Дипломная работа на тему "ТЮМГУ | Разработка приложения для статистической обработки результатов медицинских лабораторных анализов"

Работа на тему: Разработка приложения для статистической обработки результатов медицинских лабораторных анализов
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 программного обеспечения

РЕКОМЕНДОВАНО К ЗАЩИТЕ В ГЭК

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
бакалаврская работа
РАЗРАБОТКА ПРИЛОЖЕНИЯ ДЛЯ СТАТИСТИЧЕСКОЙ ОБРАБОТКИ РЕЗУЛЬТАТОВ МЕДИЦИНСКИХ ЛАБОРАТОРНЫХ АНАЛИЗОВ

02.03.03 Математическое обеспечение и администрирование информационных систем
Профиль «Технологии программирования и анализа больших данных»

Тюмень 2023

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 3
ОБЗОР ЛИТЕРАТУРЫ 5
ГЛАВА 1. ПОДГОТОВИТЕЛЬНЫЙ ЭТАП 8
1.1. ОПИСАНИЕ ИСХОДНЫХ ДАННЫХ 8
1.2. ПРЕДЫДУЩЕЕ РЕШЕНИЕ И АНАЛОГИ 9
1.3. ТРЕБОВАНИЯ К РАЗРАБАТЫВАЕМОМУ ПРИЛОЖЕНИЮ 10
1.4. МАТЕМАТИЧЕСКИЕ МЕТОДЫ СТАТИСТИЧЕСКОГО АНАЛИЗА 13
1.4.1. БАЗОВАЯ СТАТИСТИКА 13
1.4.2. ВЫЯВЛЕНИЕ СКРЫТЫХ ЗАКОНОМЕРНОСТЕЙ 13
1.4.3. ОЦЕНКА СТАТИСТИЧЕСКИХ ГИПОТЕЗ 16
1.5. ГРАФИЧЕСКИЕ СПОСОБЫ ВИЗУАЛИЗАЦИИ В СТАТИСТИЧЕСКОМ АНАЛИЗЕ 18
1.6. ИСПОЛЬЗУЕМЫЕ ТЕХНОЛОГИИ 21
ГЛАВА 2. ПРОЕКТИРОВАНИЕ И РЕАЛИЗАЦИЯ ПРИЛОЖЕНИЯ 23
2.1 БАЗА ДАННЫХ 23
2.2. МОДУЛИ ПРИЛОЖЕНИЯ 26
2.2.1. МОДУЛЬ ПРЕДОБРАБОТКИ И ИМПОРТА 27
2.2.2. МОДУЛЬ ПРОВЕДЕНИЯ ИССЛЕДОВАНИЙ 28
2.2.3. ВЕБ-КЛИЕНТ 31
ГЛАВА 3. РЕЗУЛЬТАТЫ РАЗРАБОТКИ ПРОЕКТА 34
3.1. ОПИСАНИЕ ОСНОВНЫХ ЭЛЕМЕНТОВ ИНТЕРФЕЙСА 34
3.2. ПРИМЕР РАБОТЫ ПРОГРАММЫ 38
ЗАКЛЮЧЕНИЕ 43
СПИСОК ЛИТЕРАТУРЫ 45
ПРИЛОЖЕНИЕ 1. ФРАГМЕНТ КОДА МОДУЛЯ ПРЕДОБРАБОТКИ И ИМПОРТА 47
ПРИЛОЖЕНИЕ 2. КОД СЕРВЕРНОЙ ЧАСТИ КЛАСТЕРИЗАЦИИ K- СРЕДНИХ 49
ПРИЛОЖЕНИЕ 3. КОД СЕРВЕРНОЙ ЧАСТИ ИЕРАРХИЧЕСКОЙ КЛАСТЕРИЗАЦИИ 52
ПРИЛОЖЕНИЕ 4. ПАТЕНТ РАЗРАБОТАННОГО ПРИЛОЖЕНИЯ STATMEDLAB 55

ВВЕДЕНИЕ
В Тюменской области последние несколько лет идет активная цифровизация в сфере здравоохранения, которая позволила накопить большой объем информации о пациентах (пол, возраст, поставленные диагнозы и т.д.) и о результатах их лабораторных анализов. Собранные данные могли бы использоваться медицинскими исследователями, однако это затруднительно для них из-за следующей проблемы: информация о лабораторных анализах не хранится в единой базе данных, соответственно, медицинские исследователи не могут проводить статистический анализ на накопленных данных результатов лабораторных тестов по Тюменской области.
Несмотря на то, что существует единая платформа для хранения медицинской информации, на текущий момент информация о результатах анализов хранится в каждом районе Тюменской области в своей собственной базе данных, структуры и справочники которых не совпадают между собой. В настоящее время не известно о том, чтобы департамент здравоохранения Тюменской области анонсировал проекты по созданию единой базы медицинских данных.
Также можно отметить, что на данный момент не существует специализированного ПО для обработки данных о лабораторных анализах. В статистических исследованиях применяются такие классические пакеты как SPSS, Stata и другие, однако вследствие того, что это инструменты общего назначения, они не имеют функций, специфичных для определенной предметной области или набора данных. Так, в программе SPSS для того, чтобы сделать фильтрацию выборки, необходимо знать синтаксис нескольких встроенных команд [15]. Знание команд и умение их использовать могут требовать от пользователя определенной компьютерной подготовки, и медицинским исследователям было бы удобнее использовать более специализированный инструмент.

Исходя из этого, актуальна разработка программного обеспечения, представляющее собой единую систему агрегации и обработки результатов медицинских лабораторных анализов.
Целью работы является создание специализированного приложения для агрегации и статистической обработки данных о лабораторных анализах и разработка базы данных, в которую могут быть импортированы данные с разным районов Тюменской области.
Для достижения поставленной цели необходимо решить следующие задачи:
1. Изучить существующие разработки по этой теме и возможные аналоги.
2. Изучить применяемые в медицине методы визуализации данных, статистической обработки для выявления скрытых закономерностей и проверки статистических гипотез.
3. Разработать базу данных для хранения информации о результатах лабораторных анализов и пациентах.
4. Разработать модуль предобработки данных и модуль статистического анализа.
5. Протестировать разработанное приложение.

Для успешной подготовки и защиты выпускной квалификационной работы использовались средства и методы физической культуры и спорта с целью поддержания должного уровня физической подготовленности, обеспечивающие высокую умственную и физическую 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 авторами созданы и поддерживались безопасные условия жизнедеятельности, учитывающие возможность возникновении чрезвычайных ситуаций.

СПИСОК ЛИТЕРАТУРЫ
1. Armitage P., Berry G., Matthews J.N. Statistical methods in medical research. John Wiley & Sons, 2008. 816 p.
2. Petrie A., Sabin C. Medical statistics at a glance. John Wiley & Sons, 2019. 208 с.
3. McLachlan G.J. Cluster analysis and related techniques in medical research // Statistical Methods in Medical Research, 1992. pp. 27-48.
4. Maimon O., Rokach L., editors. Data mining and knowledge discovery handbook. 2005. 1306 p.
5. Aggarwal C.C., Reddy C.K. Data Clustering: Algorithms and Applications, 2014. 652 p.
6. Gan G., Ma C., Wu J. Data clustering: theory, algorithms, and applications. Society for Industrial and Applied Mathematics, 2007. 488 p.
7. Zou W., Chen H.C., et al. Meta-analysis of pulsed-field gel electrophoresis fingerprints based on a constructed Salmonella database // PloS one 8.3, 2013. p. e59224.
8. Ortega H., Li H., et al. Cluster analysis and characterization of response to mepolizumab. A step closer to personalized medicine for patients with severe asthma // Annals of the American Thoracic Society 11.7, 2014. pp. 1011-1017.
9. Sharma A., Zheng Y., et al. Cluster analysis of cardiovascular phenotypes in patients with type 2 diabetes and established atherosclerotic cardiovascular disease: a potential approach to precision medicine // Diabetes care 45.1, 2022. pp. 204-212.
10. Брюс П., Брюс, Э., Гедек П. Практическая статистика для специалистов Data Science. Санкт-Петербург, 2021. 352 с.
11. Breunig M.M., Kriegel H.P., Ng R.T., Sander J. LOF: identifying density-based local outliers // In Proceedings of the 2000 ACM SIGMOD international conference on Management of data, 2000. pp. 93-104.
12. Alghushairy O., Alsini R., et al. A review of local outlier factor algorithms for outlier detection in big data streams // Big Data and Cognitive Computing 5.1, 2020. p. 1
13. Наркевич А.Н., Виноградов К.А. Выбор метода для статистического анализа медицинских данных и способа графического представления результатов // Социальные аспекты здоровья населения. 2019. №4 (68). c. 10-19.
14. МКБ 10 – Международная классификация болезней 10-го пересмотра [Электронный ресурс]
15. IBM SPSS Statistics 29 Documentation [Электронный ресурс]