Модель классификации группы инвалидности у пациентов при последствиях острогонарушения мозгового кровообращения
Г. Н. Пономаренко, В.В. Михайлишин, Yu. A. Golovina et al. · Fizičeskaâ i reabilitacionnaâ medicina. · 2026
Введение. Острое нарушение мозгового кровообращения остаётся одной из ведущих причин инвалидизации с высокой социально-экономической нагрузкой, что требует эффективных инструментов прогнозирования степени нарушенных функций и группы инвалидности.Цель. Разработать и оценить модель прогнозирования группы инвалидности у пациентов с последствиями острого нарушения мозгового кровообращения при проведении медико-социальной экспертизы.Материалы и методы. В проспективный анализ включены деперсонализированные данные 3130 пациентов 18 лет и старше, освидетельствованных в бюро МСЭ Ленинградской области по поводу последствий ОНМК. Источниками информации служили направления на МСЭ, акты и протоколы освидетельствования. Построены модели машинного обучения, включая метод опорных векторов, стохастический градиентный спуск, дерево решений, случайный лес (Random Forest) и многослойный перцептрон, с использованием признаков, отражающих пол, возраст, выраженность парезов/параличей, атаксии, афазии, недержания мочи и кала, вестибулярные расстройства и ограничения жизнедеятельности. Качество классификации оценивали по Accuracy, Precision, Recall и F1-мере; для интерпретации применяли метод перестановочной важности признаков.Результаты. В результате сравнительного анализа наилучшие показатели продемонстрировали дерево решений и случайный лес: согласованные значения Accuracy, Recall и F1-меры около 0,95-0,96. Наибольший вклад в прогноз группы инвалидности, например, внесли степень парезов/параличей и атаксии; вклад вестибулярных расстройств и недержания кала оказался минимальным.Обсуждение. Полученное распределение групп инвалидности закономерно отражает постинсультный профиль с доминированием двигательных нарушений, что подтверждается максимальным вкладом парезов/параличей и атаксии в классификационные модели. Древовидные алгоритмы показали высокую и согласованную точность, существенно превзойдя линейные методы и многослойный перцептрон, что свидетельствует о нелинейной структуре взаимосвязей признаков.Заключение. Полученная модель случайного леса позволяет с высокой точностью прогнозировать группу инвалидности у пациентов с последствиями ОНМК; следовательно, она может служить основой локального цифрового сервиса системы поддержки принятия решений, повышающего обоснованность и воспроизводимость решений МСЭ и требующего дальнейшей внешней валидации. Introduction. Acute cerebrovascular accident remains one of the leading causes of disability with a high socioeconomic burden, which requires effective tools for predicting the degree of impaired functions and disability groups.Aim. To develop and evaluate a model for predicting the disability group in patients with the consequences of acute cerebrovascular accident during a medical and social examination.Materials and methods. The prospective analysis included depersonalized data from 3,130 patients 18 years of age and older who were examined by the MSE Bureau of the Leningrad Region for the effects of cancer. The sources of information were the directions to the MSE, acts and protocols of the survey. Machine learning models have been built, including the support vector method, stochastic gradient descent, decision tree, Random Forest, and multilayer perceptron, using features reflecting gender, age, severity of paresis/paralysis, ataxia, aphasia, urinary and fecal incontinence, vestibular disorders, and disability. The classification quality was assessed by Accuracy, Precision, Recall, and F1-measure; the method of permutation importance of features was used for interpretation.Results. As a result of the comparative analysis, the best indicators were demonstrated by a decision tree and a random forest: the agreed values of Accuracy, Recall and F1 measures are about 0.95-0.96. The greatest contribution to the prognosis of the disability group, for example, was made by the degree of paresis/paralysis and ataxia; the contribution of vestibular disorders and fecal incontinence was minimal.Discussion. The resulting distribution of disability groups naturally reflects a post-stroke profile with a predominance of motor disorders, which is confirmed by the maximum contribution of paresis/paralysis and ataxia to the classification models. Tree-based algorithms have shown high and consistent accuracy, significantly surpassing linear methods and the multilayer perceptron, which indicates the nonlinear structure of feature relationships.Conclusion. The obtained random forest model makes it possible to predict the disability group in patients with the consequences of stroke with high accuracy; therefore, it can serve as the basis for a local digital decision support system service that increases the validity and reproducibility of MSE decisions and requires further external validation.
Cited by 0 works. doi:10.26211/2658-4522-2026-8-2-46-53 Open-access PDF
Authors
References
- Permutation importance: a corrected feature importance measure
- Stroke: statistics and dynamics of morbidity in Russia.
- Clinical profiles and functional outcomes in elderly stroke survivors undergoing neurorehabilitation: a retrospective cohort study
- СИСТЕМ А ПОДДЕРЖКИ ПРИ НЯТИЯ ЭКС ПЕРТ НЫХ РЕ ШЕНИЙ ПРИ МЕ ДИКО -СОЦИ АЛЬ НОЙ ЭКС ПЕРТИЗЕ ДЕТЕЙ С ДЕТСКИМ ЦЕРЕБР АЛЬ НЫМ ПАРАЛИЧОМ
- ИСХОДНЫЕ ДАННЫЕ ДЛЯ ОБУЧЕНИЯ НЕЙРОМОДЕЛИ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ ОПТИМИЗАЦИИ КЛИНИКО-ЭКСПЕРТНЫХ ТЕХНОЛОГИЙ: ФОРМ ИРОВАНИЕ ВЫБОРКИ
- Predictive Estimations for Patients Who Have Suffered From Acute Cerebrovascular Accident and Have Undergone Rehabilitation
- Creating a clinical decision-making algorithm in order to build a one health knowledge repository to help support and improve the public health surveillance system