Розробка системи діагностики цукрового діабету з використанням bigdata

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2022.266185

Ключові слова:

цукровий діабет, Big Data, Hadoop, MongoDB, інформаційна система, Python, information system, пацієнт, лікування, платформа

Анотація

Цукровий діабет належить до соціально значущих захворювань, що призводить до високих витрат на діагностику та лікування цукрового діабету. Діагностика та лікування цукрового діабету в даний час є одним із важливих завдань медицини на сучасному етапі розвитку медичної служби. Важливим напрямом розвитку медичного обслуговування населення є розробка та впровадження різноманітних проблемно-орієнтованих інформаційних систем. Подібні системи, розроблені раніше, не охоплювали весь обсяг різнорідної інформації, яка збирається при діагностиці та призначенні курсу лікування цукрового діабету, а також не використовували технології та хмарні сервіси як інструменти для роботи з великими даними. У цій статті ми використовуємо прогностичну аналітику для прогнозування та класифікації типу діабету, який пропонує ефективний метод лікування та лікування пацієнтів за зниженою ціною з покращеними результатами, такими як доступність та доступність.

Розроблено та налаштовано платформу інформаційної системи для управління кластером Hadoop, а також нереляційною базою даних, яка використовує та обробляє неструктуровані дані у різних форматах. Всі експериментальні дослідження, розробка методів та алгоритмів, а також вирішення обчислювальних завдань було реалізовано з використанням мов програмування для розробки додатків. Новизна полягає у дослідженні моделей розподілених обчислень, що забезпечують ефективне виконання розроблених алгоритмів з використанням концептуальної моделі процесів пошуку, вилучення та аналізу неструктурованих даних у великих наборах даних. Практична реалізація алгоритмів здійснювалася на основі методів об'єктно-орієнтованого програмування та об'єктно-орієнтованих баз даних

Біографії авторів

Assel Mukasheva, Almaty University of Power Engineering and Telecommunications

PhD, Associate Professor

Department of Information systems and Cybersecurity

Sabina Rakhmetulayeva, Международный университет информационных технологий

PhD, Associate Professor

Department of Information Systems

Gulnar Astaubayeva, Narxoz University

PhD, Associate professor

Scientific and Educational Department of Digital Technology and Data Analysis

Sergiy Gnatyuk, Yessenov University

Doctor of Technical Science, Professor

Department of Computer Science

Посилання

  1. Beam, A. L., Kohane, I. S. (2016). Translating Artificial Intelligence Into Clinical Care. JAMA, 316 (22), 2368–2369. doi: https://doi.org/10.1001/jama.2016.17217
  2. Eghbali-Zarch, M., Tavakkoli-Moghaddam, R., Esfahanian, F., Sepehri, M. M., Azaron, A. (2018). Pharmacological therapy selection of type 2 diabetes based on the SWARA and modified MULTIMOORA methods under a fuzzy environment. Artificial Intelligence in Medicine, 87, 20–33. doi: https://doi.org/10.1016/j.artmed.2018.03.003
  3. Contreras, I., Vehi, J. (2018). Artificial Intelligence for Diabetes Management and Decision Support: Literature Review. Journal of Medical Internet Research, 20 (5), e10775. doi: https://doi.org/10.2196/10775
  4. Fico, G., Arredondo, M. T., Protopappas, V., Georgia, E., Fotiadis, D. (2014). Mining Data When Technology Is Applied to Support Patients and Professional on the Control of Chronic Diseases: The Experience of the METABO Platform for Diabetes Management. Data Mining in Clinical Medicine, 1246, 191–216. doi: https://doi.org/10.1007/978-1-4939-1985-7_13
  5. Galetsi, P., Katsaliaki, K. (2019). A review of the literature on big data analytics in healthcare. Journal of the Operational Research Society, 71 (10), 1511–1529. doi: https://doi.org/10.1080/01605682.2019.1630328
  6. Dash, S., Shakyawar, S. K., Sharma, M., Kaushik, S. (2019). Big data in healthcare: management, analysis and future prospects. Journal of Big Data, 6 (1). doi: https://doi.org/10.1186/s40537-019-0217-0
  7. Dautov, R., Distefano, S., Buyya, R. (2019). Hierarchical data fusion for Smart Healthcare. Journal of Big Data, 6 (1). doi: https://doi.org/10.1186/s40537-019-0183-6
  8. Mazumdar, S., Seybold, D., Kritikos, K., Verginadis, Y. (2019). A survey on data storage and placement methodologies for Cloud-Big Data ecosystem. Journal of Big Data, 6 (1). doi: https://doi.org/10.1186/s40537-019-0178-3
  9. Cao, C., Liu, F., Tan, H., Song, D., Shu, W., Li, W. et al. (2018). Deep Learning and Its Applications in Biomedicine. Genomics, Proteomics & Bioinformatics, 16 (1), 17–32. doi: https://doi.org/10.1016/j.gpb.2017.07.003
  10. Miotto, R., Wang, F., Wang, S., Jiang, X., Dudley, J. T. (2017). Deep learning for healthcare: review, opportunities and challenges. Briefings in Bioinformatics, 19 (6), 1236–1246. doi: https://doi.org/10.1093/bib/bbx044
  11. Jiang, F., Jiang, Y., Zhi, H., Dong, Y., Li, H., Ma, S. et al. (2017). Artificial intelligence in healthcare: past, present and future. Stroke and Vascular Neurology, 2 (4), 230–243. doi: https://doi.org/10.1136/svn-2017-000101
  12. Bote-Curiel, L., Muñoz-Romero, S., Gerrero-Curieses, A., Rojo-Álvarez, J. L. (2019). Deep Learning and Big Data in Healthcare: A Double Review for Critical Beginners. Applied Sciences, 9 (11), 2331. doi: https://doi.org/10.3390/app9112331
  13. Sabitha, M. S., Vijayalakshmi, S., Sre, R. R. (2015). Big Data-literature survey. International Journal for Research in Applied Science and Engineering Technology, 3, 318–320.
  14. Cichosz, S. L., Johansen, M. D., Hejlesen, O. (2015). Toward Big Data Analytics: Review of Predictive Models in Management of Diabetes and Its Complications. Journal of Diabetes Science and Technology, 10 (1), 27–34. doi: https://doi.org/10.1177/1932296815611680
  15. Sneha, N., Gangil, T. (2019). Analysis of diabetes mellitus for early prediction using optimal features selection. Journal of Big Data, 6 (1). doi: https://doi.org/10.1186/s40537-019-0175-6
  16. Tang, V., Choy, K. L., Ho, G. T. S., Lam, H. Y., Tsang, Y. P. (2019). An IoMT-based geriatric care management system for achieving smart health in nursing homes. Industrial Management & Data Systems, 119 (8), 1819–1840. doi: https://doi.org/10.1108/imds-01-2019-0024
  17. Zhang, R., Simon, G., Yu, F. (2017). Advancing Alzheimer’s research: A review of big data promises. International Journal of Medical Informatics, 106, 48–56. doi: https://doi.org/10.1016/j.ijmedinf.2017.07.002
  18. Khanra, S., Dhir, A., Islam, A. K. M. N., Mäntymäki, M. (2020). Big data analytics in healthcare: a systematic literature review. Enterprise Information Systems, 14 (7), 878–912. doi: https://doi.org/10.1080/17517575.2020.1812005
  19. Kamble, S. S., Gunasekaran, A., Goswami, M., Manda, J. (2018). A systematic perspective on the applications of big data analytics in healthcare management. International Journal of Healthcare Management, 12 (3), 226–240. doi: https://doi.org/10.1080/20479700.2018.1531606
  20. Soleimani-Roozbahani, F., Rajabzadeh Ghatari, A., Radfar, R. (2019). Knowledge discovery from a more than a decade studies on healthcare Big Data systems: a scientometrics study. Journal of Big Data, 6 (1). doi: https://doi.org/10.1186/s40537-018-0167-y
  21. Shahbaz, M., Gao, C., Zhai, L., Shahzad, F., Hu, Y. (2019). Investigating the adoption of big data analytics in healthcare: the moderating role of resistance to change. Journal of Big Data, 6 (1). doi: https://doi.org/10.1186/s40537-019-0170-y
  22. Hariri, R. H., Fredericks, E. M., Bowers, K. M. (2019). Uncertainty in big data analytics: survey, opportunities, and challenges. Journal of Big Data, 6 (1). doi: https://doi.org/10.1186/s40537-019-0206-3
  23. Abouelmehdi, K., Beni-Hessane, A., Khaloufi, H. (2018). Big healthcare data: preserving security and privacy. Journal of Big Data, 5 (1). doi: https://doi.org/10.1186/s40537-017-0110-7
  24. Fatt, Q. K., Ramadas, A. (2018). The Usefulness and Challenges of Big Data in Healthcare. Journal of Healthcare Communications, 3 (2). doi: https://doi.org/10.4172/2472-1654.100131
  25. Kruse, C. S., Goswamy, R., Raval, Y., Marawi, S. (2016). Challenges and Opportunities of Big Data in Health Care: A Systematic Review. JMIR Medical Informatics, 4 (4), e38. doi: https://doi.org/10.2196/medinform.5359
  26. 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). doi: https://doi.org/10.1186/s40537-015-0032-1
  27. El aboudi, N., Benhlima, L. (2018). Big Data Management for Healthcare Systems: Architecture, Requirements, and Implementation. Advances in Bioinformatics, 2018, 1–10. doi: https://doi.org/10.1155/2018/4059018
  28. Gajanand, S., Ashutosh, K., Himanshu, S., Ashok, K. S., Priyanka, Dogiwal, S. R. (2020). Diabetes Data Prediction in healthcare Using Hadoop over Big Data. European Journal of Molecular & Clinical Medicine, 7 (4), 1423–1432.
  29. Ellaway, R. H., Pusic, M. V., Galbraith, R. M., Cameron, T. (2014). Developing the role of big data and analytics in health professional education. Medical Teacher, 36 (3), 216–222. doi: https://doi.org/10.3109/0142159x.2014.874553
  30. Bellazzi, R., Dagliati, A., Sacchi, L., Segagni, D. (2015). Big Data Technologies: New Opportunities for Diabetes Management. Journal of Diabetes Science and Technology, 9 (5), 1119–1125. doi: https://doi.org/10.1177/1932296815583505
  31. Kamel Boulos, M. N., Koh, K. (2021). Smart city lifestyle sensing, big data, geo-analytics and intelligence for smarter public health decision-making in overweight, obesity and type 2 diabetes prevention: the research we should be doing. International Journal of Health Geographics, 20 (1). doi: https://doi.org/10.1186/s12942-021-00266-0
  32. Rakhmetulayeva, S. B., Duisebekova, K. S., Mamyrbekov, A. M., Kozhamzharova, D. K., Astaubayeva, G. N., Stamkulova, K. (2018). Application of Classification Algorithm Based on SVM for Determining the Effectiveness of Treatment of Tuberculosis. Procedia Computer Science, 130, 231–238. doi: https://doi.org/10.1016/j.procs.2018.04.034
  33. Miah, S. J., Camilleri, E., Vu, H. Q. (2021). Big Data in Healthcare Research: A survey study. Journal of Computer Information Systems, 62 (3), 480–492. doi: https://doi.org/10.1080/08874417.2020.1858727
  34. Carnevale, A., Tangari, E. A., Iannone, A., Sartini, E. (2021). Will Big Data and personalized medicine do the gender dimension justice? AI & SOCIETY. doi: https://doi.org/10.1007/s00146-021-01234-9
  35. Apache Hadoop 2.7.0 Documentation. Available at: https://hadoop.apache.org/docs/r2.7.0/ Last accessed: 11.05.2020
  36. Apache Ambari. Available at: https://ambari.apache.org/ Last accessed: 11.05.2020
  37. White, T. (2012). Hadoop: The Definitive Guide. Oreilly & Associates Inc.
  38. The CentOS Project. Download CentOS. Available at: https://www.centos.org/download/ Last accessed: 11.05.2020
  39. Rakhmetulayeva, S. B., Duisebekova, K. S., Kozhamzharova, D. K., Aitimov, M. Zh. (2021). Pollutant transport modeling using Gaussian approximation for the solution of the semi-empirical equation. Journal of Theoretical and Applied Information Technologythis link is disabled, 99 (8), 1730–1739.
  40. About Node.js. Available at: https://nodejs.org/en/about/ Last accessed: 11.05.2020
  41. JavaScript.home. Available at: https://www.javascript.com/ Last accessed: 11.05.2020
  42. Hezbullah, Sh. (2017). Node.js Challenges in Implementation. Global Journal of Computer Science and Technology: E Network.
  43. Fast, unopinionated, minimalist web framework for Node.js. Available at: https://expressjs.com/ Last accessed: 11.05.2020
  44. An implementation of JSON Web Tokens. Available at: https://www.npmjs.com/package/jsonwebtoken Last accessed: 11.05.2020
  45. Horowitz, E. (2018). Introducing the Best Database for Modern Applications. Available at: https://www.mongodb.com/blog/post/introducing-the-best-database-for-modern-applications Last accessed: 11.05.2020
  46. Mukasheva, A., Saparkhojayev, N., Akanov, Z., Apon, A., Kalra, S. (2019). Forecasting the Prevalence of Diabetes Mellitus Using Econometric Models. Diabetes Therapy, 10 (6), 2079–2093. doi: https://doi.org/10.1007/s13300-019-00684-1
  47. Kazakhstan Society for the Study of Diabetes. Available at: https://www.kssd.site/
  48. Mukasheva, A., Yedilkhan, D., Zimin, I. (2021). Uploading Unstructured Data to MONGODB Using the NoSQLBooster Tool. 2021 IEEE International Conference on Smart Information Systems and Technologies (SIST). doi: https://doi.org/10.1109/sist50301.2021.9465930
  49. Mukasheva, A., Iliev, T., Balbayev, G. (2020). Development of the Information System Based on BigData Technology to Support Endocrinologist-Doctors. 2020 7th International Conference on Energy Efficiency and Agricultural Engineering (EE&AE). doi: https://doi.org/10.1109/eeae49144.2020.9278971
Developing a system for diagnosing diabetes mellitus using bigdata

##submission.downloads##

Опубліковано

2022-10-30

Як цитувати

Mukasheva, A., Rakhmetulayeva, S., Astaubayeva, G., & Gnatyuk, S. (2022). Розробка системи діагностики цукрового діабету з використанням bigdata. Eastern-European Journal of Enterprise Technologies, 5(2(119), 75–85. https://doi.org/10.15587/1729-4061.2022.266185

Номер

Том 5 № 2(119) (2022): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2022 Assel Mukasheva, Sabina Rakhmetulayeva, Gulnar Astaubayeva, Sergiy Gnatyuk

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.