Разработка интеллектуальной системы прогнозирования рецидивов с использованием методов машинного обучения на основе данных о заболевании пациентов

Актуальность: в последние десятилетия болезни сердца серьезно угрожают здоровью людей из-за их распространенности и высокого риска смерти. Таким образом, прогнозирование сердечных заболеваний с помощью некоторых простых физических показателей, полученных в результате регулярного медицинского осмотра на ранней стадии, стало актуальной темой. С клинической точки зрения важно быть чувствительным к этим показателям, связанным с заболеваниями сердца, чтобы делать прогнозы и обеспечивать надежную основу для дальнейшей диагностики. Однако большой объем данных делает ручной анализ и прогнозирование обременительными и трудоемкими. Цель: проектирование системы прогнозирования рецидивов заболеваний пациентов. Для достижения данной цели необходимо выполнить задачи: 1. изучить понятие и сущность прогнозирования, 2. определить основные цели прогнозирования, 3.

---

Никто не хочет тратить время на написание реферата. Гораздо проще купить реферат по хирургии. Переходите по ссылке, заказывайте реферат и не тратьте свое время.

---

. разобрать классификацию методов машинного обучения для прогнозирования событий, произвести анализ этих методов, 4. разработать систему прогнозирования рецидивов заболеваний пациентов. Объект дипломного исследования: проектирование системы прогнозирования рецидивов заболеваний пациентов. Предмет дипломного исследования: программирование. Дипломная работа состоит из трех глав. В первой главе описаны теоретические аспекты изучаемого вопроса. Во второй главе дана общая характеристика и классификация методов прогнозирования, а также представлен анализ изученных методов. В третьей главе произведена разработка системы прогнозирования рецидивов заболеваний пациентов. Методы дипломного исследования: - теоретический, в котором выполнялся сбор и анализ теоретической информации; - статистический, с помощью которого производилось обобщение по теоретическим и практическим знаниям - аналитический, в котором производился анализ полученных данных.

Болезни сердца являются распространенным смертельным заболеванием и в настоящее время являются причиной смерти номер один среди населения земного шара. Согласно отчету Всемирной организации здравоохранения, от сердечно-сосудистых заболеваний ежегодно умирает 17,9 миллиона человек, что составляет около 32% смертей в мире. В докладе также говорится, что болезни сердца и инсульт являются ведущими причинами сердечно-сосудистых заболеваний, на долю которых приходится примерно 85% смертей. Подобно заболеванию системы кровообращения, сердечно-сосудистые заболевания вызываются многими факторами, такими как высокое кровяное давление, курение, диабет и недостаток физической активности. Интеллектуальная система прогнозирования рецидивов с использованием методов машинного обучения на основе данных о заболевании пациентов позволит сократить количество смертельных исходов, так как даст возможность заранее предугадать не самые благоприятные сценарии развития событий и позволит пациентам получить своевременное лечение. В ходе выполнения дипломной работы была достигнута поставленная цель, а именно было произведено проектирование интеллектуальной системы прогнозирования рецидивов с использованием методов машинного обучения. Работа имеет в своем составе три главы: понятие и сущность прогнозирования, методы прогнозирования событий, проектирование системы прогнозирования рецидивов заболеваний пациентов.

1. Агравал А. Искусственный интеллект на службе бизнеса. Как машинное прогнозирование помогает принимать решения. — Москва: «Манн, Иванов и Фербер», 2019.  336c. 2. Артюнина Г.П. Основы медицинских знаний: учеб. пособе для студентов педагогических вузов. / Г.П Артюнина. — М.: Академический проект, 2009. — 766 с. 3. Бабосов Е.М. Общая социология: учебное пособие / Е.М. Бабосов. – Минск: ТетраСистемс, 2014. – 637 с. 2. 4. Вандер Плас Дж., Python для сложных задач: наука о данных и машинное обучение. / Вандер Плас Дж. СПб.: Питер, 2018 ¬ 576 с. 5. Гусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения // Врач и информационные технологии. – 2017. – №3. – С. 125. 6. Дэви Силен, Основы Data Science и Big Data. Python и наука о данных / Дэви Силен, Арно Мейсман. СПб.: Питер, 2017 ¬ 336 с. 7. Коэльо Л., Построение систем машинного обучения нa языке Pytho/ Коэльо Луне Перо, Вилл Ричарт. М.: ДМК Пресс, 2016 ¬ 302 с. 8. Ленинджер А. Основы биохимии. - М.; Медицина, 2015. - Т. 2. - 356 с. 9. Лесковец, Ю. Анализ больших наборов данных / Ю. Лесковец, А. Раджараман. - М.: ДМК, 2016. - 498 c. 10. Морозова, В. И. Прогнозирование методом машинного обучения / В. И. Морозова, Д. И. Логунова. — Текст: непосредственный // Молодой ученый. — 2022. — № 21 (416). — С. 202-204. 11. Мадера, А.Г. Риски и шансы: Неопределенность, прогнозирование и оценка / А.Г. Мадера. - М.: Красанд, 2014. - 448 c. 12. Малюк, А.А. Анализ и прогнозирование потребности в специалистах по защите информации / А.А. Малюк. - М.: ГЛТ, 2014. - 212 c. 13. Никитин А.В., Переверзев Б.М., Гусманов В.А. Основы диагностики заболеваний внутренних органов, Учеб. пособие. — Воронеж: Изд-во Воронежского гос. ун-та, 2021, с. 67. 14. Рашка С., Python и машинное обучение / Рашка С., пер. с англ. А. В. Логунова. М.: ДМК Пресс, 2017 ¬ 418 с. 15. Садовникова, Н.А. Анализ временных рядов и прогнозирование / Н.А. Садовникова, Р.А. Шмойлова. - М.: МФПУ Синергия, 2016. - 152 c. 16. Сафронова, В.М. Прогнозирование, проектирование и моделирование в социальной работе / В.М. Сафронова. - М.: Academia, 2013. - 64 c. 17. Сафронова, В.М. Прогнозирование, проектирование и моделирование в социальной работе: Учебное пособие / В.М. Сафронова. - М.: Академия, 2018. - 272 c. 18. Сафронова, В.М. Прогнозирование, проектирование и моделирование / В.М. Сафронова. - М.: ИЦ Академия, 2017. - 240 c. 19. Семаков, С.Л. Прогнозирование и управление продажами в торговых сетях / С.Л. Семаков, А.С. Семаков. - М.: Физматлит, 2012. - 144 c. 20. Сёмин, А.Н. Макроэкономическое планирование и прогнозирование (для бакалавров) / А.Н. Сёмин, Ю.В. Лысенко, М.В. Лысенко, Таипов . - М.: КноРус, 2018. - 298 c. 21. Тюрин, Ю.Н. Анализ данных на компьютере / Ю.Н. Тюрин, А.А. акаров. - М.: МЦНМО, 2016. - 368 c. 22. Форман, Д. Много цифр: Анализ больших данных при помощи Excel / Д. Форман. - М.: Альпина Паблишер, 2017. - 461 c. 23. Форман, Дж. Много цифр: Анализ больших данных при помощи Excel / Дж. Форман. - М.: Альпина Паблишер, 2019. - 461 c. 24. Ширяев, В.И. Принятие решений: Прогнозирование в глобальных системах / В.И. Ширяев. - М.: КД Либроком, 2010. - 176 c. 25. Ширяев, В.И. Принятие решений: Прогнозирование в глобальных системах / В.И. Ширяев, Е.В. Ширяев. - М.: КД Либроком, 2013. - 176 c