Магистерская диссертация на тему "ТЮМГУ | Разработка подсистемы прогнозирования ухудшения состояния здоровья пациентов с сердечно-сосудистыми заболеваниями"

Работа на тему: Разработка подсистемы прогнозирования ухудшения состояния здоровья пациентов с сердечно-сосудистыми заболеваниями
Оценка: отлично.
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

РЕКОМЕНДОВАНО К ЗАЩИТЕ В ГЭК
Заведующий кафедрой д.т.н., профессор

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
магистра
РАЗРАБОТКА ПОДСИСТЕМЫ ПРОГНОЗИРОВАНИЯ УХУДШЕНИЯ СОСТОЯНИЯ ЗДОРОВЬЯ ПАЦИЕНТОВ С СЕРДЕЧНО-СОСУДИСТЫМИ ЗАБОЛЕВАНИЯМИ

09.04.03 Прикладная информатика
Магистерская программа «Информационные системы анализа данных»

Тюмень, 2023

ОГЛАВЛЕНИЕ
ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ 4
ВВЕДЕНИЕ 5
1. ОПИСАНИЕ ПРЕДМЕТНОЙ ОБЛАСТИ 7
1.1 Проблематика 9
1.2 Цели 9
1.3 Задачи 10
2. РАЗРАБОТКА МОДЕЛИ ПРОГНОЗИРОВАНИЯ 11
2.1 Формирование набора данных 12
2.1.1 Описание объектов набора данных 12
2.1.2 Описание признаков 13
2.1.3 Реализация экспорта набора данных 18
2.1.4 Выгрузка 23
2.2 Сравнительный анализ алгоритмов машинного обучения 26
2.2.1 Логистическая регрессия 26
2.2.2 К-ближайшие соседи. 27
2.2.3 Случайный лес 28
2.2.4 Одноклассовая классификация SVM 28
2.2.5 Градиентный бустинг 29
2.2.6 Вывод 30
2.3 Реализация предварительной обработки данных 30
2.3.1 Используемые технические средства и программы 30
2.3.2 Процесс предобработки данных 31
2.4 Реализация модели градиентного бустинга 37
2.4.1 Используемые технические средства и программы 37
2.4.2 Подбор гиперпараметров модели 38
2.4.3 Оценки качества обученной модели прогнозирования 38
2.5 Вывод 41
3. РЕАЛИЗАЦИЯ ВЕБ-СЕРВИСА 43
3.1 Используемые технические средства и программы 43
3.2 Разработка 43
3.3 Вывод 47
4 РАЗРАБОТКА ПОДСИСТЕМЫ МИС «1С:Медицина.Регион» 48
4.1 Проектирование 48
4.2 Реализация 54
4.3 Вывод 69
5 Заключение 70
Список литературы 71
ПРИЛОЖЕНИЕ 1 73

ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ
МО – медицинская организация МУ – медицинское учреждение
ССЗ – сердечно-сосудистые заболевания
МИС – медицинская информационная система ИБС – ишемическая болезнь сердца
ХСН – хроническая сердечная недостаточность ОКБ – острый коронарный синдром

ВВЕДЕНИЕ
Информационные процессы присутствуют во всех областях медицины и здравоохранения. Современные информационные технологии все больше используются в медицинских организациях (МО). В некоторых медицинских исследованиях невозможно обойтись без компьютера и специального медицинского оборудования. Благодаря этому, практически в каждой МО для автоматизации ее деятельности используется медицинская информационная система (МИС).
Сейчас на рынке представлено больше сотни различных систем для медицинских учреждений (МУ). На первой странице поискового запроса отображаются: Medesk, Mework, Interin Medods, «1С:Медицина.Больница». Выбор МИС зависит о типа МО, количества сотрудников, состава отделений организации, особенностей бизнес-процессов и др.
На текущий момент, практически во всех государственных МУ Тюмени и Тюменской области активно используются и продвигаются МИС
«1С:Медицина.Регион».
В настоящее время большую популярность приобрели технологии искусственного интеллекта, включающие алгоритмы машинного обучения, искусственные нейронные сети и глубокое обучение.
Отдельного внимания заслуживает медицина и применение технологий машинного обучения в данной сфере. Трудно не согласиться, что социальное и экономическое благополучие общества в значительной степени зависит от уровня развития системы здравоохранения в целом, и качества медицинского обслуживания населения, в частности. На текущий момент, существует множество решений в медицине, использующих анализ данных и машинное обучение, применяющихся для решения задач прогнозирования и классификации. Посредством общения с пользователями системы – врачебным персоналом – открываются новые области и идеи для применения интеллектуального анализа данных. Информационные системы, основанные
на машинных алгоритмах, позволяют более точно диагностировать заболевания, выбрать оптимальную стратегию лечения, просчитать риски, варианты развития болезни или ее возможный исход. [1]
Для успешной подготовки и защиты выпускной квалификационной работы обучающимся использовались средства и методы физической культуры и спорта с целью поддержания должного уровня физической подготовленности, обеспечивающую высокую умственную и физической работоспособность. В режим рабочего дня включались различные формы организации занятий физической культурой (физкультпаузы, физкультминутки, занятия избранным видом спорта) с целью профилактики утомления, появления хронических заболеваний и нормализации деятельности различных систем организма.
В рамках подготовки к защите выпускной квалификационной работы автором созданы и поддерживались безопасные условия жизнедеятельности, учитывающие возможность возникновении чрезвычайных ситуаций.

СПИСОК ЛИТЕРАТУРЫ
[1] Д. Т. М. Ш. Н. С. А.Ф. Файзрахманов, «МАШИННОЕ ОБУЧЕНИЕ В МЕДИЦИНЕ: ЭВОЛЮЦИЯ И ПЕРСПЕКТИВЫ,» ЮЖНО-СИБИРСКИЙ НАУЧНЫЙ ВЕСТНИК, p. 7, 2011.
[2] Ю. В. Нагибина и Л. А. Захарова, «Медико-социальные особенности больных ишемической болезнью сердца и качество жизни,» 2017. [В Интернете].
[3] Л. Г. Гелис, «Острый коронарный синдром,» [В Интернете].
[4] «Региональная программа "Борьба с сердечно-сосудистыми заболеваниями",» 26 Май 2022. [В Интернете].
[5] Ю. Х. Е., «Система компоновки данных,» [В Интернете]. A
[6] А. Викулина, «Регламентные и фоновые задания 1С 8.3,» 26 Март 2019. [В Интернете].
[7] «Задачи Data Mining. Классификация и кластеризация,» [В Интернете].
[8] «Логистическая регрессия,» [В Интернете].
[9] «Классификация данных методом k-ближайших соседей,» [В Интернете].
[10] «Машинное обучение для начинающих: алгоритм случайного леса,» [В Интернете].
[11] «Метод опорных векторов (SVM),» [В Интернете].
[12] «Поиск аномалий,» 19 04 2017. [В Интернете]. Available
[13] «Решаем задачи машинного обучения с помощью алгоритма градиентного бустинга,» [В Интернете]. Available
[14] «Матрица ошибок (Confusion Matrix),» [В Интернете]. Available
[15] Е. Хрусталева, «Расширения 1С,» [В Интернете]. Available: