Байєсівські мережі у медицині: прогнозування ризиків захворювань

## Що таке байєсівські мережі та чому вони важливі для медицини Байєсівська мережа (Bayesian Network, BN) — це ймовірнісна графова модель, що представляє причинно-наслідкові зв'язки між змінними у вигляді спрямованого ациклічного графа. Кожен вузол графа — це змінна (наприклад, вік пацієнта, рівень холестерину, наявність діабету), а кожне ребро — умовна залежність між змінними. На відміну від "чорних ящиків" на зразок нейронних мереж, байєсівські мережі прозорі: клінічний експерт може переглянути структуру графа, зрозуміти логіку прогнозу та вказати на помилки. Це критично у медицині, де рішення можуть стосуватися здоров'я і життя пацієнтів. ## Теоретична основа Ключова ідея — теорема Байєса: P(захворювання | симптоми) = P(симптоми | захворювання) * P(захворювання) / P(симптоми). Мережа дозволяє обчислювати подібні умовні ймовірності у складних системах зі сотнями взаємопов'язаних змінних, ефективно обробляючи неповні дані: якщо якийсь показник не виміряний, мережа робить висновок на основі доступних даних. ## Практичне застосування: прогнозування ризику серцево-судинних захворювань Класичний приклад — прогнозування 10-річного ризику серцево-судинної події. Вхідні змінні: вік, стать, рівень загального холестерину та ХС ЛПВЩ, систолічний тиск, наявність цукрового діабету, статус курця. Структура мережі включає прямі причинно-наслідкові зв'язки (куріння підвищує артеріальний тиск) та кореляційні зв'язки (діабет та ожиріння часто співіснують). Реалізація в Python: бібліотека «pgmpy» або «pomegranate» для побудови та навчання структури. Структура може задаватись або вручну клінічним експертом, або вивчатись з даних через алгоритми PC або Hill-Climbing. Навчання умовних таблиць ймовірностей (CPT) виконується методом максимальної правдоподібності або байєсівською оцінкою. Порівняно зі стандартною шкалою Framingham, байєсівська мережа, навчена на локальних українських даних, показала на 12% кращу калібрацію для вітчизняної популяції. Шкали, розроблені на американських або британських когортах, систематично переоцінюють або недооцінюють ризик для українських пацієнтів через відмінності у харчуванні, генетиці та способі життя. ## Специфіка HIPAA та українського законодавства У міжнародному контексті медичні ML-рішення підпадають під HIPAA (США) або GDPR (ЄС). В Україні ключовий регуляторний документ — Закон "Про захист персональних даних" та накази МОЗ щодо медичних інформаційних систем. Ключові вимоги: медичні дані є чутливою категорією персональних даних і потребують окремої згоди пацієнта на обробку; будь-яка система підтримки клінічних рішень повинна проходити реєстрацію як медичний виріб згідно з технічним регламентом; рішення системи є допоміжним, а не замінює клінічне судження лікаря. Практично це означає: модель не "ставить діагноз" — вона надає кількісну оцінку ризику, яка доповнює клінічне рішення. Інтерфейс повинен чітко це комунікувати. ## Переваги над нейронними мережами у клінічному контексті Інтерпретованість: лікар може запитати не лише "який ризик?", а й "які фактори найбільше впливають на ризик для цього пацієнта?" Байєсівська мережа відповідає на це природньо через аналіз умовних ймовірностей. Робота з пропущеними даними: у реальній клінічній практиці частина показників може бути недоступна. BN обробляє неповні дані коректно, без необхідності імпутації. Можливість включення апріорних знань: клінічний консенсус, настанови міжнародних асоціацій можуть бути закодовані у структурі мережі до отримання будь-яких даних. ## Обмеження та виклики Вимоги до даних для навчання структури: 5 000–50 000 пацієнтських записів залежно від кількості змінних. Збір таких обсягів в одній українській клініці складний — необхідна кооперація кількох закладів. Обчислювальна складність: для мереж із сотнями вузлів точний висновок NP-складний. На практиці використовуються апроксимаційні алгоритми (variational inference, MCMC). Ще одне обмеження — BN добре моделюють статичні відносини, але гірше підходять для моделювання динаміки захворювання в часі — для цього ефективніші динамічні байєсівські мережі або LSTM.