Автоматизация процесса прогнозирования данных

Цель исследования. Непрерывная модернизация, улучшение методик диагностики требует внедрения инновационных программных решений, современного инструментария, медицинского оснащения и усовершенствованных протоколов обследования, направленных на сбор, хранение, обработку и применение показателей состояния организма, и достоверность медицинской информации. Цель исследования состоит в повышении точности прогнозирования путём разработки оптимальных прогнозных моделей, повышающих надёжность выявленных оценок при диагностике остеопороза с использованием экспертной системы.

Методы. Для достижения поставленных целей использовались параметрические статистические методы для подтверждения обоснованности предположения о нормальной форме распределения всех исследуемых выборочных совокупностей. Основываясь на полученных результатах в качестве наилучшего подхода методики изучения взаимосвязей – корреляционный и регрессионный анализы, для разработки прогностических моделей с определением доверительного интервала предсказания и сопоставления диапазона итогового показателя с вероятностью возникновения болезни.

Результаты. В ходе исследования построены прогнозирующие модели для каждой выделенной группы пациентов совместно с пределами доверительных интервалов прогнозируемых величин ключевых показателей. Определены закономерности взаимозависимости конкретных промежутков целевых факторов и степеней вероятности прогрессирования патологий заболевания. Разработана экспертная система, реализующая полную систему информационного сопровождения, предназначенную для идентификации рисков возникновения заболеваний у пациентов, по предоставленным сведениям, о плотности тканей грудной полости.

Заключение. Разработанная информационная система позволяет осуществлять прогнозирование вероятности болезни для пациентов (мужчин и женщин), возрастные показатели которых выходят за пределы указанного диапазона (10-70 лет), однако достоверность подобных прогнозов неоднозначна, поскольку прогностические модели, составляющие основу функционирования системы, разработаны на базе чей возраст ограничен периодом от 10 до примерно 72 лет. 

1. Golinelli D. Adoption of Digital Technologies in Health Care During the COVID-19 Pandemic: Systematic Review of Early Scientific Literatur // J Med Internet Res. 2020. Vol. 22, iss. 11. Р.12020. DOI: 10.2196/22280.

2. Modelling the continental-scale spread of Schmallenberg virus in Europe: approaches and challenges / S. Gubbins, J. Richardson, M. Baylis, A.J. Wilson, J.C. Abrahantes // Prev Vet Med. 2014; 116(4):404-11. https://doi.org/10.1016/j.prevetmed.2014.02.004.

3. Интеллектуальная система оценки качества руды / О.Д. Иващук, Е.В. Нестерова, С.В. Игрунова, О.О. Иващук, В.И.Федоров, А.Ю. Родионов // Искусственный интеллект и принятие решений. 2023. №4. С. 94-102. https://doi.org/10.14357/20718594230409

4. Zwiener I., Blettner M., Hommel G. Survival analysis: part 15 of a series on evaluation of scientific publications // Dtsch Arztebl Int. Germany. Cologne: Deutscher ÄrzteVerlag. 2011; 108(10): 163-9. https://doi.org/10.3238/arztebl.2010.0163.

5. Statistics with Confidence: Confidence Intervals and Statistical Guidelines / D. G. Altman, D. Machin, T. N. Bryant, M.J. Gardner. London: British Medical Journal Publications, 2000. Р. 240. doi: 10.1007/s10654-016-0149-3.

6. Prel J.-B., Hommel G., Röhrig B., Blettner M. onfidence Interval or PValue Part 4 of a Series on Evaluation of Scientific Publications // Deutsches Ärzteblatt International. 2009. Vol. 106, № 19. Р. 335–339. https://doi.org/10.3238/arztebl.2009.0335

7. Гржибовский А.М., Иванов С.В., Горбатова М.А. Однофакторный линейный регрессионный анализ с использованием программного обеспечения Statistica и SPSS // Наука и Здравоохранение. 2017. №2. С. 5-33. https://doi.org/10.34689/SH.2017.19.2.001

8. Bewick V., Cheek L., Ball J. Statistics review 14: Logistic regression // Crit Care. 2005; 9 (1): 112–118. https://doi.org/10.1186/cc3045

9. Анализ данных методов снижения размерности входных данных / С.Д. Ерохин, В.В. Борисенко, Л.Д. Мартишин, А.С. Фадеев // T-Comm: Телекоммуникации и транспорт. 2022. №1. С. 30-37. https://doi.org/10.36724/2072-8735-2022-16-1-30-37

10. Гржибовский А. М., Иванов С. В., Горбатова М. А. Сравнение количественных данных двух независимых выборок с использованием программного обеспечения Statistica и SPSS: параметрические и непараметрические критерии // Наука и Здравоохранение. 2016. №2. С. 5-28. DOI: 10.34689/SH.2016.18.2.001.

11. Базилевский М. П. Многокритериальный подход к построению модели парномножественной линейной регрессии // Известия Саратовского университета. Новая серия. Серия Математика. Механика. Информатика. 2021. №.1. С. 88-99. https://doi.org/10.18500/1816-9791-2021-21-1-88-99

12. Karel G.M. Moons, Douglas G. Altman, Johannes B. Reitsma, et al. Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (TRIPOD): Explanation and Elaboration // Ann Intern Med. 2015;162:W1-W73. . https://doi.org/10.7326/M14-0698.

13. Быкова В. В., Катаева А. В. Методы и средства анализа информативности признаков при обработке медицинских данных // Программные продукты и системы. 2016. №2 (114). С. 172-178. https://doi.org/10.15827/0236-235X.114.172-178

14. Ajana S., Acar N., Bretillon L., et al. Benefits of dimension reduction in penalized regression methods for high-dimensional grouped data: a case study in low sample size // Bioinformatics. London: Oxford Academic. 2019. 35(19):3628–34. https://doi.org/10.1093/bioinformatics/btz135

15. Ялаев Б. И. [и др.] Разработка прогностических клинико-генетических моделей риска развития первичного остеопороза с использованием нейросетевого обучения // Проблемы эндокринологии. 2024. Т.70, №6. https://doi.org/10.14341/probl13421

16. Нейросетевые модули с виртуальными потоками для классификации прогнозирования функционального состояния сложных систем / А.В. Киселев, Т.В. Петрова, С.В. Дегтярев, А.Ф. Рыбочкин, С.А. Филист, О.В. Шаталова, В.Н. Мишустин // Известия Юго-Западного государственного университета. 2018. Т. 22, № 4(79). С. 123-134. https://doi.org/10.21869/2223-1560-2018-22-4-123-134.

17. Липатова А.В., Потапченко Т.Д. Разработка аналитической системы оценки возникновения рисков здоровью населения на базе алгоритмов машинного обучения // Искусственный интеллект и машинное обучение. Cifra. Компьютерные науки и информатика. 2025. № 1 (5), январь. https://doi.org/10.60797/COMP.2025.5.3

18. Forecasting the environmental situation at the purification plants of the enterprise based on fuzzy logic / O. D. Ivashchuk, E. V. Nesterova, S. V. Igrunova, E. V. Kaliuzhnaya, I. V. Udovenko // Journal of Physics: Conference Series, IV International Conference on Applied Physics, Information Technologies and Engineering (APITECH-IV 2022) 2022. Vol. 2388. DOI 10.1088/1742-6596/2388/1/012039.

19. Иващук О.Д. [и др.]. Прогнозирование изменения производительности мельниц обогатительной фабрики при изменении гранулометрического состава питающей руды // Современные наукоемкие технологии. 2023. № 11. С. 33-38. https://doi.org/10.17513/snt.3981. URL: https://top-technologies.ru/ru/article/view?id=39817.7

20. Иващук О. А. [и др.]. Разработка моделей прогнозирования эффективности работы валковой дробилки высокого давления на основе регрессионного анализа //СТИН. 2020. №. 6. С. 37-40.

21. Мунс КГМ [и др.]. Прозрачная отчетность о многофакторной предсказательной модели для индивидуального прогнозирования или диагностики (TRIPOD): пояснение и уточнение // Цифровая диагностика. 2022. 3.3. C. 232-322. https://doi.org/10.15690/vsp.v22i2.2557