Есть как достоинства, так и недостатки.
Аспирант Омского государственного технического университета Андрей Березин разработал программный комплекс на базе технологий машинного обучения, предназначенный для классификации фенотипов заболеваний желудочно‑кишечного тракта. Проект ориентирован на проверку потенциала искусственного интеллекта при работе с реальными клиническими данными.
В основу исследования легла выборка из 281 профиля пациента, охватывающая 112 показателей — от характеристик болевых симптомов и лабораторных данных до сведений о пищевых привычках, уровне стресса и показателях качества жизни. Перед нейросетями стояла задача не только дифференцировать здоровых и больных пациентов, но и распределить последних по пяти фенотипам заболеваний ЖКТ.
По итогам работы выявлены значимые закономерности: наибольшую информативность для алгоритмов продемонстрировали данные о характере болевых ощущений и параметрах качества жизни, тогда как сведения о пищевых привычках оказались менее значимыми. Существенное влияние на эффективность моделей оказала качественная предобработка данных — удаление аномалий и «шума», а также корректная работа с относительно небольшими выборками. В среднем система демонстрирует точность на уровне 80%: корректно определяет фенотип заболевания у четырёх из пяти пациентов. При этом анализ результатов выявил неоднородность качества классификации — модель уверенно распознаёт одни группы пациентов и испытывает сложности с другими.
Отмечается, что разработанная платформа не позиционируется как медицинское изделие и не предназначена для замены врача‑гастроэнтеролога. Её функционал ориентирован на загрузку массивов данных, гибкую настройку параметров обучения моделей и сравнительный анализ метрик качества.
