Підвищення ефективності медичних систем підтримки прийняття рішень на основі машинного навчання та хмарних сервісів
DOI:
https://doi.org/10.15587/2706-5448.2026.352435Ключові слова:
прогнозування інсульту, машинне навчання, ML-моделі, СППР, web-програмування, інтеграція, MLOps, хмарні сервісиАнотація
Об'єктом цього дослідження є процес розробки та впровадження систем підтримки прийняття рішень (СППР) з використанням моделей машинного навчання (ML) та хмарної інфраструктури. Важливою проблемою, вирішеною в цьому дослідженні, є програмна реалізація СППР з ML-моделями, а також їх подальше впровадження для забезпечення доступу кінцевих користувачів. В результаті запропоновано багатоцільову схему, що поєднує етапи локальної розробки та публікації в хмарній інфраструктурі. Такий підхід є актуальним для малих компаній та державних установ, оскільки дозволяє їм заощадити фінансові ресурси на утриманні постійних ІТ-фахівців, технічному обслуговуванні та підтримці. Його відмінною рисою є те, що навчання моделі та її інтеграція у веб-додаток виконуються на локальному етапі, а на етапі публікації використовуються хмарні сервіси для автоматичного оновлення проекту.
У дослідженні реалізовано комплексний конвеєр попередньої обробки даних для прогнозування ризику інсульту, включаючи розширення даних на основі методу найближчих сусідів для відсутніх значень та SMOTE+NCL для збалансування класів. Після кореляційного аналізу та збільшення обсягу даних було оцінено чотири алгоритми класифікації: логістична регресія, SVM, Random Forest та eXtreme Gradient Boosting. Логістична регресія визначена як модель з найвищою ефективністю щодо відтворення після збільшення обсягу даних. Кінцева модель інтегрована в додаток Flask за допомогою серіалізації та спеціального модуля інференції.
Додаток автоматично публікується з GitHub у хмарному середовищі Amazon за допомогою таких сервісів, як EC2, S3, ECR та Secrets Manager. Вартість обслуговування такого проєкту суттєво менша за використання виділених серверів або стороннього програмного забезпечення з оплатою за користувачів. Отримані результати можуть використовуватись у різних галузях для створення СППР, що потребують високої доступності та мінімальної вартості супроводу.
Посилання
- Kubat, M. (2017). An Introduction to Machine Learning. Springer International Publishing, 348. https://doi.org/10.1007/978-3-319-63913-0
- Shalev-Shwartz, S., Ben-David, S. (2014). Understanding Machine Learning. Cambridge University Press, 449. https://doi.org/10.1017/cbo9781107298019
- Chowdary, M. N., Sankeerth, B., Chowdary, C. K., Gupta, M. (2022). Accelerating the Machine Learning Model Deployment using MLOps. Journal of Physics: Conference Series, 2327 (1), 012027. https://doi.org/10.1088/1742-6596/2327/1/012027
- Paleyes, A., Urma, R.-G., Lawrence, N. D. (2022). Challenges in Deploying Machine Learning: A Survey of Case Studies. ACM Computing Surveys, 55 (6), 1–29. https://doi.org/10.1145/3533378
- Treveil, M., Omont, N., Stenac, C., Lefevre, K., Phan, D., Zentici, J. et al. (2020) Introducing MLOps How to Scale Machine Learning in the Enterprise. O’Reilly Media, Inc. Available at: https://itsocial.fr/wp-content/uploads/2021/04/Comment-mettre-%C3%A0-l%E2%80%99%C3%A9chelle-le-Machine-Learning-en-entreprise.pdf
- Heymann, H., Kies, A. D., Frye, M., Schmitt, R. H., Boza, A. (2022). Guideline for Deployment of Machine Learning Models for Predictive Quality in Production. Procedia CIRP, 107, 815–820. https://doi.org/10.1016/j.procir.2022.05.068
- Corbin, C. K., Maclay, R., Acharya, A., Mony, S., Punnathanam, S., Thapa, R. et al. (2023). DEPLOYR: a technical framework for deploying custom real-time machine learning models into the electronic medical record. Journal of the American Medical Informatics Association, 30 (9), 1532–1542. https://doi.org/10.1093/jamia/ocad114
- Heymann, H., Schmitt, R. H. (2023). Machine Learning Pipeline for Predictive Maintenance in Polymer 3D Printing. Procedia CIRP, 117, 341–346. https://doi.org/10.1016/j.procir.2023.03.058
- Kozak, Ye. В. (2021). Data Analysis and Machine Learning in Cloud and Fog Platforms as a Basis for Efficient Data Transfer. Scientific Notes of Taurida National V. I. Vernadsky University. Series: Technical Sciences, 5, 100–107. https://doi.org/10.32838/2663-5941/2021.5/16
- Panchenko, T., Tuzova, I., Tuzov, O., Chumak, O. (2024). Khmarni servisy ta ohliad yikh postachalnykiv. InterConf, 43 (193), 550–559. https://doi.org/10.51582/interconf.19-20.03.2024.053
- Report on Situational Analysis Results of Acute Stroke Care in Ukraine (2024). World Health Organization. Available at: https://www.who.int/ukraine/publications/WHO-EURO-2024-9677-49449-73972
- Stroke Prediction Dataset. Kaggle Inc. Available at: https://www.kaggle.com/datasets/fedesoriano/stroke-prediction-dataset
- SMOTE. Imbalanced-learn. Available at: https://imbalanced-learn.org/stable/references/generated/imblearn.over_sampling.SMOTE.html
- Kovaliuk, D. O., Kovaliuk, O. O., Pinaieva, O. Y., Kotyra, A., Kalizhanova, A. (2019). Optimization of web-application performance. Photonics Applications in Astronomy, Communications, Industry, and High-Energy Physics Experiments 2019, 210. https://doi.org/10.1117/12.2537163
- Singh, C. (2023). Automate deployment (CI/CD) of React JS application in AWS by using CodePipeline and EBS. L&G Consultancy. Available at: https://lng-consultancy.com/automate-deployment-ci-cd-of-react-js-application/
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Dmytro Buhai, Anatolii Zhuchenko, Oleksii Zhuchenko, Dmytro Kovaliuk, Denys Skladannyy
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.
