Презентация Мельников Н.П

1.

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ
«УФИМСКИЙ УНИВЕРСИТЕТ НАУКИ И ТЕХНОЛОГИЙ»
ИНСТИТУТ ЭЛЕКТРОТЕХНИЧЕСКОГО ИНЖИНИРИНГА
КАФЕДРА БИОМЕДИЦИНСКОЙ ИНЖЕНЕРИИ
ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
ПО ПРОГРАММЕ МАГИСТРАТУРЫ
«СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ (ВРАЧЕБНЫХ) РЕШЕНИЙ
ПРИ ДИАГНОСТИКЕ СЕРДЕЧНО-СОСУДИСТЫХ ЗАБОЛЕВАНИЙ»
Выполнила:
студент 2 курса очной формы обучения
направление подготовки (специальность): 09.04.01 Информатика и вычислительная техника
направленность (профиль): Применение искусственного интеллекта в физиологии и медицине
МЕЛЬНИКОВ НИКИТА ПАВЛОВИЧ
Научный руководитель: доцент кафедры биомедицинской инженерии, к.т.н., доцент
ХАРИСОВА ЗАРИНА ИРЕКОВНА

2.

ОБОСНОВАНИЕ АКТУАЛЬНОСТИ
Значимость темы обусловлена острой социальной потребностью в эффективной диагностике сердечно-сосудистых заболеваний,
а также необходимостью принятия взвешенных врачебных решений в условиях дефицита времени и перегруженности
специалистов большими объемами клинической информации.
Формирование диагноза в кардиологии требует обработки сложных многомерных массивов данных (ЭКГ, анамнез,
лабораторные показатели), где цена врачебной ошибки крайне высока и может представлять прямую угрозу жизни пациента.
Традиционные подходы и существующие информационные системы зачастую оказываются недостаточно полными или
функционально неудобными, что формирует устойчивый спрос на модернизацию инструментов диагностики и разработку
новых интеллектуальных продуктов.
Перспективным направлением является интеграция систем поддержки принятия врачебных решений (СППВР) на базе
технологий искусственного интеллекта и машинного обучения, что позволяет совершить переход от «реактивной» терапии к
персонализированной «превентивной» медицине.

3.

ЦЕЛЬ ИССЛЕДОВАНИЯ
Целью исследования являлась
разработка медицинской
интеллектуальной системы
поддержки принятия врачебных
решений для диагностики
сердечно-сосудистых заболеваний
на основе алгоритмов машинного
обучения.

4.

Задачи исследования:
Анализ предметной области, факторов риска и существующих ИИ-систем диагностики ССЗ;
Формирование и предобработка набора клинических данных (датасет «UCI Heart Disease»);
Обоснование и выбор оптимального алгоритма машинного обучения;
Реализация, обучение и валидация прогностической модели;
Обеспечение интерпретируемости результатов через анализ важности признаков;

5.

Объект исследования. Первичная диагностика сердечнососудистых заболеваний на основе анализа клиникоанамнестических и диагностических показателей
пациента.
Предмет исследования. Методы и алгоритмы
прогнозирования и дифференциальной диагностики
сердечно-сосудистых заболеваний, реализуемые в рамках
систем поддержки принятия врачебных решений на
основе технологий искусственного интеллекта.

6.

Теоретическая значимость исследования состоит в создании
усовершенствованной концепции медицинских информационных систем
диагностики сердечно-сосудистых заболеваний и систематизации подходов
интеграции алгоритмических моделей в клинические протоколы.
Практическая значимость работы заключается в разработке программного
прототипа интеллектуальной системы поддержки принятия врачебных
решений и методологического подхода к его созданию, которые могут служить
основой для интеграции в медицинские информационные системы с целью
минимизации диагностических ошибок, снижения нагрузки на медицинский
персонал и повышения эффективности скрининговых обследований при
первичной диагностике сердечно-сосудистых заболеваний.

7.

«Модульная и
масштабируемая
архитектура
системы».
Модульная архитектура разработанной системы обеспечивает масштабируемость за счёт адаптации к различным
типам клинических данных (включая ЭКГ и лабораторные профили) и возможности подключения альтернативных
моделей машинного обучения без изменения базовой логики. Внедрение в крупные МИС возможно через стандарты
HL7 FHIR и REST API, что позволит автоматизировать скрининг в региональных регистрах, а также адаптировать
систему для облачных платформ и телекардиологических сервисов с удалённым доступом к прогнозам.

8.

ВЫВОДЫ
Таким образом, применение методов машинного обучения к анализу клинических данных создаёт
предпосылки для повышения доступности и точности раннего выявления сердечно-сосудистых
патологий, что позволяет проводить эффективный скрининг в первичном звене здравоохранения без
привлечения узких специалистов на начальных этапах.
Более того, использование интерпретируемых алгоритмов открывает возможность для врачей получать
обоснованные прогнозы с выделением ключевых факторов риска конкретного пациента, что
способствует снижению диагностических ошибок, оптимизации маршрутизации пациентов и более
рациональному распределению ресурсов медицинских учреждений.
Дальнейшее развитие подобных подходов в направлении интеграции разнородных данных (временных
рядов, лабораторных маркеров, результатов инструментальной диагностики) и применения методов
локальной объяснимости может стать основой для перехода к персонализированной превентивной
медицине, масштабирования на региональные и федеральные уровни, а также создания
телемедицинских сервисов для удалённого мониторинга групп риска.

9.

Заключение
В ходе выполнения выпускной квалификационной работы была разработана и программно реализована
система поддержки принятия врачебных решений при диагностике сердечно-сосудистых заболеваний на
основе технологий искусственного интеллекта. Актуальность обусловлена высокой смертностью от ССЗ,
сложностью интерпретации многомерных клинических данных и необходимостью снижения нагрузки на
врачей за счёт автоматизации скрининга и первичной диагностики.
Был проведён анализ предметной области и существующих разработок, исследованы факторы риска и
клинические маркеры, сформирован и предобработан набор данных на основе датасета «UCI Heart
Disease». Сравнительный анализ пяти алгоритмов машинного обучения обосновал выбор градиентного
бустинга CatBoost как архитектуры, обеспечивающей наилучшие метрики при нативной работе с
категориальными медицинскими данными.
Разработанный программный модуль на Python реализует полный конвейер обработки данных, включая
балансировку SMOTE, стратифицированное разделение выборки, расчёт оптимального порога по
индексу Юдена и формирование отчёта с прогнозом. Экспериментальная проверка подтвердила
эффективность модели: Accuracy – 83,6%, ROC-AUC – 0,892, что свидетельствует о высокой способности
системы разделять классы «Здоров» и «Болен».

10.

Заключение
Проведенное исследование позволило сделать вывод, что дальнейшее
развитие связано с переходом от изолированных табличных данных к
мультимодальным моделям, интегрирующим временные ряды ЭКГ, данные
мониторинга, визуализацию и генетические маркеры. Это позволит создавать
цифровые двойники пациентов, учитывающие динамику состояния, и
выявлять субклинические стадии заболеваний.
Таким образом, моделируемые в рамках предлагаемой MDSS-системы на
основе технологий ИИ и цифровых двойников показатели жизнедеятельности
пациентов в режиме реального времени, собранные различными
устройствами, либо сформированные искусственно с использованием
нейросетей, позволят оказать помощи врачам в прогнозировании и
диагностике заболеваний, а также в выдаче рекомендаций по эффективному
лечению пациентов.

11.

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
ПО ПРОГРАММЕ МАГИСТРАТУРЫ
«СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ (ВРАЧЕБНЫХ) РЕШЕНИЙ ПРИ
ДИАГНОСТИКЕ СЕРДЕЧНО-СОСУДИСТЫХ ЗАБОЛЕВАНИЙ»
Спасибо за внимание!
Выполнила:
студентка 2 курса очной формы обучения
направление подготовки (специальность): 09.04.01 Информатика и вычислительная техника
направленность (профиль): Применение искусственного интеллекта в физиологии и медицине
МЕЛЬНИКОВ НИКИТА ПАВЛОВИЧ
Научный руководитель: доцент кафедры биомедицинской инженерии, к.т.н., доцент
ХАРИСОВА ЗАРИНА ИРЕКОВНА