Электронный журнал открытого доступа Кардиометрия. Выпуск 16, Мая 2020

тов всех тех, которые удовлетворяют заранее определенному
условию поиска (запросу) или содержат
необходимые данные. В большинстве случаев поиск
информации включает в себя формулировку
запроса, определение источников информации,
извлечение информации из этих источников и,
финальную стадию, ознакомление с полученной
информацией и оценку полученных результатов.
Среди методов проведения поиска можно выделить
адресный, семантический, документальный
и фактографический.
Классической задачей информационного поиска
является поиск документов, удовлетворяющих
запросу, в рамках некоторой статической
коллекции документов. Но список задач постоянно
расширяется и на сегодняшний день включает
вопросы классификации, фильтрация и кластеризации
документов, проектирование архитектур
поисковых систем, извлечение информации, формирование
запросов и др. [25-31]
Для МРС, как и в общем для всех рекомендательных
систем, достижения в области ИП имеют
краеугольное значение. Использование методов
ИП позволяет получать релевантные рекомендации.
Рекомендация объектов основывается
на ПЭКЗ, которые содержат текстовые документы,
например, больничные листы, предписания
врача и прочие. Подобные текстовые документы
выполняют роль, схожую с запросами в ИП. Возможности
ИП в области сопоставления значений
запросов можно применить и к задаче подбора
релевантной рекомендации в МРС.
Существует мнение, что коллаборативная
фильтрация не подходит для МРС из-за необходимости
хранить медицинскую тайну. Можно
оспорить данное утверждение, мотивируя это тем
информацию о пользователях обрабатывает не
человек, а машина. Но объяснить это рядовому
пользователю, беспокоящемуся о безопасности
своих данных, не просто. Тем не менее, в связи с
тем что данные о пользователях обрабатываются
в рамках одной сессии, взломать систему, основанную
на коллаборативной фильтрации, всё же
проще. Поэтому многие исследователи считают
контентную фильтрацию более подходящей для
МРС. Также контентная фильтрация позволяет
частично решить проблему «холодного старта».
Примерами работающих МРС являются ориентированные
на пользователя веб-порталы медицинской
информации, предоставляющие возможность
постановки диагноза по симптомам.
Тем не менее, для непрофессионала, в данных
системах существует риск информационной перегрузки.
Более того, системе тяжело предоставлять
релевантный результат «когда пользователь
не знает точно чего он хочет». При этом, в случае
когда пользователи подобных веб-порталов имеют
аккаунт, в котором отображен ПЭКЗ, МРС выдает
гораздо более точные результаты [25-31].
В своей работе Fernandez-Luque, Karlsen и
Vognild [32] определили возможности МРС как
образовательного ресурса для людей ведущих
здоровый образ жизни. Они предложили использовать
так называемую программу-помощника,
позволяющую проверять на научность медицинский
контент, предоставляемый в различных соцсетях.
Morrell and Kerschberg [33] описали в своей работе
систему, позволяющую добывать в интернете
подходящую для пользователя с конкретным заболеванием
информацию. Система предоставляет
пациенту возможность поиска релевантного контента.
Авторы подчеркивают, что МРС в данном
случае может рассматриваться как «хранилище
медицинской информации». В работе отмечена
также возможность подключения профилей
пользователей в социальных сетях для улучшения
рекомендаций.
Rivero-Rodriguez et al. [34] разработали систему,
обогащающую контент социальных сетей
(YouTube видео и др.) материалами из медицинских
источников, например Medline Plus. Подобный
подход способствовал совершенствованию
таких онтологий как SNOMED-CT. Тем не менее,
авторы признают необходимость применения более
точных мета-данных для улучшения качества
рекомендаций.
Другие системы сосредоточены на профилактике
заболеваний путем рассылки рекомендаций
пользователям на мобильные гаджеты. На практике
это означает, что люди, страдающие, например,
диабетом, или никотиновой зависимость,
получают ежедневные персональные советы по
соблюдению диеты и приему лекарств. Ghorai et
al. [35] представил МРС, помогающий курящим
бросить эту пагубную привычку. В этом случае,
система моделирует рекомендации на основе данных
о поведении пользователя.
106 | Cardiometry | Выпуск 16. Май 2020