Застосування підходу стратифікації даних у комп’ютерних системах медичного моніторингу

Автор(и)

  • Володимир Віталійович Донець Харківський національний університет імені В. Н. Каразіна, Україна https://orcid.org/0000-0002-5963-9998
  • Дмитро Олександрович Шевченко Харківський національний університет імені В. Н. Каразіна, Україна https://orcid.org/0000-0002-7897-250X
  • Максим Сергійович Голіков Харківський національний університет імені В. Н. Каразіна, Україна https://orcid.org/0000-0003-4842-7823
  • Вікторія Євгенівна Стрілець Харківський національний університет імені В. Н. Каразіна, Україна https://orcid.org/0000-0002-2475-1496
  • Сергій Ігорович Шматков Харківський національний університет імені В. Н. Каразіна, Україна https://orcid.org/0000-0002-0298-7174

DOI:

https://doi.org/10.15587/1729-4061.2024.298805

Ключові слова:

стратифікація даних, виявлення аномалій, нечітка кластеризація, нейронна мережа, аналіз чутливості

Анотація

Об’єктом дослідження є процеси, що протікають в підсистемі стратифікації даних в комп’ютерній системі медичного моніторингу, що є частиною системи підтримки прийняття рішень. Така підсистема направлена на вирішення задач аналізу й обробки даних в системі медичного моніторингу. Серед них виділені для вирішування проблеми виявлення аномалій, розмітки даних, визначення стану, відбір найбільш інформативних змінних та обґрунтування прийняття рішень.

У роботі запропоновано структуру та реалізацію підсистеми стратифікації даних в системі підтримки прийняття рішень. Підсистема містить модулі для детектування аномалій та автокодувальник, модуль кластеризації, що використовує удосконалений метод мультиагентної кластеризації, та модуль визначення стану із модифікованою процедурою навчання нейромережі.

Модулі підсистеми стратифікації протестовані на даних моніторингу за захворюванням діабет. Отримані результати показали, що модуль кластеризації надає на 25.7 % меншу точність порівняно з досягнутою нейромережею. Це пояснюється складністю даних та не адаптованістю запропонованого методу до вирішення таких задач. Показано, що метод визначення загальної інформативності змінних покриває 90 % інформативності із 10 змінними, що співставно з даними варіативності. В цілому гнучка природа запропонованої підсистеми стратифікації дозволяє вирішити поставлені проблеми.

Запропонована підсистема стратифікації пропонує надійне рішення для покращення стратегій лікування та прийняття рішень у комп’ютерних системах медичного моніторингу. Її універсальність дозволяє використовувати її в будь-яких системах де потрібна підтримка прийняття рішень, надаючи цінну інформацію про інформативні змінні та особливості прийняття рішень для клініцистів і дослідників

Біографії авторів

Володимир Віталійович Донець, Харківський національний університет імені В. Н. Каразіна

Аспірант

Кафедра теоретичної та прикладної системотехніки

Дмитро Олександрович Шевченко, Харківський національний університет імені В. Н. Каразіна

Аспірант

Кафедра теоретичної та прикладної системотехніки

Максим Сергійович Голіков, Харківський національний університет імені В. Н. Каразіна

Кафедра теоретичної та прикладної системотехніки

Вікторія Євгенівна Стрілець, Харківський національний університет імені В. Н. Каразіна

Кандидат технічних наук

Кафедра теоретичної та прикладної системотехніки

Сергій Ігорович Шматков, Харківський національний університет імені В. Н. Каразіна

Доктор технічних наук

Кафедра теоретичної та прикладної системотехніки

Посилання

  1. Logeshwaran, J., Malik, J. A., Adhikari, N., Joshi, S. S., Bishnoi, P. (2022). IoT-TPMS: An innovation development of triangular patient monitoring system using medical internet of things. International Journal of Health Sciences, 6 (S5), 9070–9084. https://doi.org/10.53730/ijhs.v6ns5.10765
  2. Humayun, M., Jhanjhi, N. Z., Almotilag, A., Almufareh, M. F. (2022). Agent-Based Medical Health Monitoring System. Sensors, 22 (8), 2820. https://doi.org/10.3390/s22082820
  3. Yu, M., Li, G., Jiang, D., Jiang, G., Tao, B., Chen, D. (2019). Hand medical monitoring system based on machine learning and optimal EMG feature set. Personal and Ubiquitous Computing, 27 (6), 1991–2007. https://doi.org/10.1007/s00779-019-01285-2
  4. Singh, V. J., Sharma, P., Mehta, D. A. (2023). Big Data Analytics in Healthcare: Opportunities and Challenges. International Journal of Advanced Research in Science, Communication and Technology, 275–282. https://doi.org/10.48175/ijarsct-9414
  5. Yang, J., Soltan, A. A. S., Yang, Y., Clifton, D. A. (2022). Algorithmic Fairness and Bias Mitigation for Clinical Machine Learning: Insights from Rapid COVID-19 Diagnosis by Adversarial Learning. https://doi.org/10.1101/2022.01.13.22268948
  6. Ferrario, A., Gloeckler, S., Biller-Andorno, N. (2023). AI knows best? Avoiding the traps of paternalism and other pitfalls of AI-based patient preference prediction. Journal of Medical Ethics, 49 (3), 185–186. https://doi.org/10.1136/jme-2023-108945
  7. Goel, K. (2023). Price Discrimination and Product Variety: The Case of Implantable Medical Devices. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4467475
  8. Tamura, M., Nakano, S., Sugahara, T. (2018). Reimbursement pricing for new medical devices in Japan: Is the evaluation of innovation appropriate? The International Journal of Health Planning and Management, 34 (2), 583–593. https://doi.org/10.1002/hpm.2719
  9. Strilets, V., Donets, V., Ugryumov, M., Artiuch, S., Zelenskyi, R., Goncharova, T. (2022). Agent-oriented data clustering for medical monitoring. Radioelectronic and Computer Systems, 1, 103–114. https://doi.org/10.32620/reks.2022.1.08
  10. Strilets, V., Bakumenko, N., Chernysh, S., Ugryumov, M., Donets, V. (2020). Application of Artificial Neural Networks in the Problems of the Patient’s Condition Diagnosis in Medical Monitoring Systems. Advances in Intelligent Systems and Computing, 173–185. https://doi.org/10.1007/978-3-030-37618-5_16
  11. Bakumenko, N., Chernysh, S., Bezlyubchenko, A., Goryachaya, V., Donets, V., Strilets, V. et al. (2021). Stratification of Patients in Medical Monitoring Systems based on Machine Learning Methods. https://doi.org/10.13140/RG.2.2.11832.52482
  12. Donets, V., Strilets, V., Ugryumov, M., Shevchenko, D., Prokopovych, S., Chagovets, L. (2023). Methodology of the countries’ economic development data analysis. System research and information technologies, 4, 21–36. https://doi.org/10.20535/SRIT.2308-8893.2023.4.02
  13. Lykhach, O., Ugryumov, M., Shevchenko, D., Shmatkov, S. (2022). Anomaly detection methods in sample datasets when managing processes in systems by the state. Bulletin of V.N. Karazin Kharkiv National University, Series «Mathematical Modeling. Information Technology. Automated Control Systems», 53, 21–40. https://doi.org/10.26565/2304-6201-2022-53-03
  14. Shevchenko, D., Ugryumov, M., Artiukh, S. (2023). Monitoring data aggregation of dynamic systems using information technologies. Innovative Technologies and Scientific Solutions for Industries, 1 (23), 123–131. https://doi.org/10.30837/itssi.2023.23.123
  15. Prihanditya, H. A., Alamsyah, A. (2020). The Implementation of Z-Score Normalization and Boosting Techniques to Increase Accuracy of C4.5 Algorithm in Diagnosing Chronic Kidney Disease. Journal of Soft Computing Exploration, 1 (1). https://doi.org/10.52465/joscex.v1i1.8
  16. Liu, F. T., Ting, K. M., Zhou, Z.-H. (2008). Isolation Forest. 2008 Eighth IEEE International Conference on Data Mining. https://doi.org/10.1109/icdm.2008.17
  17. Hinton, G. E., Srivastava, N., Krizhevsky, A., Sutskever, I., Salakhutdinov, R. R. (2012). Improving neural networks by preventing co-adaptation of feature detectors. arXiv. https://doi.org/10.48550/arXiv.1207.0580
  18. Ioffe, S., Szegedy, C. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. International conference on machine learning. arXiv. https://doi.org/10.48550/arXiv.1502.03167
  19. Pal, N. R., Bezdek, J. C. (1995). On cluster validity for the fuzzy c-means model. IEEE Transactions on Fuzzy Systems, 3 (3), 370–379. https://doi.org/10.1109/91.413225
  20. Bridle, J. S. (1990). Probabilistic Interpretation of Feedforward Classification Network Outputs, with Relationships to Statistical Pattern Recognition. Neurocomputing, 227–236. https://doi.org/10.1007/978-3-642-76153-9_28
  21. Li, S., Song, Z., Xia, Y., Yu, T., Zhou, T. (2023). The Closeness of In-Context Learning and Weight Shifting for Softmax Regression. arXiv. https://doi.org/10.48550/arXiv.2304.13276
  22. Zhang, Z., & Sabuncu, M.R. (2018). Generalized Cross Entropy Loss for Training Deep Neural Networks with Noisy Labels. arXiv. https://doi.org/10.48550/arXiv.1805.07836
  23. Qi, Z., Khorram, S., Fuxin, L. (2020). Visualizing Deep Networks by Optimizing with Integrated Gradients. Proceedings of the AAAI Conference on Artificial Intelligence, 34 (07), 11890–11898. https://doi.org/10.1609/aaai.v34i07.6863
  24. Enguehard, J. (2023). Sequential Integrated Gradients: a simple but effective method for explaining language models. Findings of the Association for Computational Linguistics: ACL 2023. https://doi.org/10.18653/v1/2023.findings-acl.477
  25. Lundstrom, D., Huang, T., Razaviyayn, M. (2022). A Rigorous Study of Integrated Gradients Method and Extensions to Internal Neuron Attributions. arXiv. https://doi.org/10.48550/arXiv.2202.11912
  26. Daher, M., Al Rifai, M., Kherallah, R. Y., Rodriguez, F., Mahtta, D., Michos, E. D. et al. (2021). Gender disparities in difficulty accessing healthcare and cost-related medication non-adherence: The CDC behavioral risk factor surveillance system (BRFSS) survey. Preventive Medicine, 153, 106779. https://doi.org/10.1016/j.ypmed.2021.106779
  27. Iwendi, C., Bashir, A. K., Peshkar, A., Sujatha, R., Chatterjee, J. M., Pasupuleti, S. et al. (2020). COVID-19 Patient Health Prediction Using Boosted Random Forest Algorithm. Frontiers in Public Health, 8. https://doi.org/10.3389/fpubh.2020.00357
  28. Pereira, J. P. B., Stroes, E. S. G., Zwinderman, A. H., Levin, E. (2022). Covered Information Disentanglement: Model Transparency via Unbiased Permutation Importance. Proceedings of the AAAI Conference on Artificial Intelligence, 36 (7), 7984–7992. https://doi.org/10.1609/aaai.v36i7.20769
Застосування підходу стратифікації даних у комп’ютерних системах медичного моніторингу

##submission.downloads##

Опубліковано

2024-04-30

Як цитувати

Донець, В. В., Шевченко, Д. О., Голіков, М. С., Стрілець, В. Є., & Шматков, С. І. (2024). Застосування підходу стратифікації даних у комп’ютерних системах медичного моніторингу. Eastern-European Journal of Enterprise Technologies, 2(9 (128), 6–16. https://doi.org/10.15587/1729-4061.2024.298805

Номер

Том 2 № 9 (128) (2024): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2024 Volodymyr Donets, Dmytro Shevchenko, Maksym Holikov, Viktoriia Strilets, Serhiy Shmatkov

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.