БАЙЕС ТАЛДАУЫН ҚОЛДАНЫП ДЕРБЕСТЕНДІРІЛГЕН МЕДИЦИНА ӘДІСТЕРІН ЗЕРТТЕУ

Мақала Байес талдауын қолдану арқылы дербестендірілген медицина әдістерін зерттеуге арналған. Қазіргі медицинада әр пациенттің генетикалық, клиникалық және өмір салты ерекшеліктерін ескере отырып тиімді шешім қабылдау маңызды тәсілдердің біріне айналып отыр. Осыған байланысты белгісіздік жағдайында деректерді талдаудың ықтималдық тәсілдері ерекше қолданысқа ие. Жұмыста медициналық деректердің түрлі көздерін біріктіру арқылы аурулардың даму ықтималдығын бағалау және емдеу стратегияларын оңтайландыру мүмкіндіктері қарастырылады. Байес әдісі алдын ала білім мен жаңа клиникалық ақпаратты біріктіреді. Сол арқылы диагноз қою дәлдігін арттыру мен тәуекелдерді бағалауға мүмкіндік береді. Зерттеу барысында ықтималдық модельдерді қолдану арқылы медициналық шешім қабылдау процесін қолдаудың тиімді жолдары талданады. Сонымен қатар дербестендірілген тәсілдің практикалық маңызы айқындалады. Соның ішінде ерте диагностика мен емдеуді жекелендіру мәселелері қарастырылады. Ұсынылған әдіс медициналық деректерді өңдеу сапасын арттыруға мүмкіндік береді. Дербестендірілген медицина ережелерін дамытуға бағытталған.

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.