ИССЛЕДОВАНИЕ МЕТОДОВ ПЕРСОНАЛИЗИРОВАННОЙ МЕДИЦИНЫ С ПРИМЕНЕНИЕМ БАЙЕСОВСКОГО АНАЛИЗА

Статья посвящена изучению методов персонализированной медицины с использованием байесовского анализа. В современной медицине принятие эффективных решений с учетом генетических, клинических и образа жизни каждого пациента становится одним из важнейших подходов. В связи с этим особое применение имеют вероятностные подходы к анализу данных в условиях неопределенности. В работе рассматриваются возможности оценки вероятности развития заболеваний и оптимизации стратегий лечения путем объединения различных источников медицинских данных. Байесовский метод сочетает в себе предварительные знания и новую клиническую информацию. Тем самым позволяет повысить точность постановки диагноза и оценить риски. В исследовании анализируются эффективные способы поддержки процесса принятия медицинских решений с использованием вероятностных моделей. Также определяется практическая значимость персонифицированного подхода. В том числе рассматриваются вопросы ранней диагностики и персонализации лечения. Предлагаемый метод позволяет повысить качество обработки медицинских данных. Направлен на развитие правил персонализированной медицины.

1. Stefanicka-Wojtas D. Personalised medicine – Implementation to the healthcare system in Europe (focus group discussions) / D. Stefanicka-Wojtas, D. Kurpas // Journal of Personalized Medicine. – 2023. – № 13(3). – Р. 380. https://doi.org/10.3390/jpm13030380.

2. Precision medicine – Are we there yet? A narrative review of precision medicine’s applicability in primary care / W. Evans et al // Journal of Personalized Medicine. – 2024. – № 14(4). – Р. 418. https://doi.org/10.3390/jpm14040418.

3. Akhoon N. Precision medicine: A new paradigm in therapeutics / N. Akhoon // International Journal of Preventive Medicine. – 2021. – № 12(1). – Р. 12. https://doi.org/10.4103/ijpvm.IJPVM_375_19.

4. Precision medicine needs randomized clinical trials / E.D. Saad et al // Nature Reviews Clinical Oncology. – 2017. – № 14. – Р. 317-323. https://doi.org/10.1038/nrclinonc.2017.8.

5. Bayesian networks for the diagnosis and prognosis of diseases: A scoping review / K. Polotskaya et al // Machine Learning and Knowledge Extraction. – 2024. – № 6(2). – Р. 1243-1262. https://doi.org/10.3390/make6020058.

6. A comprehensive scoping review of Bayesian networks in healthcare: Past, present and future / E. Kyrimi et al // Artificial Intelligence in Medicine. – 2021. – № 117. – Р. 102108. https://doi.org/10.1016/j.artmed.2021.10210.

7. Collins F.S. A new initiative on precision medicine / F.S. Collins, H. Varmus // New England Journal of Medicine. – 2015. – № 372. – Р. 793-795. https://doi.org/10.1056/NEJMp1500523.

8. Artificial intelligence, healthcare, clinical genomics, and pharmacogenomics approaches in precision medicine / H. Abdelhalim et al // Frontiers in Genetics. – 2022. – № 13. – Р. 929736. https://doi.org/10.3389/fgene.2022.929736.

9. Bayesian Monte Carlo simulation based on systematic review for personalized risk stratification of contralateral lymph node metastasis in oral squamous cell carcinoma / K.N. Rao et al // Diagnostics. – 2025. – № 15(21). – Р. 2668. https://doi.org/10.3390/diagnostics15212668.

10. Ngartera L. Application of Bayesian neural networks in healthcare: Three case studies / L. Ngartera, M.A. Issaka, S. Nadarajah // Machine Learning and Knowledge Extraction. – 2024. – № 6(4). – Р. 2639-2658. https://doi.org/10.3390/make6040127.

11. Improving individualized treatment decisions: A Bayesian multivariate hierarchical model for developing a treatment benefit index using mixed types of outcomes / D. Wu et al // medRxiv (Preprint). – 2024. https://doi.org/10.1101/2023.11.17.23298711.

12. Vinnat V. Bayesian sequential design for identifying and ranking effective patient subgroups in precision medicine in the case of counting outcome data with inflated zeros / V. Vinnat, D. Annane, S. Chevret // Journal of Personalized Medicine. – 2023. – № 13(11). – Р. 1560. https://doi.org/10.3390/jpm13111560.

13. Advancing personalized medicine through the application of whole exome sequencing and big data analytics / P. Suwinski et al // Frontiers in Genetics. – 2019. – № 10. – Р. 49. https://doi.org/10.3389/fgene.2019.00049.

14. From real-world data to causally interpretable models: A Bayesian network to predict cardiovascular diseases in adolescents and young adults with breast cancer / A. Bernasconi et al // Cancers. – 2024. – № 16(21). – Р. 3643. https://doi.org/10.3390/cancers16213643.

15. AI-driven Bayesian deep learning for lung cancer prediction: Precision decision support in big data health informatics / N. Amasiadi et al // BioMedInformatics. – 2025. – № 5(3). – Р. 39. https://doi.org/10.3390/biomedinformatics5030039.

16. Collet P. Potential impact of updated Bayesian deduction in medicine: Application to colonoscopy prioritization / P. Collet, F. Quezada-Diaz, C. Taramasco // Cancers. – 2025. – № 17(23). – Р. 3845. https://doi.org/10.3390/cancers17233845.

17. Application of Bayesian network and regression method in treatment cost prediction / L.-L. Tong et al // BMC Medical Informatics and Decision Making. – 2021. – № 21. – Р. 284. https://doi.org/10.1186/s12911-021-01647-y.

18. Qiu Y. A randomized Bayesian phase I–II dose optimization design for combination cancer therapies with progression-free survival end point / Y. Qiu, M. Li // BMC Medical Research Methodology. – 2025. – № 25(1). – Р. 214. https://doi.org/10.1186/s12874-025-02665-4.