Розробка інтелектуальної платформи аналізу даних для фармацевтичних прогнозів

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2024.313490

Ключові слова:

глибоке навчання, штучні нейронні мережі, фармацевтичний ринок, аналіз даних, прогностичні задачі

Анотація

Вирішується проблема розробки платформи аналізу даних з прогностичними можливостями нейронних мереж. Об'єктом дослідження є інтелектуальні системи прийняття рішень, побудовані на методах глибокого навчання. Запропонована інтелектуальна платформа враховує специфіку роботи з даними динамічного та невизначеного середовища фармацевтичного ринку. Її  основне призначення − обробка різноманітних форматів даних, таких як таймсерії, регресія, класифікаційні набори даних для створення прогнозів за різними індикаторами. В основі архітектури платформи, поряд з технологіями для розробки бекенду та фронтенду (HTML, JS, CSS, C#, .NET), MSSQL Server і TSQL для управління базами даних, лежать AI Microservice (Python, Flask), вони відповідають за сервіси штучного інтелекту, зокрема нейронних мереж.

Для ідентифікації оптимальної моделі, яка здатна ефективно розв'язувати задачі регресії на базі обраних індикаторів, в дослідженні були проаналізовані декілька конфігурацій нейронних мереж на End-to-end machine learning platforms. Відмінні риси архітектури розробленої платформи аналізу даних включають її здатність динамічно перемикатися між різними моделями машинного навчання на основі попередньо визначених індікаторів та крітеріїв, таких як точність прогнозування та вибір моделі.

Покращена інтерпретація прогнозів за рахунок використання Explainable AI надає можливість ефективного прийняття рішень у фармацевтичній галузі. Функціонування запропонованої інструментальної бази прийняття рішень продемонстровано на прикладах здійснення прогнозів тенденцій споживання фармацевтичних препаратів різних груп на фармацевтичних ринках різних країн. Автоматизація процесу вибору моделі та мінімізації втрат прогнозування на комплексної платформі аналізу даних (CDAP) покращує точність прогнозування приблизно на 15% порівняно з традиційними моделями, вибраними вручну

Біографії авторів

Зоя Миколаївна Соколовська, Національний університет «Одеська політехніка»

Доктор економічних наук, професор, завідувач кафедри

Кафедра економічної кібернетики та інформаційних технологій

Ірина Юріївна Івченко, Національний університет «Одеська політехніка»

Кандидат економічних наук, доцент

Кафедра економічної кібернетики та інформаційних технологій

Олег Ігорович Івченко, Національний університет «Одеська політехніка»

Аспірант

Кафедра економічної кібернетики та інформаційних технологій

Посилання

  1. PROXIMA RESEARCH. Available at: https://proximaresearch.com/ua/en/
  2. Rathipriya, R., Abdul Rahman, A. A., Dhamodharavadhani, S., Meero, A., Yoganandan, G. (2022). Demand forecasting model for time-series pharmaceutical data using shallow and deep neural network model. Neural Computing and Applications, 35 (2), 1945–1957. https://doi.org/10.1007/s00521-022-07889-9
  3. Ikegwu, A. C., Nweke, H. F., Anikwe, C. V., Alo, U. R., Okonkwo, O. R. (2022). Big data analytics for data-driven industry: a review of data sources, tools, challenges, solutions, and research directions. Cluster Computing, 25 (5), 3343–3387. https://doi.org/10.1007/s10586-022-03568-5
  4. Taherdoost, H. (2023). Deep Learning and Neural Networks: Decision-Making Implications. Symmetry, 15 (9), 1723. https://doi.org/10.3390/sym15091723
  5. Lundberg, S. M., Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in neural information processing systems. arXiv. https://doi.org/10.48550/arXiv.1705.07874
  6. Jemmali, M., Alharbi, M., Melhim, L. K. B. (2018). Intelligent Decision-Making Algorithm for Supplier Evaluation Based on Multi-criteria Preferences. 2018 1st International Conference on Computer Applications & Information Security (ICCAIS), 184, 1–5. https://doi.org/10.1109/cais.2018.8441992
  7. Sarker, I. H. (2021). Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions. SN Computer Science, 2 (6). https://doi.org/10.1007/s42979-021-00815-1
  8. Sarker, I. H. (2022). AI-Based Modeling: Techniques, Applications and Research Issues Towards Automation, Intelligent and Smart Systems. SN Computer Science, 3 (2). https://doi.org/10.1007/s42979-022-01043-x
  9. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O. et al. (2012). Scikit-learn: machine learning in python. arXiv. https://doi.org/10.48550/arXiv.1201.0490
  10. Sarker, I. H. (2021). Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Computer Science, 2 (3). https://doi.org/10.1007/s42979-021-00592-x
  11. Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A., Duan, Y., Al-Shamma, O. et al. (2021). Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data, 8 (1). https://doi.org/10.1186/s40537-021-00444-8
  12. Janiesch, C., Zschech, P., Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31 (3), 685–695. https://doi.org/10.1007/s12525-021-00475-2
  13. Roberts, D. A., Yaida, S., Hanin, B. (2022). The Principles of Deep Learning Theory. Cambridge University Press. https://doi.org/10.1017/9781009023405
  14. Candan, G., Taşkin, M. F., Yazgan, H. R. (2014). Demand Forecasting in Pharmaceutical Industry Using Artificial Intelligence: Neuro-Fuzzy Approach. Journal of Military and Information Science, 2 (2), 41–49. Available at: https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=443a425bee280e0a0795f0193a5b82e1aa5c04be
  15. Mousa, B. A., Al-Khateeb, B. (2023). Predicting medicine demand using deep learning techniques: A review. Journal of Intelligent Systems, 32 (1). https://doi.org/10.1515/jisys-2022-0297
  16. Kumari, A., Bohra, N. (2021). Prediction of Drug Sales by Using Neural Network Algorithm. Proceedings of the 2nd International Conference on ICT for Digital, Smart, and Sustainable Development, ICIDSSD 2020, 27-28 February 2020, Jamia Hamdard, New Delhi, India. https://doi.org/10.4108/eai.27-2-2020.2303124
  17. Apteka.ua. Available at: https://www.apteka.ua/
  18. E-commerce. Available at: https://e-commerce.com.ua/
  19. FARMAK. Available at: https://farmak.ua/regularna-informacia/
  20. DARNITSA. Available at: https://darnytsia.ua/reports
  21. Machine Learning Playground. Available at: https://ml-playground.com/
  22. An end-to-end platform for machine learning. TensorFlow. Available at: https://www.tensorflow.org/
  23. Karra, J. (2020). Deep learning using Keras.Net with C#. Available at: https://jagathprasad0.medium.com/deep-learning-using-keras-net-with-c-1d1fceac4531
  24. Brownlee, J. (2017). Deep Learning With Python. Available at: https://machinelearningmastery.com/deep-learning-with-python/
  25. Sarker, I. H. (2021). Data Science and Analytics: An Overview from Data-Driven Smart Computing, Decision-Making and Applications Perspective. SN Computer Science, 2 (5). https://doi.org/10.1007/s42979-021-00765-8
  26. Khalil Zadeh, N., Sepehri, M. M., Farvaresh, H. (2014). Intelligent Sales Prediction for Pharmaceutical Distribution Companies: A Data Mining Based Approach. Mathematical Problems in Engineering, 2014, 1–15. https://doi.org/10.1155/2014/420310
  27. Davenport, T. H., Harris, J. G. (2007). The dark side of customer analytics. Harvard Business Review, 85 (5). Available at: https://www.researchgate.net/publication/228386781_The_dark_side_of_customer_analytics
  28. Landset, S., Khoshgoftaar, T. M., Richter, A. N., Hasanin, T. (2015). A survey of open source tools for machine learning with big data in the Hadoop ecosystem. Journal of Big Data, 2 (1). https://doi.org/10.1186/s40537-015-0032-1
  29. Geron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media, 856.
  30. Xin, Y., Kong, L., Liu, Z., Chen, Y., Li, Y., Zhu, H. et al. (2018). Machine Learning and Deep Learning Methods for Cybersecurity. IEEE Access, 6, 35365–35381. https://doi.org/10.1109/access.2018.2836950
  31. Sarker, I. H., Kayes, A. S. M., Badsha, S., Alqahtani, H., Watters, P., Ng, A. (2020). Cybersecurity data science: an overview from machine learning perspective. Journal of Big Data, 7 (1). https://doi.org/10.1186/s40537-020-00318-5
  32. Pharmaceutical market (2024). OECD. https://doi.org/10.1787/data-00545-en
  33. National Health Service of Ukraine. Available at: https://edata.e-health.gov.ua/e-data/open-data
  34. Information on written electronic prescriptions under the drug reimbursement program ("Available drugs"). Available at: https://data.gov.ua/dataset/9980a894-67c5-4da6-a0fc-1bab6c764cbf
  35. Medical procurement of Ukraine. Available at: https://mpu.gov.ua/uk
Розробка інтелектуальної платформи аналізу даних для фармацевтичних прогнозів

##submission.downloads##

Опубліковано

2024-10-23

Як цитувати

Соколовська, З. М., Івченко, І. Ю., & Івченко, О. І. (2024). Розробка інтелектуальної платформи аналізу даних для фармацевтичних прогнозів. Eastern-European Journal of Enterprise Technologies, 5(9 (131), 14–27. https://doi.org/10.15587/1729-4061.2024.313490

Номер

Том 5 № 9 (131) (2024): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2024 Zoia Sokolovska, Iryna Ivchenko, Oleg Ivchenko

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.