регрессия с Байесовским отбором, метод опорных векторов), а также использовались композиции алгоритмов из решающих деревьев (случайный лес и бустинг). Для улучшения качества модели применялись отбор признаков (add-dell) и поиск и удаление выбросов методом опорных векторов, изолирующего леса и методом ближайших соседей. Все полученные модели адекватны (проверка критерием Фишера), но наибольшую точность (R2 = 0,75) показала модель композиции случайного леса на полном наборе признаков после удаления аномалий методом опорных векторов. Результаты моделирования по линейным моделям показали, что наибольшие веса в модели имеют 3 функциональных показателя – аккомодация, жизненная емкость легких и острота слуха.
The aging process is a complex multifactorial phenomenon, which is influenced by both external factors – climatic, economic and political conditions, and individual characteristics of the body. In this regard, modeling this process is a non-trivial task that requires a versatile approach to solve it. An analysis of the literature shows that when modeling the rate of aging, both conceptual [1-4] models are used, which give an idea of how to assess the aging process in principle, and more specific computational models [5-9], which make it possible to predict the rate of aging. When constructing computational models, there is a contradiction between the completeness of the model and the possibility of using it for forecasting. Thus, models that show all the relationships in the aging process well [7], which are usually constructed on graphs, are difficult to apply to the numerical estimation of the aging rate, although some of them make it possible to construct individual aging trajectories [8-9]. At the same time, models that have a strong numerical apparatus for estimating the rate of aging [5-6], as a rule, are sharpened to solve a narrow problem and do not cover the entire complexity of the aging process. In such a situation, the use of machine learning methods in computational models for estimating the rate of aging is a very promising direction [10-15], since its application allows us to take into account all the variety of factors of the aging process, without delving into the essence of the process itself. In this paper, machine learning methods are used to analyze the correlation of functional indicators of patients with their calendar age and to build models for predicting the biological age of patients. The data analysis was carried out with the help of the author's developments in the Python language in the Anaconda environment. For the analysis, we used functional indicators (10 pieces) of 1185 patients from the database of the clinical regional psycho-neurological hospital of war veterans in the number. The analysis of the data showed the presence of a statically significant correlation of the indicators used with the calendar age of the patients. In this paper, 5 regression models were constructed using various tools of the Python sklern library (batch gradient descent, stochastic gradient descent, ridge regression, ridge regression with Bayesian selection, the support vector machine method), and algorithm compositions from decision trees (random forest and boosting) were used. To improve the quality of the model, we used feature selection (add-dell) and outlier search and removal using the reference vector method, the isolating forest method, and the nearest neighbor method. All the models obtained are adequate (verification by the Fisher criterion), but the most accurate (R2 = 0.75) was shown by the model of the composition of a random forest on the full set of features after the removal of anomalies by the support vector machine. The results of modeling using linear models showed that the highest weights in the model have 3 functional indicators – accommodation, vital capacity of the lungs and hearing acuity.
The authors declare that there are no conflicts of interest present.