Эта статья является препринтом и не была отрецензирована.
О результатах, изложенных в препринтах, не следует сообщать в СМИ как о проверенной информации.
Универсальная Лабораторная Модель: прогнозирование патологий по результатам анализов крови
1. Искусственный интеллект в медицине: обзор текущей ситуации и тенденции / Чихачева Я.Г., Мирук А.К., Ломоносова А.В. и Козлова А.А. // Cifra. Медико-биологические науки. — 2024. — № 2 (2).
2. Revisiting Deep Learning Models for Tabular Data / Gorishniy Yury, Rubachev Ivan, Khrulkov Valentin, and Babenko Artem. — 2023. — 2106.11959.
3. Automated prediction of low ferritin concentrations using a machine learning algorithm / Kurstjens Steef, de Bel Thomas, van der Horst Armando, Kusters Ron, Krabbe Johannes, and van Balveren Jasmijn // Clinical Chemistry and Laboratory Medicine (CCLM). — 2022. — Vol. 60, no. 12. — P. 1921–1928.
4. Арзамасов К. М. Технологии искусственного интеллекта при массовых профилактических и диагностических лучевых исследованиях : дис. докт. наук ; ГБУЗ г. Москвы, “Научно-практический клинический центр диагностики и телемедицинских технологий департамента здравоохранения г. Москвы". — 443079, г. Самара, пр. К. Маркса, 165 Б, 2024.
5. Карпов П. В. Виртуальный скрининг библиотек органических структур на основе одноклассовой классификации : дис. канд. наук ; МГУ. — 119991, Москва, ГСП-1, Ленинские горы, д. 1, стр. 3, Химический факультет, 2011.
6. Karpov Pavel, Petrenkov Ilya, Raiman Ruslan. Universal Laboratory Model: Prognosis of Abnormal Clinical Outcomes based on Routine Tests // 2025 5th International Conference on Electrical, Computer, Communications and Mechatronics Engineering (ICECCME). — 2025. — P. 1–7.
7. https://yandex.cloud/en-ru/services/yandexgpt.
8. Representation Learning of Lab Values via Masked AutoEncoders / Restrepo David, Wu Chenwei, Jia Yueran, Sun Jaden K., Gallifant Jack, Bielick Catherine G., Jia Yugang, and Celi Leo A. — 2025. — 2501.02648.
9. TabTransformer: Tabular Data Modeling Using Contextual Embeddings. — 2020. — 2012.06678.
10. Attention is All you Need / Vaswani Ashish, Shazeer Noam, Parmar Niki, Uszkoreit Jakob, Jones Llion, Gomez Aidan N, Kaiser Lukasz, and Polosukhin Illia // Advances in Neural Information Processing Systems / ed. by Guyon I., Luxburg U. Von, Bengio S. et al. — Curran Associates, Inc. — 2017. — Vol. 30.
11. Set Transformer: A Framework for Attention-based Permutation-Invariant Neural Networks. — 2019. — 1810.00825.
12. Бирюкова Е. В. Роль гликированного гемоглобина в диагностике и улучшении прогноза сахарного диабета. Медицинский Совет. — 2017. — № 3. — С. 48–53.
13. Labrador: Exploring the Limits of Masked Language Modeling for Laboratory Data / Bellamy David R., Kumar Bhawesh, Wang Cindy, and Beam Andrew. — 2024. — 2312.11502.
14. Fan Jerome, Upadhye Suneel, Worster Andrew. Understanding receiver operating characteristic (ROC) curves // Canadian Journal of Emergency Medicine. — 2006. — Vol. 8, no. 1. — P. 19–20.
15. Назаренко Г. И., Кишкун А. А. Клиническая оценка результатов лабораторных исследований. — Москва. "Медицина 2006. — С. 544. — ISBN: 5-225-04579-0.
16. Лабораторная диагностика / под ред. Кондрашева Е.А., Островский А. Ю. — Москва. Медиздат, 2018. — С. 720. — ISBN: 978-5-902943-46-4.
17. Use of Machine Learning and Routine Laboratory Tests for Diabetes Mellitus Screening / Cardozo Glauco, Pintarelli Guilherme Brasil, Andreis Guilherme Rettore, Lopes Annelise Correa Wengerkievicz, and Marques Jefferson Luiz Brum // BioMed Research International. — 2022. — Vol. 2022, no. 1. — P. 8114049.
18. Cichosz Simon Lebech, Bender Clara, Hejlesen Ole. A Comparative Analysis of Machine Learning Models for the Detection of Undiagnosed Diabetes Patients // Diabetology. — 2024. — Vol. 5, no. 1. — P. 1–11.
19. Выявление сахарного диабета при диспансеризации у обследуемых лич с нормальным уровнем глюкозы плазмы натощак с помощью инструментов машинного обучения / Гимадиев Р. Р., Губина Е. В., Кокорин В. А., Долгих Т. И., Щеголев О. Б. и Радченко А. В. // (XXXI) Национальный диабетологический конгресс с международным участием. — 2025. — С. 200.
20. Deep learning for blood glucose level prediction: How well do models generalize across different data sets? Ghimire Sarala, Celik Turgay, Gerdes Martin, and Omlin Christian W. // PLOS ONE. — 2024. — 09. — Vol. 19, no. 9. — P. 1–26.
21. Blood Glucose Diabetic Prediction using Machine Learning Algorithm / Devi A., Sasireka P., Kovardhani K., Premalatha G., Sivasakthi T., and Subash R. // 2024 2nd International Conference on Sustainable Computing and Smart Systems (ICSCSS). — 2024. — P. 1519–1522.
22. Friedewald W. T., Levy Robert I., Fredrickson Donald S. Estimation of the concentration of low-density lipoprotein cholesterol in plasma, without use of the preparative ultracentrifuge. // Clinical chemistry. — 1972. — Vol. 18 6. — P. 499–502.
23. Comparison of a novel method vs the Friedewald equation for estimating low-density lipoprotein cholesterol levels from the standard lipid profile. / Martin Seth Shay, Blaha Michael Joseph, Elshazly Mohamed Badreldin, Toth Peter P., Kwiterovich Peter O. Jr., Blumenthal Roger S., and Jones Steven R // JAMA. — 2013. — Vol. 310 19. — P. 2061–8. — Access mode: https://api.semanticscholar.org/CorpusID:12515149.
24. A New Equation for Calculation of Low-Density Lipoprotein Cholesterol in Patients With Normolipidemia and/or Hypertriglyceridemia / Sampson Maureen, Ling Clarence, Sun Qian, Harb Roa, Ashmaig Mohmed, Warnick Russell, Sethi Amar, Fleming James K., Otvos James D., Meeusen Jeff W., Delaney Sarah R., Jaffe Allan S., Shamburek Robert, Amar Marcelo, and Remaley Alan T. // JAMA Cardiology. — 2020. — May. — Vol. 5, no. 5. — P. 540–548.
25. Садовников П. С., Ольховик А. Ю., Гуревич В. С. Расчетный метод определения уровня холестерина липопротеинов низкой плотности на основании современной парадигмы метаболизма липидов // Атеросклероз и Дислипидемии. — 2022. — Окт. — № 3 (48). — С. 21–28.
26. Öter Ali. Deep learning-based LDL-C level prediction and explainable AI interpretation // Computers in Biology and Medicine. — 2025. — Vol. 188. — P. 109905.
27. Прогнозирование концентрации липопротеинова низкой плотности с помощью инструментов машинного обучения / Гимадиев Р. Р., Варакина-Митрай К. А., Щеголев О. Б., Радченко А. В., Артемьева О. А., Вареха Н. В // Вычислительная биология и искусственный интеллект для персонализированной медицины. — 2024.
28. Ensemble machine learning prediction of hyperuricemia based on a prospective health checkup population / Zhang Yongsheng, Zhang Li, Lv Haoyue, and Zhang Guang // Frontiers in Physiology. — 2024. — Vol. 15.
29. Blood Uric Acid Prediction With Machine Learning: Model Development and Performance Comparison / Sampa Masuda Begum, Hossain Md Nazmul, Hoque Md Rakibul, Islam Rafiqul, Yokota Fumihiko, Nishikitani Mariko, and Ahmed Ashir // JMIR Med Inform. — 2020. — Vol. 8, no. 10. — P. e18331.
30. Pullakhandam Siddartha, McRoy Susan. Classification and Explanation of Iron Deficiency Anemia from Complete Blood Count Data Using Machine Learning // BioMedInformatics. — 2024. — Vol. 4, no. 1. — P. 661–672.
31. Создание и оценка значимости прогностических моделей для определения уровня ферритина сыворотки с помощью машинного обучения в разных клинических группах. / Вареха Н.В., Стуклов Н.И., Гимадиев Р.Р., Гордиенко К.В., Щеголев О.Б., Макарчев А.И. и Гуркина А.А. // Клиническая лабораторная диагностика. — 2025. — Т. 70, № 3. — С. 172–181.
32. Лучинин А. С. Как врач сделал себе ИИ помощника. — Режим доступа: https://habr.com/ru/articles/709050/.
33. Корнеенков А.А., Рязанцев С.В., Вяземская Е.Э. Вычисление и интерпретация показателей информативности диагностических медицинских технологий. // Медицинский Совет. — 2019. — № 20. — С. 45–51.
34. Khurshid Shakir, Loganathan Bharath Kumar, Duvinage Matthieu. Comparative Evaluation of Applicability Domain Definition Methods for Regression Models. — 2024. — 2411.00920.
