DEVELOPMENT OF NEURAL NETWORK MODELS TO INCREASE THE EFFECTIVENESS OF TREATMENT AND PREVENTIVE MEASURES IN COMORBID PATIENTS AFTER COVID-INFECTION

Нейронные сети играют важную роль в исследовании риска развития хронических неинфекционных заболеваний (ХНИЗ). Путем анализа больших объемов медицинских данных о пациентах, нейросети могут выявить скрытые связи и паттерны между различными заболеваниями. Согласно литературным данным, распространенность ХНИЗ составляет до трети населения стран. Нейросетевые модели отличаются от других методов тем, что они уникальным образом задают параметры системы уравнений и настраивают модель под реальные данные, тогда как другие методы делают обратное - подгоняют реальные процессы под математические функции. Применение нейронных сетей в изучении коморбидности ХНИЗ позволяет более точно определить группы пациентов с высоким риском осложнений. Нейронные сети могут использоваться для определения наиболее связанных заболеваний, их взаимоотягощенного действия на пациента. В статье рассматривается создание нейросетей для повышения лечебно-профилактических мероприятий у коморбидных пациентов после перенесенной COVID-инфекции. Указаны входные и выходные данные системы, приведены архитектуры нейронных сетей и их веса, а также подробные результаты моделей. Таким образом, нейронные сети играют важную роль в изучении коморбидности ХНИЗ и могут помочь в прогнозировании риска осложнений Neural networks play an important role in studying the risk of developing chronic non-infectious diseases (CNCDs). By analyzing large volumes of patient medical data, neural networks can reveal hidden connections and patterns between different diseases. According to the literature, the prevalence of CNDs is up to a third of the country's population. Neural network models differ from other methods in that they uniquely set the parameters of a system of equations and adjust the model to real data, while other methods do the opposite - they adjust real processes to mathematical functions. The use of neural networks in the study of the comorbidity of chronic non-diseases makes it possible to more accurately identify groups of patients with a high risk of complications. Neural networks can be used to determine the most related diseases and their mutually aggravating effect on the patient. The article discusses the creation of neural networks to improve treatment and preventive measures in comorbid patients after COVID infection. The input and output data of the system are indicated, the architectures of neural networks and their weights are given, as well as detailed results of the models. Thus, neural networks play an important role in studying the comorbidity of chronic NCDs and can help predict the risk of complications