Актуальность темы. Ежегодно от сердечно-сосудистых заболеваний(ССЗ) умирает больше людей, чем от любой другой болезни, что подтверждается информацией, приведенной на сайте Всемирной организации здравоохранения(ВОЗ) [24]. По оценкам ВОЗ, в 2016 году от ССЗ умерло 17,9 миллиона человек, что составило 31% всех случаев смерти в мире. 85% этих смертей произошло в результате сердечного приступа и инсульта [1].
Данная работа основана на информации, полученной от «Всероссийского центра экстренной и радиационной медицины им. А.М.Никифорова» МЧС России (ВЦЭРМ). При поступлении у некоторых пациентов были обнаружены симптомы ССЗ. Впоследствии у них произошло резкое ухудшение состояния здоровья. И у части из них эти осложнения привели к гибели. Требуется заблаговременно определять такие случаи, чтобы у докторов была возможность предотвратить смерти людей. Результаты данной работы позволят врачам понять, каким пациентам стоит уделять больше внимания, а также выделить статистически значимые признаки, которые имеют наибольшее значение при постановке диагноза пациенту.
Целью данного проекта является автоматизация оценки риска смерти пациента с симптомами ССЗ на основе его личных данных и данных медицинских исследований с применением методов машинного обучения.
Для выполнения обозначенной цели были выделены следующие задачи:
1. исследовать существующие методы машинного обучения и их использование в сфере сердечно-сосудистых заболеваний;
2. реализовать несколько моделей предсказания, произвести их сравнительный анализ;
3. разработать критерий с целью использования показателей ЭКГ для обучения моделей;
4. разработать архитектуру прототипа программного модуля для визуализации оценки предсказания моделей и реализовать полученные методы в данном прототипе.
Объектом исследования являются личные данные пациентов и сведения об изменении их сердечного ритма во время наблюдения, полученные от ВЦЭРМ.
Предметом исследования являются алгоритмы и методы предсказания смерти человека на основе этих данных.
Научная новизна. Все результаты, выносимые на защиту, являются новыми. Впервые был получен программный комплекс на Python, позволяющий по вводимым пользователем медицинским показателям пациента, поступившего с симптомами ССЗ, получить вероятностную оценку итога ухудшения его состояния.
Теоретическая и практическая значимость исследования. Реализация приложения на языке Python позволит врачам получить вероятность смерти человека, и, как следствие, уделить внимание пациентам, чья жизнь находится под угрозой. А также обратить внимание на признаки, которые являются наиболее значимыми при постановке диагноза.
Методология работы заключается в разработке архитектуры и реализации программы, описании реализуемых методов и алгоритмов, создании графического интерфейса для получения данных о пациенте, их обработке с последующей интерпретацией и выведением результата.
Методы. Для программной реализации приложения были использованы методы объектно-ориентированного программирования. Программная реализация осуществлялась в среде разработки PyCharm на языке программирования Python с использованием фреймворка PyQT для визуализации.
Структура и объём работы. Текст работы включает в себя введение, четыре главы, заключение и список литературы. Общий объём ВКР — 41 страница.
В главе 1 обосновывается актуальность задачи и приводится описание целей и задач данной работы
В главе 2 приведен обзор существующих решений похожих задач в данной области, а также представлено описание алгоритмов, используемых для поставленной задачи.
В главе 3 представлены результаты работы алгоритмов, которые были реализованы для решения поставленной задачи, а также сравнительный анализ моделей.
Глава 4 посвящена программной реализации моделей предсказания, а также описанию программного комплекса.
Данная выпускная работа бакалавра была посвящена реализации методов машинного обучения для прогнозирования итога ухудшения состояния пациента с симптомами ССЗ, а также созданию приложения для визуализации результата. Что имеет большое значение для работы врачей, так как поможет им предотвратить смерти людей, уделив большее внимание пациентам, которым угрожает опасность. Полученные результаты формируют задел для дальнейшей работы по улучшению точности предсказательных моделей и нахождению новых статистически значимых критериев.
В ходе выполнения данной работы были получены следующие результаты:
1. исследованы существующие методы машинного обучения, проведен анализ релевантных работ с целью выбрать наиболее подходящие в рамках задачи модели;
2. реализовано несколько моделей предсказания, произведен их сравнительный анализ;
3. разработан критерий с целью использования показателей ЭКГ для обучения моделей, улучшающий их точность;
4. разработана архитектура прототипа программного модуля для визуализации оценки предсказания моделей и все полученные методы реализованы в данном прототипе.
