3. СПРАВКА
На рисунке 1 показано, что на США, Китай, Бразилию, Германию, Японию, Мексику, Францию, Великобританию, Канаду, Россию, Италию, Испанию приходится 80% общих расходов на здравоохранение, потраченных на диабет в 2019 году. Эти страны являются странами с высоким уровнем дохода. и имеют более развитую инфраструктуру здравоохранения.
Итак, на рисунке 2 мы можем видеть процент людей с недиагностированным диабетом, поэтому из этого мы можем видеть, что в Африке и Южной Азии высокий процент недиагностированных людей, и эти страны являются странами с низким уровнем дохода. Таким образом, для этих стран нам нужен экономически эффективный и ранний способ диагностики диабета, чтобы люди, страдающие диабетом, могли принять необходимые меры предосторожности.
Таким образом, интеллектуальный анализ данных теперь стал эффективным методом в наш информационный век, чтобы найти способ извлечения информации из огромных и разнообразных данных. Из приведенного рисунка 3 мы можем увидеть количество статей, опубликованных в различных изданиях по диабету, поэтому мы можем увидеть количество исследований, проводимых в этой области. Искусственный интеллект и машинное обучение меняют нашу медицинскую систему и расширяют возможности лечения диабета, что приводит к повышению эффективности и предоставляет нам большие возможности с точки зрения доступной информации в будущем.
Диабетики имеют долгую историю, которая восходит к древности. В древности врачи наблюдали отличительные особенности диабета и предлагали несколько средств лечения. В 1550 г. до н.э. Георг Эберс идентифицировал и открыл полимочевинное состояние. Индуистские медицинские работники Чарак и Сушрут были одними из первых, кто определил сладкий вкус диабетической мочи в 5 веке. Aretaeus использует термин «диабет», экстраполированный от греческого слова «сифон» [5]. Первое упоминание о гипергликемии было частью статьи, написанной в 1776 году Мэтью Добсоном из Ливерпуля, в которой он обнаружил, что сыворотка и моча его диабетического пациента имеют сладкий вкус [6]. Более того, он испарил мочу, и она превратилась в белую лепешку, пахнущую коричневым сахаром [5][7]. И тогда он сделал вывод, что выделяемый почками сахар не вырабатывается внутри органов, а присутствует в сыворотке крови [5]. Квалифицированный хирург Джон Ролло добавил прилагательное «mellitus», означающее мед. В 19 веке он также разработал «животную диету» для лечения диабета. В 1815 году французский химик Мишель Шеврель доказал, что сахаром в моче диабетиков является глюкоза. Между 1846 и 1848 годами Бернар работал над гликогенным действием печени. Причина диабета была неизвестна в начале 19 века. Но в 1889 году, когда Оскар Минковски и Йозеф фон Меринг сообщили, что у собаки был серьезный диабет, вызванный панкреатэктомией [5][7]. Эксперименты, проведенные Минковским и фон Мерингом, показали, что поджелудочная железа является железой внутренней секреции, необходимой для поддержания гомеостаза глюкозы [5][7]. Фредерик Бантинг и Джон Маклауд были удостоены Нобелевской премии по медицине в 1923 году за открытие инсулина. К октябрю 1923 г. инсулин был широко доступен в Северной Америке и Европе[5]. В 1982 году стал доступен рекомбинантный человеческий инсулин. В 1990-е годы становятся популярными устройства для введения инсулина в форме шприц-ручки [7].
Сахарный диабет — это хроническое состояние здоровья и клинический синдром гипергликемии с глюкозурией из-за дефектов секреции инсулина, действия инсулина или того и другого [1–3]. Нарушение метаболизма из-за дефектов секреции инсулина, действия инсулина или как углеводов, липидов, так и белков [1-3]. Неконтролируемый диабет может привести к ступору, язвам стоп из-за повреждения нервов в стопах, снижению кровотока, диабетической коме, диабетической нефропатии, почечной недостаточности, диабетической ретинопатии и смерти от кетоацидоза или некетотического гиперосмолярного синдрома, если его не лечить [1-2][4] . Глобальная оценка людей, страдающих диабетом, увеличивается со 108 миллионов в 1980 году до 151 миллиона в 2000 году и до 422 миллионов в 2014 году [4–5]. Глобальная распространенность диабета увеличилась с 4,7% в 1980 году до 8,5% в 2014 году среди взрослых старше 18 лет. В период с 2000 по 2016 год преждевременная смертность от диабета выросла на 5% [4]. Заболеваемость диабетом росла более быстрыми темпами в странах с низким и средним уровнем дохода, чем в странах с высоким уровнем дохода, т. е. 80% людей с диагнозом в целом проживают в странах с низким и средним уровнем дохода. В 2016 г. было зарегистрировано 1,6 млн смертей, непосредственно вызванных диабетом [4]. IDF прогнозирует, что в 2030 году будет 578 миллионов больных диабетом, а к 2045 году их число возрастет до 700 миллионов [5]. Различные формы диабета были известны на протяжении многих десятилетий, но в 1930-х годах Химсворт предположил, что существует два фенотипа диабета. сахарный диабет, но во 2-м комитете экспертов ВОЗ была предложена классификация: диабет 1-го типа, диабет 2-го типа, гестационный диабет и другие типы диабета [3][9–11]. Диабет 1-го типа (инсулинзависимый сахарный диабет) вызывается клетками — опосредованная аутоиммунная деструкция β — клеток [3]. Во-вторых, есть некоторые гены, которые более восприимчивы к СД1, например, гены лейкоцитарного антигена человека, которые имеют высокий риск развития СД1, а причинами служат факторы окружающей среды, такие как вирусы [12]. СД1 чаще встречается у молодых людей, на долю которых приходится более 85% всех случаев диабета у молодых людей в возрасте до 20 лет во всем мире. Случаи СД1 увеличиваются со средней скоростью от 3 до 4 % в год. Тип 2 (инсулинозависимый сахарный диабет) представляет собой хроническое состояние, на которое приходится примерно 90–95% больных диабетом [14]. Увеличение возраста, т. е. люди с большей вероятностью заболеют СД2 после 40 лет, избыточный вес, поскольку на ожирение приходится 80–85% кумулятивного риска развития СД2 [3], вестернизированный образ жизни, который меняет модели питания, и все более малоподвижный образ жизни. Семейный фон, синдром поликистозных яичников, серьезные психические расстройства, артериальная гипертензия, гиперлипидемия являются факторами риска, связанными с СД2 [3][15]. Гестационный диабет (ГСД) — это гипергликемия, которая впервые выявляется во время беременности. Этническая принадлежность, которая более склонна к ГСД, - это афроамериканцы, азиаты, латиноамериканцы, коренные жители Аляски, жители островов Тихого океана или коренные американцы [18]. 80 М живорожденных страдают СД, из них 84% страдают ГСД [5]. Диагноз предиабетического состояния ставится при уровне глюкозы натощак в пределах 110–126 мг% и HbA1c в пределах 5,7–6,4% [17]. Успешное лечение СД требует сбалансированного подхода к медикаментозному лечению и модификации образа жизни, таким как физические упражнения, снижение веса, отказ от употребления алкоголя и курения [3][17]. Существует общепризнанное обучение по самоконтролю диабета для лечения и лечения диабета [3]. Чтобы контролировать диабет, нам необходимо контролировать питание и модифицировать образ жизни. Во-вторых, мы можем использовать пероральные гипогликемические средства, такие как сульфонилмочевины, меглитиниды, бигуаниды, тиазолидиндионы, ингибиторы α-глюкозидазы, ингибиторы ДПП-4 в ситуациях высокого риска для пациентов с диабетом 2 типа, которые снижают уровень сахара в крови и могут проводить инсулинотерапию. [1] [17].
В настоящее время, с внедрением ИИ и МО, они доказали свою ценность для медицинского здравоохранения, что может предложить значительные изменения от ранней диагностики до лечения во всех областях здравоохранения. Программное обеспечение для мониторинга здоровья и технологии смартфонов создали возможности для медицинских услуг по запросу. Теперь в области медицины осознается ценность инструментов на базе ИИ, и считается, что они революционным образом изменятся на каждом этапе работы и распределения медицинских услуг. Считается, что расходы на здравоохранение в США смогут сократить ежегодные расходы на 150 миллиардов долларов США в 2026 году с помощью технологии ИИ [19]. Благодаря постоянному мониторингу и обучению технологии на основе искусственного интеллекта будут играть важную роль, помогая людям оставаться здоровыми, обеспечивать более раннюю диагностику и так далее. Прогнозируется, что рынок здравоохранения, связанный с ИИ, будет неуклонно расширяться и к 2021 году достигнет 6,6 млрд долларов США, что соответствует совокупному годовому темпу роста в 40 % [19]. Методологии ИИ можно разделить на три группы в зависимости от целей применения, связанного с диабетом: изучение и поиск знаний, обучение использованию информации и извлечение информации из выводов [20].
Изображения диабетической ретинопатии.
[1] Chugh, A.C.A.S.N. (2015). Учебник клинической медицины для студентов-стоматологов (4-е изд.). Публикации Арьи.
[2] «https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4478580/»
В 2010 году [21] представила метод, который сочетает CBR и онтологию для создания персонализированного плана лечения диабета с использованием искусственного интеллекта. Но для повышения производительности требуется богатая база данных CRB. SMARTDIAB использовался в [22] для помощи в отслеживании, ведении и уходе за пациентами с СД1 путем интеграции различных областей технологии баз данных и интеллектуального анализа данных. Они предлагают модель в [23], в которой они используют черный ящик для понятного отражения диагностического решения SVM, и их точность составляет 94%. В 2011 году в статье [25] представлен новый нечеткий экспертный метод для применения поддержки принятия решений по диабету. В статье [26] они представили устройство, которое представляет собой доступный калькулятор болюсов для слабовидящих с голосовым интерфейсом. В 2012 году в статье [28] была предложена система прогнозирования диабета на основе ИНС с использованием набора данных примерно 2000 пациентов в больнице BMC в Таиланде. Это исследование показывает, что потребление, факторы курения являются важными характеристиками. В работе [29] предложена модель, предлагающая лечение диабета на смартфонах, прошедшая клинические испытания и имеющая положительные отзывы людей. Информация, собранная в ходе клинического испытания, была изучена с использованием методов интеллектуального анализа данных и установила приемлемые медицинские связи между нерегулярным уровнем глюкозы в крови и симптомами пациента и его образом жизни. В 2013 году статья [32] направлена на автоматизацию идентификации сахарного диабета с точностью 92,8 процента с использованием проницательного и эффективного подхода с использованием нейронной сети. В 2014 году в статье [34] был предложен метод с точностью 99,82%, основанный на характеристиках текстуры лицевого блока для выявления диабета с использованием фильтра Габора, а затем для классификации использовались KNN и SVM. В 2015 г. в статье [35] был представлен метод, позволяющий эффективно определять правила прогнозирования уровня риска у пациентов с диабетом на основе параметров здоровья с использованием C45 и правил частичного дерева. В 2016 году в статье [37] предлагается реализация программного инструмента, который предсказывает, есть ли у человека диабет или нет, используя ИНС с точностью 81%. В 2017 году в статье [39] использовался набор данных Pima Indian Diabetes Dataset с 10 прогонами 10-кратной перекрестной проверки с точностью 85,5%, на которой реализованы алгоритмы ERCT. В 2018 году в статье [41] было предложено устройство 5G-Smart Diabetes, которое включает в себя инновации для пациентов с диабетом, такие как носимые устройства, машинное обучение и большие данные для обнаружения и анализа. В 2019 году в статье [44] использовался набор данных о диабете индейцев пима и сравнивались случайные леса с другими методами машинного обучения, и было показано, что случайный лес дает лучшую точность. В 2020 году в статье [45] использовался набор данных из Security Force Primary Health Care и была предложена модель с точностью 98% и показано, что классификатор случайного леса лучше по сравнению с SVM. В статье [51], опубликованной в 2020 г., была предложена основанная на переносе обучения архитектура CNN на цветном глазном дне для выявления групп диабетической ретинопатии и получена оценка Cohens Kappa 0,8836. В статье 2020 г. [52] используются фильтр Габора и методы машинного обучения для анализа и обнаружения диабетической ретинопатии и получить точность 70,1516% и средневзвешенное значение ROC 0,862. Решения для диагностики и прогнозирования на основе интеллектуального анализа данных в области гликемической регуляции диабета обсуждались в статье [46] в 2021 году. В 2021 году в статье [47] были рассмотрены такие технологии, как фотоника, машинное обучение и окончательные физиологические особенности. и был разработан диагностический подход для оценки кожных аномалий у людей с диабетом на очень раннем уровне.
[3] Холт, Ричард И. Г. и др. Учебник диабета. Джон Уайли и сыновья, 2017 г.
[4] https://www.who.int/news-room/fact-sheets/detail/diabetes
[5] «https://www.diabetesatlas.org/ru/»
[6] Добсон М . Опыты и наблюдения над мочой при диабете. Med Obs Inq 1776 ; 5: 298–316.
[7] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4707300/
[8] Комитет экспертов Всемирной организации здравоохранения (ВОЗ) по сахарному диабету. Первый отчет: серия технических отчетов 310 . Женева: ВОЗ, 1964.
[9] Комитет экспертов Всемирной организации здравоохранения (ВОЗ) по сахарному диабету. Второй отчет: Серия технических отчетов 646. Женева: ВОЗ, 1980.
[10] Национальная группа данных по диабету. Классификация и диагностика сахарного диабета и других категорий непереносимости глюкозы. диабет 1979; 28: 1039–1057.
[11] «https://www.ncbi.nlm.nih.gov/books/NBK279119/»
[12] «https://www.cdc.gov/diabetes/basics/what-is-type-1-diabetes.html»
[13] https://www.endocrineweb.com/conditions/type-1-diabetes/type-1-diabetes-risk-factors
[14] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2797383/
[15] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3464757/
[17] https://www.ncbi.nlm.nih.gov/books/NBK482386/
[18] https://www.webmd.com/diabetes/gestational-diabetes
[19] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7325854/
[20] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7273319/
[21] Цзянь-сюнь Чен, Ши-Ли Су и Че-Ха Чанг. (2010). Система поддержки принятия решений при диабете. 2010 г. 2-я Международная конференция по промышленным и информационным системам.
[22] Mougiakakou, S.G., Bartsocas, C.S., Bozas, E., Chaniotakis, N., Iliopoulou, D., Kouris, I., … Nikita, K.S. (2010). SMARTDIAB: подход к коммуникационным и информационным технологиям для интеллектуального мониторинга, управления и последующего наблюдения за пациентами с диабетом 1 типа. IEEE Transactions on Information Technology in Biomedicine, 14(3), 622–633. doi:10.1109/titb.2009.2039711
[23] Баракат Н., Брэдли А. П. и Баракат М. Н. Х. (2010). Понятные машины опорных векторов для диагностики сахарного диабета. IEEE Transactions on Information Technology in Biomedicine, 14(4), 1114–1120. doi:10.1109/titb.2009.2039485
[24] Джаялакшми, Т., и Сантхакумаран, А. (2010). Новый метод классификации для диагностики сахарного диабета с использованием искусственных нейронных сетей. Международная конференция по хранению данных и обработке данных, 2010 г.
[25] Чанг-Шинг Ли и Мэй-Хуэй Ван. (2011). Нечеткая экспертная система для приложения поддержки принятия решений по диабету. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 41(1), 139–153.
[26] Радфар, М. Х., Гамильтон, М., и Минг, А. (2011). Устройство, активируемое голосом, для расчета дозы инсулина при диабете с нарушениями зрения. 2011 24-я Канадская конференция по электротехнике и вычислительной технике (CCECE).
[27] Аль Джарулла, А.А. (2011). Открытие дерева принятия решений для диагностики диабета II типа. Международная конференция по инновациям в информационных технологиях, 2011 г. doi:10.1109/innovations.2011.5893838
[28] Луангруангронг, В., Родтук, А., и Чиммани, С. (2012). Изучение факторов риска диабета 2 типа с использованием нейронной сети для тайцев и настройки параметров нейронной сети. 2012 Международная конференция IEEE по системам, человеку и кибернетике (SMC).
[29] Цай, И.-Х., Линь, Ю.-Ф., Ян, Ю.-К., и Ценг, В.С. (2012). Мобильная платформа для персонализированного лечения диабета Telecare. 2012 Конференция по технологиям и приложениям искусственного интеллекта. дои: 10.1109/таай.2012.13
[30] Phyo Phyo San, Sai Ho Ling, & Nguyen, HT (2012). Интеллектуальное обнаружение эпизодов гипогликемии у детей с диабетом 1 типа с использованием адаптивной нейро-нечеткой системы вывода. 2012 Ежегодная международная конференция IEEE Engineering in Medicine and Biology Society. doi: 10.1109/embc.2012.6347440
[31] Далаклейди, К.В., Заркоянни, К., Караманос, В.Г., Танопулу, А.С., и Никита, К.С. (2013). Гибридный генетический алгоритм выбора критических признаков для прогнозирования риска сердечно-сосудистых осложнений у больных сахарным диабетом 2 типа. 13-я Международная конференция IEEE по биоинформатике и биоинженерии.
[32] Кумари, С., и Сингх, А. (2013). Метод интеллектуального анализа данных для диагностики сахарного диабета. 2013 7-я Международная конференция по интеллектуальным системам и управлению (ISCO).
[33] Ли, Л. (2014). Диагностика диабета с использованием подхода к голосованию с поправкой на вес. 2014 Международная конференция IEEE по биоинформатике и биоинженерии. дои: 10.1109 / bibe.2014.27
[34] Тинг С. и Чжан Б. (2014). Выявление сахарного диабета по признакам текстуры лицевых блоков с использованием фильтра Габора. 2014 17-я Международная конференция IEEE по вычислительной науке и технике. doi: 10.1109/cse.2014.35
[35] Пурушоттам, Саксена, К., и Шарма, Р. (2015). Оценка системы прогнозирования сахарного диабета с использованием правил C4.5 и частичного дерева. 2015 г. 4-я Международная конференция по надежности, инфокоммуникационным технологиям и оптимизации (ICRITO) (тенденции и будущие направления).
[36] Хан, Л., Ло, С., Ю, Дж., Пан, Л., и Чен, С. (2015). Извлечение правил из машин опорных векторов с использованием ансамблевого подхода к обучению: приложение для диагностики диабета. Журнал IEEE по биомедицинской и медицинской информатике, 19 (2), 728–734.
[37] Джоши С. и Борс М. (2016). Обнаружение и прогнозирование сахарного диабета с использованием нейронной сети обратного распространения. 2016 Международная конференция по микроэлектронике и телекоммуникационной технике (ICMETE).
[38] Сумангали, К., Гитика, Б. С. Р., и Амбаркар, Х. (2016). Подход на основе классификатора для раннего выявления сахарного диабета. 2016 Международная конференция по управлению, приборостроению, связи и вычислительным технологиям (ICCICCT).
[39] Вигнеш, Н. А., и Амаларетинам, Д. И. Г. (2017). Извлечение правила для диагностики сахарного диабета, используемого для улучшения техники регулярного покрытия. 2017 Всемирный конгресс по вычислительным и коммуникационным технологиям (WCCCT).
[40] Вайшали Р., Сасикала Р., Рамасуббаредди С., Ремия С. и Наллури С. (2017). Выбор признаков на основе генетического алгоритма и алгоритм нечеткой классификации MOE в наборе данных о диабете индейцев пима. 2017 Международная конференция по вычислительным сетям и информатике (ICCNI). дои: 10.1109/iccni.2017.8123815
[41] Чен М., Ян Дж., Чжоу Дж., Хао Ю., Чжан Дж. и Юн С.-Х. (2018). 5G-Smart Diabetes: на пути к персонализированной диагностике диабета с помощью облаков больших данных в сфере здравоохранения. Журнал связи IEEE, 56 (4)
[42] Фатемидохт, Х., и Рафсанджани, М. К. (2018). Разработка гибридной нейро-нечеткой системы в качестве диагностического инструмента для сахарного диабета 2 типа. 2018 6-й Иранский объединенный конгресс по нечетким и интеллектуальным системам (CFIS). doi:10.1109/cfis.2018.8336627
[43] Прабху, П., и Селвабхарати, С. (2019). Модель нейронной сети Deep Belief для прогнозирования сахарного диабета. 2019 3-я Международная конференция по обработке изображений, обработке сигналов и связи (ICISPC). doi:10.1109/icispc.2019.8935838
[44] Бенбелкасем, С., и Атмани, Б. (2019). Случайные леса для диагностики диабета. 2019 Международная конференция по компьютерным и информационным наукам (ICCIS).
[45] А. С. Аланази и М. А. Межер, «Использование алгоритмов машинного обучения для прогнозирования сахарного диабета», Международная конференция по вычислительным и информационным технологиям 2020 г. (ICCIT-1441), Табук, Саудовская Аравия, 2020 г., стр. 1–3, doi: 10.1109/ICCIT-144147971.2020.9213708.
[46] Ф. А. Хан, К. Зеб, М. Альрахами, А. Дерхаб и С. А. К. Бухари, «Обнаружение и прогнозирование диабета с использованием интеллектуального анализа данных: всесторонний обзор», в IEEE Access, doi: 10.1109/ACCESS.2021.3059343.
[47] В. Дремин и др., «Кожные осложнения сахарного диабета, выявленные с помощью поляризованной гиперспектральной визуализации и машинного обучения», в IEEE Transactions on Medical Imaging, doi: 10.1109/TMI.2021.3049591.
[48] Хасан М.К., Алам М.А., Дас Д., Хоссейн Э. и Хасан М. (2020). Прогнозирование диабета с использованием объединения различных классификаторов машинного обучения. Доступ IEEE, 1–1. дои: 10.1109/access.2020.2989857
[49] Н. Х. Таз, А. Ислам и И. Махмуд, «Сравнительный анализ методов машинного обучения на основе ансамбля для выявления диабета», 2-я Международная конференция по робототехнике, электрическим технологиям и методам обработки сигналов (ICREST), 2021 г., ДАККА, Бангладеш, 2021 г. , стр. 1–6, doi: 10.1109/ICREST51555.2021.9331036.
[50] «https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3491270/»
[51] Саманта, А., Саха, А., Сатапати, С. К., Фернандес, С. Л., и Чжан, Ю.-Д. (2020). Автоматическое обнаружение диабетической ретинопатии с использованием сверточных нейронных сетей на небольшом наборе данных. Письма распознавания образов. doi:10.1016/j.patrec.2020.04.026
[52] Виджаян Т., Сангита М., А. Кумаравел, Картик Б., Фильтр Габора и анализ и обнаружение диабетической ретинопатии на основе машинного обучения, Микропроцессоры и микросистемы, 2020, 103353, ISSN 0141–9331, https://doi.org/10.1016 /j.micpro.2020.103353.
Обзор десятилетия: о сахарном диабете
1. ВВЕДЕНИЕ
