Дипломная работа на тему "ТЮМГУ | Подсистема оценки риска возникновения негативных сердечно-сосудистых исходов"

Работа на тему: Подсистема оценки риска возникновения негативных сердечно-сосудистых исходов
Оценка: хорошо.
Оригинальность работы на момент публикации 50+% на антиплагиат.ру.
Ниже прилагаю все данные для покупки.
https://studentu24.ru/list/suppliers/Anastasiya1---1326

Описание работы

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное учреждение высшего образования
«ТЮМЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»
ИНСТИТУТ МАТЕМАТИКИ И КОМПЬЮТЕРНЫХ НАУК
Кафедра программной и системной инженерии
Базовая кафедра автоматизации бизнес-процессов на платформе 1С: Предприятие

РЕКОМЕНДОВАНО К ЗАЩИТЕ В ГЭК

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
бакалавра
ПОДСИСТЕМА ОЦЕНКИ РИСКА ВОЗНИКНОВЕНИЯ НЕГАТИВНЫХ СЕРДЕЧНО-СОСУДИСТЫХ ИСХОДОВ

09.03.03 Прикладная информатика
Профиль «Разработка информационных систем бизнеса»

РЕФЕРАТ
Отчет содержит 41 страницу, 2 главы, 18 рисунков, 8 таблиц, 7 источников.
Тема ВКР: «Подсистема оценки риска возникновения негативных сердечно-сосудистых исходов»
Ключевые слова: классификация риска возникновения негативных сердечно-сосудистых исходов, региональная медицинская информационная система Тюменской области, машинное обучение, интеграция веб сервиса, градиентный бустинг.
Объект разработки: оценка риска возникновения негативных сердечно- сосудистых исходов.
Цели работы:
Повышение показателя точности прогнозирования рисков возникновения летальных исходов с помощью модели машинного обучения, по сравнению с текущим методом оценки по шкале GRACE
Исключение затрат рабочего времени сотрудников медицинских организаций на прогнозирование рисков возникновения летальных исходов.
Область применения: стационарные отделения кардиологии областных больниц Тюменской области.
Результат: подсистема оценки риска возникновения негативных сердечно-сосудистых исходов.

ОГЛАВЛЕНИЕ
СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ 4
СПИСОК ТЕРМИНОВ 5
ВВЕДЕНИЕ 6
ГЛАВА 1. ОПИСАНИЕ ПРЕДМЕТНОЙ ОБЛАСТИ 10
1.1. ОПИСАНИЕ МОДЕЛИ ПРОЦЕССА «КАК ЕСТЬ» 10
1.2. ПОСТРОЕНИЕ МОДЕЛИ ПРОЦЕССА «КАК ДОЛЖНО БЫТЬ» 18
ГЛАВА 2. РЕАЛИЗАЦИЯ ПОДСИСТЕМЫ 23
2.1. СБОР ДАННЫХ ДЛЯ ОБУЧЕНИЯ МОДЕЛИ 23
2.2 АНАЛИЗ ВЫГРУЖЕННЫХ ДАННЫХ ДЛЯ ОБУЧЕНИЯ МОДЕЛИ 29
2.3 ПРЕДОБРАБОТКА ДАННЫХ ДЛЯ ОБУЧЕНИЯ МОДЕЛИ 30
2.4. ПРОЕКТИРОВАНИЕ И ОБУЧЕНИЕ МОДЕЛИ 34
2.5. «ДОРАБОТКА КОНФИГУРАЦИИ МЕДИЦИНА.БОЛЬНИЦА» 36
ЗАКЛЮЧЕНИЕ 39
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 40
СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ
ВКР – выпускная квалификационная работа
ИС – информационная система
МИС – медицинская информационная система
РМИС ТО – Региональная медицинская информационная система Тюменской области
МО – медицинская организация
АРМ – автоматизированное рабочее место
МКБ10 – международная классификация болезней Десятого пересмотра
РС – регистр сведений
ТЧ – табличная часть
МД – медицинский документ
«ЦИТ» ТО – Центр информационных технологий Тюменской области
«МИАЦ» ТО – Медицинский информационно-аналитический центр Тюменской области
ЕГИСЗ – Единая государственная информационная система в сфере здравоохранения
РРИС – Региональная радиологическая информационная система ЦКДЛ – Централизованная клинико-диагностическая лаборатория ЛИС – Локальная лабораторная информационная система
ССЗ – сердечно-сосудистое заболевание
ОАК – общий анализ крови
ОАМ – общий анализ мочи

СПИСОК ТЕРМИНОВ
Шкала GRACE – шкала Global Registry of Acute Coronary Events,
позволяет оценить риск летальности и развития инфаркта миокарда как на госпитальном этапе, так и в течение последующего полугодия, а также определить оптимальный способ лечения конкретного больного
AUC – AUC ROC, площадь под кривой ошибок 1С:
Медицина.Больница – Типовая конфигурация «1С: Медицина.Больница» предназначена для для автоматизации деятельности медицинских организаций различных организационно-правовых форм, оказывающих медицинскую помощь как в амбулаторно- поликлинических, так и в стационарных условиях: областных, городских, районных больниц, диспансеров различных специализаций.

ВВЕДЕНИЕ
Региональная медицинская информационная система Тюменской области (далее РМИС ТО) предоставляет возможность управления ресурсами медицинских организаций и автоматизации деятельности сотрудников амбулаторно-поликлинического и стационарного звена. РМИС ТО активно используется в большинстве государственных медицинских учреждений Тюменской области: областных больниц, городских поликлиник, диспансеров множества специализаций. Система активно развивается благодаря взаимодействию сотрудников ресурсного центра «1С-Медицина регион»,
«МИАЦ» ТО, «ЦИТ» ТО и интеграциями с ЕГИСЗ, Порталом государственных услуг Российской Федерации, мобильным приложением «Телемед.72», финансово-хозяйственной деятельностью (ФХД), централизованными системами региона: РРИС, ЦКДЛ, ЛИС и Скорой помощью.
В рамках прохождения индивидуальной проектно-технологической и производственной (преддипломной) в РМИС ТО была определена потребность в разработке новой подсистемы оценки риска возникновения негативных сердечно-сосудистых исходов. Проект по разработке данной подсистемы был определен как тема выпускной квалификационной работы.
Актуальность проекта по разработке заключается в необходимости решения ряда проблем, возникающих при использовании текущих методов оценки риска возникновения негативных сердечно-сосудистых исходов. На данный момент в РМИС ТО врачи стационара и амбулатории используют шкалы оценки состояния здоровья GRACE и SCORE для оценки риска возникновения смертельного сердечно-сосудистого заболевания.
На практике вышеперечисленные шкалы показывают низкую точность прогнозирования риска. Так как шкалы оценки состояния здоровья были созданы в промежутке 1970–2000 годов, и зачастую, не способны отображать реальную картину. В течение более 20 лет выявлено значительно совпадение групп лиц без установленных сердечно-сосудистых рисков и людей, у которых возникают негативные исходы.
Низкая точность предсказания имеет следующий ряд причин:
1. Оценка сердечно-сосудистого риска должна быть адаптирована к локальным условиям и национальным особенностям.
2. 64% моделей и шкал никогда не проходили внешнюю валидацию.
3. Данные, полученные 30–50 лет назад могут не соответствовать современным реалиям
4. Текущие методы оценки рисков имеют погрешности и ограничения по применимости
Также формирование оценки занимает существенную часть времени, выделяемого на работу с пациентами. Сейчас логика работы системы предполагает ручной ввод данных для формирования оценки. На практике для ввода данных пациента врачам приходится просматривать медицинские документы, содержащие показатели здоровья пациента в рамках случая.
Таким образом определен объект проектного исследования – оценка риска возникновения негативных сердечно-сосудистых исходов, а также предмет исследования – процесс формирования оценки риска возникновения негативных сердечно-сосудистых исходов.
В течение проектного исследования были определены следующие цели выпускной квалификационной работы:
Повышение показателя точности прогнозирования рисков возникновения летальных исходов с помощью модели машинного обучения, по сравнению с текущим методом оценки по шкале GRACE в МИС. Показатель AUC должен составлять не менее 0.7
Исключение затрат рабочего времени сотрудников медицинских организаций (далее МО) на прогнозирование рисков возникновения летальных исходов. Оптимизация показателя обеспечивается с помощью автоматизации процесса формирования оценки
Для достижения поставленных целей также были определены следующие задачи:
1. Проведение проектного исследования. Определение потребностей пользователей медицинских организаций, концепции системы. Исследование статьей, консультация с заинтересованными лицами. Определение аналогов. Поиск продуктов по прогнозированию рисков ССЗ
2. Выявление требований к подсистеме. Опрос пользователей системы. Описание процессов прогнозирования (Как есть, как должно быть)
3. Проектирование модели машинного обучения. Определение задач, типов машинного обучения. Описание входных данных, признаков, алгоритмов
4. Сбор и предобработка деперсонализированных данных по диагнозам, показателям здоровья у пациентов, наличию документа прошедших лечение в условиях стационара с 2018 по 2022 год. Определение факта летального исхода - наличие медицинского документа «Свидетельство о смерти» в медицинской карте по выбранным пациентам в течение 6 месяцев после выписки
5. Формирование оценки по шкале GRACE. Сопоставление оценки с фактом летального исхода
6. Построение модели машинного обучения
7. Обучение модели машинного обучения. Загрузка собранных данных по диагнозам, показателям здоровья и фактам летального исхода
8. Разработка веб сервиса для интеграции с РМИС ТО
9. Модификация системных объектов РМИС ТО
Также на этапе проектного исследования была определена теоретическая база исследования. Существует достаточное количество статей и обзоров на тему использования методов машинного обучения в оценке сердечно- сосудистого риска. Именно поэтому были определены четкие перспективы развития данного направления.
За основу были выбраны следующие работы: Совершенствование возможностей оценки сердечно-сосудистого риска при помощи методов
машинного обучения [5], Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний [3], Швец, Поветкин. Сравнительный обзор использования методов машинного обучения для прогнозирования сердечно-сосудистого риска [6]. Подробнее данные работы описаны в библиографическом списке.
Таким образом, предполагается, что использование методов машинного обучения может повысить точность оценки риска возникновения негативных сердечно-сосудистых исходов. Также установлено, что автоматизация процесса оценки поможет исключить трудозатраты врачей на прогнозирование рисков летального исхода.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. neerc.ifmo.ru, XGBoost [Электронный ресурс].
2. Гаврилов Д.В., Гусев А.В., Никулина А.В., Кузнецова Т.Ю., Драпкина О.М. Правильность оценки сердечно-сосудистого риска в повседневной клинической практике.
3. Гаврилов Д.В., Гусев А.В., Корасков И.Н., Серова Л.М., Новицкий Р.Э., Кузнецова Т.Ю. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний.
4. Гельцер Б.И., Циванюк М.М., Шахгельдян К. И., Рублев В. Ю. Методы машинного обучения в оценке предтестовой вероятности обструктивных и необструктивных поражений коронарного русла.
5. Гусев А.В., Гаврилов Д.В., Новицкий Р.Э., Кузнецова Т.Ю., Бойцов С.А. Совершенствование возможностей оценки сердечно- сосудистого риска при помощи методов машинного обучения.
6. Швец Д.А., Поветкин С.В. Сравнительный обзор использования методов машинного обучения для прогнозирования сердечно- сосудистого риска.
7. Сахибгареева М.В., Заозерский А.Ю. Выбор и обоснование применения метода МО для прогнозирования нозологических диагнозов