В статье рассматриваются и анализируется динамика частоты обращаемости по поводу РАС в общей структуре заболеваний слизистой оболочки полости рта (СОПР), а также выявления клинических форм РАС в городе Ташкент.
Приводятся данные о дебюте развития клиники у пациентов с различными клиническими формами, возрастные периоды возникновения, а также гендерные особенности заболевания.
Регистрируется преимущественно фибринозная форма заболевания (афты Микулича ) удельный вес которых в общей структуре заболевания составил 55,2 ± 3,4 %; значительный удельный вес - 29,3 ± 3,1 % занимал тяжелый периаденит (афта Сеттона, рубцующиеся, глубокие афты, деформирующие афты, ползущие афты ); 12,0 ± 2,2 % в общей структуре РАС приходилось на герпетиформные поражения и доля синдрома Бехчета была наименьший -3,3 ± 1,2%.
Проведен анализ длительности течения заболевания, полноты выполнения диагностики, качества лечения и профилактики РАС.
Результаты исследования могут быть использованы в практической работе для прогнозирования риска возникновения и развития заболеваний СОПР у населения, а также для совершенствования лечебно-профилактических мероприятий.
Цель исследования. Провести систематический анализ данных, имеющихся в современной литературе, о возможности использования искусственного интеллекта (ИИ) для построения математических моделей сложных систем, в том числе человеческого организма.
Материал и методы. В обзор включены данные зарубежных и отечественных статей, найденных в Pubmed по данной теме, опубликованных за последние 10 лет.
Результаты. Алгоритмы машинного обучения помогают определять ключевые переменные и взаимосвязи внутри системы, которые людям трудно или невозможно обнаружить. В статье рассматриваются различные типы математических моделей: объяснительные и прогностические, объясняется важность и назначение выбора и стандартизации составляющих модель переменных и знака перед коэффициентами в моделях.
Заключение. Описательные и прогностические модели — это два распространенных типа моделей машинного обучения. Основное различие между ними заключается в цели их использования. Понимание этих различий важно для врачей-исследователей и аналитиков при выборе наиболее подходящего типа модели для своих исследований или для внедрения в процессы принятия решений.