АНАЛИЗ ЭНДОКРИНОЛОГИЧЕСКИХ ДАННЫХ НА ОСНОВЕ МОДЕЛЕЙ КЛАССИФИКАЦИИ

Г. Р. Шахмаметова, А. Д. Христодуло, С. П. Береговая

Аннотация


Приведены результаты исследования данных эндокринологического мониторинга по Республике Башкортостан с помощью различных моделей классификации: моделей на основе логистической регрессии, деревьев решений и случайного леса. В качестве исходных данных использовались данные эндокринологического мониторинга по заболеваемости сахарным диабетом первого типа по Республике Башкортостан. Используемым инструментом является облачный сервис «Microsoft Azure: Machine Learning Studio». Целью исследования является обоснованный, экспериментально подтвержденный выбор модели классификации для анализа и интерпретации данных эндокринологического мониторинга для определения закономерностей по заболеваемости сахарным диабетом I типа. В исследовании проводится классификация набора данных, включающего более 150 тыс. записей, тремя алгоритмами классификации (логистичекой регрессией, деревьями решений и случайным лесом), оценка каждой модели различными метриками, интерпретация полученных результатов и выбор наиболее подходящей модели классификации для указанного набора данных для проведения дальнейших исследований данных эндокринологического мониторинга.

Ключевые слова


АНАЛИЗ ДАННЫХ, МАШИННОЕ ОБУЧЕНИЕ, ЭНДОКРИНОЛОГИЧЕСКИЕ ДАННЫЕ, КЛАССИФИКАЦИЯ, ДЕРЕВЬЯ РЕШЕНИЙ, ЛОГИСТИЧЕСКАЯ РЕГРЕССИЯ, СЛУЧАЙНЫЙ ЛЕС

Полный текст:

PDF

Литература


Бурсов А. И. Применение искусственного интеллекта для анализа медицинских данных // Альманах клинической медицины. 2019. Т. 47, № 7. С. 630–633. [ A. I. Bursov, “Application of artificial intelligence in medical data analysis”, (in Russian), in Al`manah klinicheskoj mediciny, vol 47, no. 7, pp. 630- 633, 2019. ]

Анализ методов машинного обучения для решения задач медицинского профиля. [Электронный ресурс]. URL: http://elibrary.asu.ru/xmlui/bitstream/handle/asu/6414/vkr.pdf?sequence=1&isAllowed=y (дата обращения 24.04.2022). [ Analysis of machine learning methods for solving medical problems (2022, Apr. 24). [Online]. Available: http://elibrary.asu.ru/xmlui/bitstream/handle/asu/6414/vkr.pdf?sequence=1&isAllowed=y ]

Медицинские информационные системы: обзор возможностей и примеры использования. [Электронный ресурс]. URL: https://evergreens.com.ua/ru/articles/medical-information-systems.html (дата обращения 24.04.2022). [ Medical information systems: an overview of opportunities and examples of use (2022, Apr. 24). [Online]. Available: https://evergreens.com.ua/ru/articles/medical-information-systems.html ]

Информационная система распознавания сахарного диабета. [Электронный ресурс]. URL: https://elib.pnzgu.ru/files/eb/doc/AB2wpOCX862A.pdf (дата обращения 24.04.2022). [ Diabetes recognition information system (2022, Apr. 24). [Online]. Available: https://elib.pnzgu.ru/files/eb/doc/AB2wpOCX862A.pdf ]

Сахарный диабет 1 и 2 тип. [Электронный ресурс]. URL: https://www.immun.ru/main/endokrinologiya/diabetes/ (дата обращения 24.04.2022). [ Diabetes mellitus type 1 and 2 (2022, Apr. 24). [Online]. Available: https://www.immun.ru/main/endokrinologiya/diabetes/ ]

Типы диабета. [Электронный ресурс]. URL: https://www.medtronic-diabetes.ru/cto-takoe-diabet/tipy-diabeta (дата обращения 24.04.2022). [ Types of diabetes (2022, Apr. 24). [Online]. Available: https://www.medtronic-diabetes.ru/cto-takoe-diabet/tipy-diabeta ]

Эпидемиологические характеристики сахарного диабета в Российской Федерации: клинико-статистический анализ по данным регистра сахарного диабета на 01.01.2021. [Электронный ресурс]. URL: https://www.diaendojournals.ru/jour/article/view/12759/0 (дата обращения 24.04.2022). [ Epidemiological characteristics of diabetes mellitus in the Russian Federation: clinical and statistical analysis according to the data of the diabetes registry as of 01.01.2021 (2022, Apr. 24). [Online]. Available: https://www.dia-endojournals.ru/jour/article/view/12759/0 ]

Аналитика медицинских данных с использованием Microsoft Cloud для здравоохранения. [Электронный ресурс]. URL: https://docs.microsoft.com/ru-ru/azure/architecture/example-scenario/mch-health/medical-data-insights (дата обращения 24.04.2022). [ Health Analytics with Microsoft Cloud for Health (2022, Apr. 24). [Online]. Available: https://docs.microsoft.com/ru-ru/azure/architecture/example-scenario/mch-health/medical-data-insights ]

Стандарт организации «Информационные системы в здравоохранении. Общие требования». [Электронный ресурс]. URL: http://www.miacso.ru/Documents/images/Site/Standart.pdf (дата обращения 24.04.2022). [ Standard of the organization “Information systems in healthcare. General requirements” (2022, Apr. 24). [Online]. Available: http://www.miacso.ru/Documents/images/Site/Standart.pdf ]

Implement the Azure healthcare blueprint for AI. [Electronic resource]. URL: https://docs.microsoft.com/ru-ru/azure/architecture/industries/healthcare/healthcare-ai-blueprint (accessed 24.04.2022).

Документация по Azure. [Электронный ресурс]. URL: https://learn.microsoft.com/ru-ru/azure/?product=compute (дата обращения 24.04.2022). [ Documentation for Azure (2022, Apr. 24). [Online]. Available: https://learn.microsoft.com/ru-ru/azure/?product=compute ]




DOI: https://doi.org/10.54708/26585014_2022_42930

Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2022 Шахмаметова Г. Р., Христодуло А.Д ., Береговая С. П.