The object of research, development or design (in Russian) : Объектом исследования являются пациенты с трансплантацией почки, а также живые и умершие доноры.

The object of research, development or design (in Kazakh) : Зерттеу объектісі – бүйрек трансплантациясы бар науқастар және тірі және қайтыс болған донорлар

Aim of work (in Russian) : Мы стремимся разработать приложение с искусственным интеллектом для улучшения стратификации риска для реципиентов трансплантата почки от живых доноров путем создания постоянно уточняемых прогнозов раннего нарушения функции аллотрансплантата и выживаемости

Aim of work (in Kazakh) : Біз ерте аллотрансплантаттың сәтсіздігі мен өмір сүруінің үздіксіз жақсартылған болжамдарын генерациялау арқылы тірі донорлық бүйрек трансплантаты реципиенттері үшін тәуекел стратификациясын жақсарту үшін AI қосымшасын әзірлеуді мақсат етеміз.

Методы исследования (на русском) : Разработка модели представляла собой последовательный процесс со следующими шестью этапами: подготовка данных, проектирование признаков, прогнозирование моделей, оценка модели, изменение анализа релевантности признаков и развертывание модели (Рис. 3). Шаг 1 и 2 Прежде всего, мы будем работать над подготовкой данных. На этом этапе наша команда решит три основных задач: Шаг 3 Мы планируем использовать несколько алгоритмов в нашем исследовании, как показано ниже:Регрессионные модели: линейная регрессия, полиномиальная регрессия, регрессия гребня, регрессия Лассо и байесовская линейная регрессия, регрессия Кокса; Модели классификации: SVM, K-ближайших соседей, логистическая регрессия, наивный байесовский метод, дерево решений и случайный лес; Шаг 4 К этому этапу мы разработаем упомянутые выше статистически значимые модели. Также для обеспечения корректности моделей мы докажем взаимосвязь между признаками с помощью алгоритма Aприори (рис. 3). Шаг 5-6 Ранее хорошо известные алгоритмы, такие как Gini, SHAPE и LIME, будут использоваться для подтверждения точности прогнозирования (Рис. 3).

Методы исследования (на казахском) : Модельді әзірлеу келесі алты қадамнан тұратын дәйекті процесс болды: деректерді дайындау, мүмкіндіктерді жобалау, үлгіні болжау, үлгіні бағалау, мүмкіндіктердің маңыздылығын талдауды өзгерту және үлгіні орналастыру (3-сурет). 1 және 2 қадам Ең алдымен, біз деректерді дайындаумен айналысамыз. Бұл кезеңде біздің команда үш негізгі тапсырманы шешеді: 3-қадам Төменде көрсетілгендей зерттеуімізде бірнеше алгоритмдерді қолдануды жоспарлап отырмыз: Регрессия модельдері: сызықтық регрессия, полиномиялық регрессия, жоталық регрессия, лассо регрессия және байездік сызықтық регрессия, кокс регрессиясы; Жіктеу үлгілері: SVM, K-ең жақын көршілер, логистикалық регрессия, аңғалдық, шешім ағашы және кездейсоқ орман; 4-қадам Осы кезеңде біз жоғарыда аталған статистикалық маңызды модельдерді әзірлейтін боламыз. Сондай-ақ, модельдердің дұрыстығын қамтамасыз ету үшін біз Apriori алгоритмі арқылы мүмкіндіктер арасындағы байланысты дәлелдейміз (3-сурет). 5-6 қадам Джини, SHAPE және LIME сияқты бұрын белгілі алгоритмдер болжау дәлдігін тексеру үшін пайдаланылады (3-сурет).

Obtained results and novelty (in Russian) : Выполнен сбор и предобработка данных т.е.: удалены послеоперационные переменные в таблицах; обработаны пропущенные значения; разделены данные; объединены данные; удалены ошибочные записи. Реализованы следующие методы: парные признаки; горячее кодирование; авто кодирование. Созданы модели для стратификации рисков реципиентов и доноров и прогнозирования будущей функции трансплантата с использованием линейной регрессии, кластеризации, классификации и априорных моделей для стратификации рисков реципиентов и доноров и прогнозирования будущей функции трансплантата. Проведена проверка на основе трехкратной перекрестной проверки (более 100 000 пациентов из центров трансплантации США) и развертывание на внешней когорте реального мира (150 пациентов, когорта Японии). Использован AUROC в качестве основного показателя производительности CNN.

Obtained results and novelty (in Kazakh) : Деректерді жинау және алдын ала өңдеу аяқталды, яғни: кестелердегі операциядан кейінгі айнымалылар жойылды; өңделмеген жетіспейтін мәндер; бөлінген деректер; біріктірілген деректер; қате жазбалар жойылды. Келесі әдістер жүзеге асырылады: жұптық мүмкіндіктер; ыстық кодтау; автоматты кодтау. Реципиенттер мен донорлардың тәуекелдерін стратификациялау және трансплантаттың болашақ функциясын болжау үлгілері сызықтық регрессия, кластерлеу, жіктеу және реципиенттер мен донорлардың тәуекелді стратификациясы және болашақ трансплантат функциясын болжаудың априорлық үлгілері арқылы жасалды. 3 еселік кросс-валидацияға (АҚШ трансплантация орталықтарынан 100 000-нан астам пациент) және нақты әлемдегі сыртқы когортаға (150 пациент, Жапония когорты) орналастыру негізінде расталған. Негізгі CNN өнімділік көрсеткіші ретінде AUROC пайдаланылды.

The main constructive and technical economic indicators (in Russian) : На данном этапе работы выполнены опытно конструкторские работы по созданию фенотипных данных. Изучение исходных данных донора и последующих данных и интегративный анализ с данными реципиента позволяет повышению прогностического потенциала трансплантатов-кандидатов до трансплантации.

The main constructive and technical economic indicators (in Kazakh) : Жұмыстың осы кезеңінде фенотиптік мәліметтерді жасау үшін тәжірибелік-конструкторлық жұмыстар жүргізілді. Донордың бастапқы деректерін және кейінгі мәліметтерді зерттеу және реципиенттің деректерімен интегративті талдау трансплантацияға үміткерлердің трансплантация алдындағы болжамдық әлеуетін арттыруға мүмкіндік береді.

Level of implementation (in Russian) : Предварительный результат показал, что точность прогнозирования пересаженных почечных трансплантатов как в краткосрочной, так и в долгосрочной перспективе составляет AUROC 70%, 5 перекрестных проверок. На следующем этапе мы хотим использовать большие когорты данных (различные расы) для повышения точности предсказания до 95-99% соответственно.

Level of implementation (in Kazakh) : Алдын ала нәтиже қысқа мерзімді және ұзақ мерзімді перспективада трансплантацияланған бүйрек трансплантаттарын болжау дәлдігі AUROC 70%, 5 өзара тексеру екенін көрсетті. Келесі қадамда болжау дәлдігін сәйкесінше 95-99%-ға дейін арттыру үшін үлкен деректер когорталарын (әртүрлі нәсілдер) пайдаланғымыз келеді.

Efficiency (in Russian) : Этот метод позволяет сэкономить затраты на лечение в будущем и улучшить программы трансплантации за счет персонализированного прогнозирования соответствия донора и реципиента перед трансплантацией.

Efficiency (in Kazakh) : Бұл әдіс болашақ емдеу шығындарын үнемдейді және трансплантация алдында донор мен реципиент сәйкестігін болжау арқылы трансплантация бағдарламаларын жақсартады.

Field of application (in Russian) : Инновационные исследования в медицине (Трасплантация почки) и общественном здравоохранении

Field of application (in Kazakh) : Медицина (Бүйрек Трасплантациясы) және денсаулық сақтау саласындағы инновациялық зерттеулер