Registration Number
0826U001544, PhD dissertation
Status
Доктор філософії
Date
29-06-2026
popup.evolution
o
Title
Machine learning models and methods in medical diagnostics tasks
Author
Margaryta Prazdnikova,
popup.head Vadym H. Tulchynskyi
popup.opponent Anton О. Popov
popup.opponent Taras V. Panchenko
popup.review Igor B. Galelyuka
popup.review Mykola M. Budnyk
popup.rada
V.M. Glushkov Institute of Cybernetics of the National Academy of Sciences of Ukraine
Description
Дисертаційна робота присвячена розробці моделей і методів машинного навчання для прогнозування ускладнень серцево-судинних та цереброваскулярних захворювань на основі аналізу текстових медичних даних. Основною метою дослідження є підвищення точності середньо- та довгострокового прогнозування ризику розвитку інфаркту міокарда та уражень судин головного мозку шляхом використання неструктурованих текстів лікарських записів у поєднанні з іншими медичними показниками.
Актуальність роботи зумовлена високою поширеністю серцево-судинних захворювань та необхідністю раннього виявлення пацієнтів із підвищеним ризиком ускладнень. У роботі запропоновано підхід до аналізу текстів медичних історій, який дозволяє враховувати приховані клінічні ознаки, що не відображені у структурованих даних. Для класифікації текстів використано наївний байєсівський класифікатор у модифікації, адаптованій до аналізу частот слів.
Наукова новизна роботи полягає у розробці комплексного підходу до обробки медичних текстів, що включає нормалізацію, лематизацію, використання кодів діагнозів та відбір релевантних медичних термінів із застосуванням мовних моделей штучного інтелекту. Запропоновано мультимодальне поєднання текстових даних із результатами електрокардіографічних досліджень та показниками артеріального тиску. Проведено експериментальні дослідження, які показали високу ефективність моделей: точність прогнозування інфаркту міокарда становить близько 93,6%, а цереброваскулярних захворювань – 91,6%.
Практичне значення отриманих результатів полягає у можливості використання розроблених моделей як інструменту підтримки прийняття лікарських рішень. Запропоновано підхід до формування індивідуальної оцінки ризику у вигляді скорингової шкали, що дозволяє здійснювати персоналізовану профілактику та оптимізувати використання ресурсів медичних установ. Розроблене програмне забезпечення пройшло апробацію у медичній установі та продемонструвало клінічно прийнятну ефективність.
Отримані результати можуть бути застосовані для прогнозування інших неінфекційних захворювань, а також у системах підтримки прийняття рішень у галузі охорони здоров’я.
Registration Date
2026-05-12
popup.nrat_date
2026-05-12 / 2026-07-23
