Комп'ютерна система класифікації станів медико-біологічних систем за допомогою методу випадкових лісів

Abstract

Об’єкт дослідження – процес прогнозування стадії захворювання на цукровий діабет за допомогою аналізу клінічних показників крові. Предмет дослідження – методи та моделі машинного навчання, орієнтовані на підвищення точності визначення стадії цукрового діабету. Мета дослідження – підвищення ефективності прогнозування стадії захворювання на цукровий діабет шляхом розроблення та реалізації моделі, що базується на методі випадкових лісів і дозволяє інтерпретувати отримані результати для медичних спеціалістів. Методи дослідження – структурний і системний аналіз для формалізації предметної області; методи машинного навчання для побудови моделей класифікації; методи математичної статистики для оцінки точності; пояснювальні моделі (SHAP) для аналізу важливості ознак. Наукова новизна роботи полягає у створенні пояснювальної моделі прогнозування стадії цукрового діабету на основі методу випадкових лісів, яка дає змогу не лише підвищити точність класифікації, а й визначити найбільш інформативні клінічні показники, що впливають на прогноз. Практичне значення роботи полягає у розробленні програмного застосунку для автоматизованого прогнозування стадії цукрового діабету за біохімічними параметрами крові, що може бути використаний у медичних інформаційних системах для підтримки прийняття діагностичних рішень.

Object of the research – the process of predicting the stage of diabetes mellitus through the analysis of clinical blood indicators. Subject of the research – machine learning methods and models aimed at improving the accuracy of diabetes stage determination, particularly using the random forest algorithm and SHAP explainability techniques. Aim of the research – to increase the efficiency of predicting the stage of diabetes mellitus by developing and implementing a model based on the random forest method that allows the interpretation of the obtained results for medical specialists. Research methods – structural and system analysis for the formalization of the problem domain; machine learning methods for building classification models; mathematical statistics methods for accuracy evaluation; and explainable models (SHAP) for feature importance analysis. Scientific novelty of the work lies in the development of an explainable model for predicting the stage of diabetes mellitus based on the random forest method, which not only improves classification accuracy but also identifies the most informative clinical indicators influencing the prediction. Practical significance of the work consists in the development of a software application for automated prediction of the diabetes stage based on biochemical blood parameters, which can be integrated into medical information systems to support diagnostic decision-making.