«8D06103 - Ақпараттық жүйелер» мамандығы бойынша философия докторы (PhD) дәрежесін алу үшін Максутова Наталья Шахиновна диссертациясын қорғауы

Л.Н. Гумилев атындағы Еуразия ұлттық университетінде философия докторы (PhD) дәрежесін алу үшін Максутова Наталья Шахиновна «8D06103 – Ақпараттық жүйелер» білім беру бағдарламасы бойынша «Клиникалық деректер мен медициналық тексерулерді талдау негізінде медицинадағы диагностикалық шешімдерді қабылдауды қолдаудың ақпараттық-талдау жүйесін әзірлеу» тақырыбында диссертациясы қорғалады.

Диссертация Л.Н.Гумилев атындағы Еуразия ұлттық университетінің «Ақпараттық жүйелер кафедрасы» кафедрасында орындалды.

Қорғау тілі - орыс тілінде

Ресми рецензенттер:

Шаушенова Анаргүл Ғимранқызы – техника ғылымдарының кандидаты, қауымдастырылған профессор, С. Сейфуллин атындағы Қазақ агротехникалық зерттеу университетінің «Ақпараттық жүйелер» білім беру бағдарламасының жетекшісі (Астана қ., Қазақстан Республикасы).

Мурзахметов Асланбек Нурбекович – философия докторы (PhD), қауымдастырылған профессор м.а., М.Х. Дулати атындағы Тараз университетінің «Ақпараттық жүйелер» кафедрасының меңгерушісі (Тараз қ., Қазақстан Республикасы).

Диссертациялық кеңестің уақытша мүшелері:

Барахнин Владимир Борисович – техника ғылымдарының докторы, доцент, Ақпараттық және есептеу технологиялары федералдық зерттеу орталығының (ФИЦ ИВТ) жетекші ғылыми қызметкері (Новосибирск қ., Ресей Федерациясы);

Мансурова Мәдина Есімханқызы – физика-математика ғылымдарының кандидаты, профессор, әл-Фараби атындағы Қазақ ұлттық университетінің «Жасанды интеллект және Big Data» кафедрасының меңгерушісі (Алматы қ., Қазақстан Республикасы).

Еримбетова Айгерім Сембекқызы – философия докторы (PhD), техника ғылымдарының кандидаты, қауымдастырылған профессор, ҚР ҒЖБМ Ғылым комитетінің Ақпараттық және есептеуіш технологиялар институтының жетекші ғылыми қызметкері (Алматы қ., Қазақстан Республикасы).

Ғылыми кеңесшілері:

Тусупов Жамалбек Әлиасқарұлы – физика-математика ғылымдарының докторы, «Л.Н. Гумилев атындағы Еуразия ұлттық университеті» КеАҚ-тың «Ақпараттық жүйелер» кафедрасының профессоры (Астана қ., Қазақстан Республикасы).

Рахимов Кувватали Ортикович – философия докторы (PhD), доцент, Ферғана мемлекеттік университетінің Қолданбалы математика және информатика кафедрасының меңгерушісі (Ферғана қ., Өзбекстан Республикасы).

Қорғау 2026 жылғы 26 тамыз, сағат 10:00 Л.Н. Гумилев атындағы Еуразия ұлттық университетінің «8D06103 – Ақпараттық жүйелер» мамандығы бойынша «8D061 – Ақпараттық-коммуникациялық технологиялар» кадрларды даярлау бағыты бойынша диссертациялық кеңесте өтеді. Диссертациялық кеңес мәжілісі онлайн форматта өткізіледі деп жоспарлануда.

Сілтемесі: https://teams.microsoft.com/meet/42764093079173?p=DvPHFm2uz1HdzefgS6 

Мекен-жайы: Астана қ., Пушкин көшесі, 11, Оқу ғимарат №2, 222-аудитория.

Аңдатпа (қаз.): АННОТАЦИЯ Максутова Наталья Шахиновнаның « Клиникалық деректер мен медициналық тексерулерді талдау негізінде медицинадағы диагностикалық шешімдерді қабылдауды қолдаудың ақпараттық-талдау жүйесін әзірлеу » тақырыбындағы диссертациялық жұмысының аннотациясы. Диссертация «8D06103 – Ақпараттық жүйелер» білім беру бағдарламасы бойынша философия докторы (PhD) дәрежесін алу үшін ұсынылды. Тақырыптың өзектілігі. Соңғы онжылдықтарда жүрек-қан тамырлары аурулары (ЖҚА) бүкіл әлем бойынша өлім-жітім мен мүгедектіктің басты себебі болып қала береді, бұл оларды ерте диагностикалау мен алдын алудың жоғары әлеуметтік және экономикалық маңыздылығын тудырады. Дүниежүзілік денсаулық сақтау ұйымының деректері бойынша, жыл сайын жүрек-қан тамырлары ауруларынан шамамен 17,9 млн адам қайтыс болады, бұл әлемдегі барлық өлім жағдайларының шамамен 31%-ын құрайды, сонымен бірге бұл жағдайлардың 75%-дан астамы табысы төмен және орташа елдерге тиесілі. Мұнда мерзімінен бұрын өлім-жітімнің айтарлықтай үлесі (85%-ға дейін) ЖҚА-ның жүректің ишемиялық ауруы және инсульт сияқты формаларымен байланысты. Халықаралық зерттеулерге сәйкес, ЖҚА даму жағдайларының едәуір бөлігін (80%-ға дейін) қауіп факторларын уақтылы анықтау және тиісті медициналық шешімдерді қабылдау арқылы алдын алуға болады. Лабораториялық көрсеткіштерді, демографиялық сипаттамаларды және медициналық тексеру нәтижелерін қамтитын клиникалық деректер көлемінің өсуі жағдайында дәстүрлі талдау әдістері күрделі өзара байланыстар мен жасырын заңдылықтарды анықтау үшін тиімсіз болып шығады. Медициналық деректер көлемі жыл сайын 30–40%-ға артып келеді, бұл классикалық статистикалық әдістерді пайдаланып, оларды өңдеуді және түсіндіруді едәуір қиындатады. Жасанды интеллект және машиналық оқыту саласындағы қазіргі заманғы жетістіктер медициналық деректерді талдау үшін жаңа мүмкіндіктер ашып, болжамдық және тәуекелдерді бағалау модельдерін жоғары дәлдікпен әзірлеуге мүмкіндік береді. Ансамбльдік алгоритмдер, нейрондық желілер және градиенттік бустинг әдістері сияқты әдістерді қолдану маңызды қауіп факторларын анықтауға және белгілер арасындағы сызықтық емес тәуелділіктер мен өзара әрекеттесулерді ескере алатын предиктивті модельдерді құруға ықпал етеді. Мұндай тәсілдерді медициналық деректерге тән мәселе болып табылатын, айқын кластық дисбаланспен сипатталатын сирек кездесетін оқиғаларды анықтау міндеттерінде қолдану ерекше маңызға ие. Сонымен бірге, машиналық оқыту әдістерінің зор әлеуетіне қарамастан, оларды клиникалық тәжірибеде қолдану бірқатар шектеулермен, соның ішінде модельдердің төмен түсіндірілуімен (интерпретациялануымен), нәтижелердің тұрақтылығын қамтамасыз ету қажеттілігімен және қолданыстағы медициналық ақпараттық жүйелерге интеграциялаудың күрделілігімен байланысты. Осыған байланысты, болжам жасаудың жоғары дәлдігін қамтамасыз етіп қана қоймай, сонымен қатар дәрігерлер үшін негізделген және түсінікті ұсыныстар бере алатын шешімдерді қабылдауды қолдаудың ақпараттық-талдамалық жүйелерін әзірлеу қажеттілігі артып отыр. Қазақстанда жүрек-қан тамырлары аурулары мәселесі денсаулық сақтау жүйесінің ең өзекті міндеттерінің бірі болып қала береді және халықтың өлім-жітім деңгейі мен өмір сүру сапасына айтарлықтай әсер етеді. Соңғы жылдары елімізде денсаулық сақтауды цифрландыру бағдарламалары жүзеге асырылуда, олар медициналық тәжірибеге ақпараттық жүйелер мен деректерді талдау технологияларын енгізуге бағытталған. Алайда, қолданыстағы шешімдердің көпшілігі клиникалық және биохимиялық көрсеткіштерді кешенді талдауды қамтамасыз етпейді, сондай-ақ жасырын қауіп факторларын анықтау және ауруларды болжау үшін қазіргі заманғы машиналық оқыту әдістерінің мүмкіндіктерін ескермейді. Бұл зерттеудің өзектілігі машиналық оқыту әдістерін пайдалану және шешімдерді қабылдауды қолдаудың ақпараттық-талдамалық жүйесін әзірлеу арқылы жүрек-қан тамырлары ауруларын диагностикалау мен болжаудың тиімділігін арттыру қажеттілігімен негізделген. Клиникалық деректерді талдау негізінде ақпараттық қауіп факторларын анықтау, сондай-ақ әртүрлі және теңгерімсіз деректер жағдайында болжаудың жоғары дәлдігі мен тұрақтылығын қамтамасыз ететін модельдерді әзірлеу ерекше маңызға ие. Ақпараттық-талдамалық жүйені әзірлеу және енгізу медициналық деректерді талдау процестерін автоматтандыруға, қабылданатын клиникалық шешімдердің сапасын арттыруға және жүрек-қан тамырлары ауруларын диагностикалау мен алдын алуда неғұрлым жекелендірілген тәсілге көшуді қамтамасыз етуге мүмкіндік береді. Бұл өз кезегінде аурушаңдық пен өлім-жітім деңгейін төмендетуге, сондай-ақ денсаулық сақтау жүйесінің жұмыс істеу тиімділігін арттыруға ықпал етеді. Осылайша, клиникалық деректерді талдау әдістерін әзірлеу және жүрек-қан тамырлары ауруларын диагностикалау үшін шешімдерді қабылдауды қолдаудың ақпараттық-талдамалық жүйесін құру денсаулық сақтауды цифрландыру жағдайында өлім-жітімді азайтуға және клиникалық шешімдердің тиімділігін арттыруға бағытталған өзекті және сұранысқа ие ғылыми бағыт болып табылады. Диссертациялық жұмыстың мақсаты – машиналық оқыту әдістерін, клиникалық деректерді талдауды және ақпараттық қауіп факторларын анықтауды қолдануға негізделген жүрек-қан тамырлары ауруларын диагностикалау үшін шешімдерді қабылдауды қолдаудың ақпараттық-талдамалық жүйесін әзірлеу. Қойылған мақсатқа сәйкес диссертациялық жұмыста келесі міндеттер орындалуы тиіс: Жүрек-қан тамырлары ауруларын диагностикалау және қауіп факторларын бағалау үшін машиналық оқыту әдістерін қолдану бойынша ғылыми зерттеулерге шолу жасау. Клиникалық және лабораториялық деректер негізінде жүрек-қан тамырлары ауруларының қаупін диагностикалау үшін машиналық оқыту моделін құру. Сапа метрикаларын және сынақ деректеріндегі жалпылау қабілетін талдауды қолдана отырып, әзірленген модельдің тиімділігін бағалау. Деректер базасын, талдамалық модульдерді және пайдаланушы интерфейсін қамтитын жүрек-қан тамырлары ауруларын диагностикалауға арналған шешімдерді қабылдауды қолдаудың ақпараттық-талдамалық жүйесін құру. Қойылған міндеттерді іске асыру жүрек-қан тамырлары ауруларын диагностикалау саласында шешімдер қабылдауды қолдау үшін кешенді ақпараттық-талдамалық шешім әзірлеуге мүмкіндік береді, бұл қауіп факторларын анықтау дәлдігін арттыруға, ерте диагностиканы қамтамасыз етуге және патологиялардың даму ықтималдығын төмендетуге, сондай-ақ денсаулық сақтау жүйесіндегі профилактикалық және емдік іс-шаралардың тиімділігін арттыруға ықпал етеді. Зерттеу нысаны – жүрек-қан тамырлары ауруларын диагностикалау және болжау кезіндегі клиникалық деректерді, лабораториялық көрсеткіштерді және медициналық тексеру нәтижелерін талдау процестері. Зерттеу пәні – клиникалық деректерді талдау, ақпараттық қауіп факторларын анықтау және жүрек-қан тамырлары ауруларын диагностикалау үшін шешімдерді қабылдауды қолдаудың ақпараттық-талдамалық жүйесін әзірлеу модельдері, алгоритмдері мен әдістері. Зерттеу әдістері – машиналық оқыту әдістері (XGBoost, конволюциялық нейрондық желілер, ансамбльдік әдістер), модель сапасын бағалау әдістері (MSE, R², AIC, BIC), теңгерімсіз деректерді өңдеу және классификация табалдырықтарын оңтайландыру әдістері, сондай-ақ модельдерді интерпретациялау (SHAP) және клиникалық деректерді талдау әдістері, сонымен қатар ақпараттық жүйелерді жобалау және әзірлеу әдістері. Диссертациялық жұмыстың ғылыми жаңалығы: Әртүрлі медициналық деректерді талдау негізінде жүрек-қан тамырлары ауруларының ерте диагностикасын және даму қаупін бағалауды қамтамасыз ететін ақпараттық факторлар анықталды. Сирек оқиғаларды анықтау және жүрек-қан тамырлары ауруларының қаупін бағалау үшін машиналық оқытудың ансамбльдік моделі әзірленді, ол нәтижелердің дәлдігін, тұрақтылығы мен түсіндірілуін арттыруды қамтамасыз етеді. Зерттеудің әдіснамалық негізі машиналық оқыту, математикалық модельдеу және деректерді интеллектуалды талдау әдістерін қолдана отырып, клиникалық деректерді талдауға және жүрек-қан тамырлары ауруларын болжауға кешенді көзқарасқа негізделген. Зерттеудің негізін ақпараттық қауіп факторларын анықтау және предиктивті модельдерді құру үшін машиналық оқыту алгоритмдерін пайдалану құрайды. Атап айтқанда, диагностика дәлдігі мен модельдердің тұрақтылығын арттыруға мүмкіндік беретін градиенттік бустинг (XGBoost), конволюциялық нейрондық желілер және ансамбльдік тәсілдер қолданылады. Сонымен қатар модель сапасын бағалау әдістері (MSE, R², AIC, BIC), теңгерімсіз деректерді өңдеу және классификация табалдырықтарын оңтайландыру әдістері, сондай-ақ модельдерді түсіндіру әдістері, оның ішінде маңызды факторларды анықтауды және нәтижелердің түсініктілігін қамтамасыз ететін SHAP қолданылады. Бұл тәсілдерді қолдану медициналық тәжірибеде негізделген шешімдерді қабылдауды жүзеге асыруға және жүрек-қан тамырлары ауруларын ерте диагностикалаудың тиімділігін арттыруға мүмкіндік береді. Зерттеу әдістемесі. Зерттеу әдістемесі қазіргі заманғы машиналық оқыту, математикалық модельдеу және жасанды интеллект технологияларын қолдана отырып, клиникалық деректерді талдауға және жүрек-қан тамырлары ауруларын болжауға кешенді көзқарасқа негізделген. Жұмыс медициналық деректерді жинауды, алдын ала өңдеуді және талдауды, машиналық оқыту модельдерін әзірлеу мен оқытуды, ақпараттық қауіп факторларын анықтауды, ақпараттық-талдамалық жүйені құруды және оны эксперименталды сынақтан өткізуді біріктіретін бірнеше кезеңді қамтиды. Градиенттік бустингті, нейрондық желілерді және ансамбльдік модельдерді қоса алғанда, машиналық оқыту әдістерін, сондай-ақ модельдерді түсіндіру әдістерін қолдануға негізделген жүрек-қан тамырлары ауруларын диагностикалау мен болжаудың кешенді тәсілі әзірленді. Ұсынылған әдіснама қауіпті болжау дәлдігін арттыруға, маңызды клиникалық факторларды анықтауды қамтамасыз етуге және медициналық шешімдерді қабылдау кезіндегі белгісіздікті азайтуға мүмкіндік береді, бұл денсаулық сақтауда шешімдерді қабылдауды қолдаудың интеллектуалды жүйелерін дамытуға ықпал етеді. Қорғауға ұсынылатын тұжырымдар: Машиналық оқыту әдістері мен деректерді талдаудың интерпретациялық тәсілдері (SHAP және т.б.) негізінде анықталған жүрек-қан тамырлары ауруларының қаупін бағалау және диагностикалау үшін ақпараттық факторлар. Нәтижелердің дәлдігін, тұрақтылығы мен түсіндірілуін арттыруды қамтамасыз ететін сирек оқиғаларды диагностикалауға және жүрек-қан тамырлары ауруларының қаупін бағалауға арналған ансамбльдік модель. Медициналық деректерді автоматтандырылған талдауды, жеке қауіптерді бағалауды және клиникалық шешімдерді қабылдауды қолдауды қамтамасыз ететін әзірленген шешімдерді қабылдауды қолдаудың ақпараттық-талдамалық жүйесі. Диссертациялық жұмыстың теориялық маңыздылығы қазіргі заманғы машиналық оқыту әдістерін қолдана отырып, клиникалық деректерді талдау және жүрек-қан тамырлары ауруларын болжау әдістерін әзірлеу мен негіздеуде жатыр. Жұмыста қауіп факторларын анықтау мен ауруларды диагностикалау дәлдігін арттыруды қамтамасыз ететін градиенттік бустингті, нейрондық желілерді және ансамбльдік модельдерді пайдалануға негізделген алгоритмдік тәсілдер ұсынылды. Модельдерді түсіндіру әдістерін, соның ішінде SHAP-талдауды қолдана отырып, жүрек-қан тамырлары ауруларының дамуына әсер ететін ақпараттық факторларға кешенді зерттеу жүргізілді, бұл маңызды белгілерді анықтап қана қоймай, алынған нәтижелердің түсіндірілуін қамтамасыз етуге мүмкіндік береді. Әзірленген әдіснама медициналық деректерді интеллектуалды талдау, шешімдерді қабылдауды қолдау жүйелерін дамыту және жекелендірілген медицина саласындағы болашақ ғылыми зерттеулерде пайдаланылуы мүмкін. Зерттеудің практикалық маңыздылығы клиникалық тәжірибенің тиімділігін арттыру үшін медициналық мекемелерге енгізілуі мүмкін жүрек-қан тамырлары ауруларын диагностикалау мен болжауға арналған шешімдерді қабылдауды қолдаудың ақпараттық-талдамалық жүйесін құруда жатыр. Әзірленген жүйе клиникалық және лабораториялық деректерді талдау процесін автоматтандыруды, ақпараттық қауіп факторларын анықтауды, аурулардың даму ықтималдығын болжауды және дәрігерлер үшін ұсыныстар қалыптастыруды қамтамасыз етеді. Машиналық оқыту мен модельдерді интерпретациялау әдістерін қолдану диагностика дәлдігін арттыруға және қабылданатын шешімдердің негізділігін қамтамасыз етуге мүмкіндік береді. Бұл жүйені денсаулық сақтау жүйесіне енгізу жүрек-қан тамырлары ауруларын ерте анықтауға, асқыну қаупін азайтуға және пациенттерге медициналық қызмет көрсету сапасын арттыруға ықпал етеді. Осылайша, диссертациялық зерттеудің нәтижелері ғылыми зерттеулерде де, медициналық ұйымдардың практикалық қызметінде де пайдаланылуы мүмкін, бұл диагностика процестерін цифрландыруды, алдын алудың тиімділігін арттыруды және жекелендірілген медицинаны дамытуды қамтамасыз етеді. Бағдарламалық қамтамасыз ету. Диссертациялық жұмыстың практикалық қамтамасыз етілуі жүрек-қан тамырлары ауруларын диагностикалау үшін шешімдерді қабылдауды қолдаудың ақпараттық-талдамалық жүйесін әзірлеуді, іске асыруды және жұмыс істеуін қамтамасыз ететін қазіргі заманғы бағдарламалық құралдар мен технологияларды қолдануға негізделген. Жүйені бағдарламалық іске асыру клиникалық деректерді өңдеу, машиналық оқыту модельдерін құру және оқыту, сондай-ақ талдамалық модульдерді интеграциялау үшін қолданылатын Python бағдарламалау тілінің көмегімен орындалды. Серверлік бөлікті іске асыру үшін пайдаланушы интерфейсі, деректер базасы және болжамдық модельдер арасындағы өзара әрекеттесуді қамтамасыз ететін Flask фреймворкі пайдаланылады. Деректерді талдау және модельдерді құру құралдары ретінде классификация, регрессия және жүрек-қан тамырлары ауруларының қаупін болжау міндеттерін іске асыруға мүмкіндік беретін Scikit-learn, XGBoost және TensorFlow/Keras кітапханалары пайдаланылады. Нәтижелерді интерпретациялау және ақпараттық факторларды анықтау үшін SHAP әдісі қолданылады. Деректерді сақтау және басқару клиникалық ақпаратты, талдау және болжау нәтижелерін құрылымды сақтауды қамтамасыз ететін қазіргі заманғы деректер базасын пайдалану арқылы жүзеге асырылады. Жүйенің клиенттік бөлігі талдау нәтижелерін визуализациялауды, қауіп факторларын көрсетуді және пайдаланушының жүйемен ыңғайлы өзара әрекеттесуін қамтамасыз ететін қазіргі заманғы веб-технологияларды қолдану арқылы іске асырылды. Деректерді визуализациялау үшін нәтижелерді графикалық және талдамалық түрде ұсынуға мүмкіндік беретін мамандандырылған кітапханалар қолданылады. Осылайша, диссертациялық жұмыстың практикалық қамтамасыз етілуі машиналық оқыту әдістерін, қазіргі заманғы бағдарламалық құралдар мен деректерді талдау технологияларын интеграциялауға негізделген, бұл медицинада шешімдерді қабылдауды қолдаудың тиімді ақпараттық-талдамалық жүйесін іске асыруды қамтамасыз етеді. Нәтижелерді енгізу. Жүрек-қан тамырлары ауруларын диагностикалау үшін шешімдерді қабылдауды қолдаудың әзірленген ақпараттық-талдамалық жүйесі клиникалық және лабораториялық деректерде апробациядан өтіп, қауіп факторларын талдау және болжау міндеттерінде жоғары тиімділік көрсетті. Жүйе медициналық деректерді автоматтандырылған өңдеуде, ақпараттық белгілерді анықтауда және аурулардың даму ықтималдығын бағалауда жоғары дәлдік көрсетті. Ансамбльдік модельдер мен нейрондық желілерді қоса алғанда, машиналық оқыту әдістерін қолдану диагностикалық шешімдердің дәлдігін айтарлықтай арттыруға және әртүрлі деректермен жұмыс істеу кезінде модельдердің тұрақтылығын қамтамасыз етуге мүмкіндік берді. Модельдерді түсіндіру әдістерін, атап айтқанда SHAP-талдауын қолдану алынған нәтижелерді түсіндіруге және жүрек-қан тамырлары ауруларының дамуына әсер ететін негізгі қауіп факторларын анықтауға мүмкіндік берді. Енгізілген деректерді талдау алгоритмдері пациенттің жағдайын кешенді бағалау, көрсеткіштерді динамикалық бақылау және медицина мамандары үшін негізделген ұсыныстар қалыптастыру мүмкіндігін қамтамасыз етеді, бұл диагностика сапасын және профилактикалық іс-шаралардың тиімділігін арттыруға ықпал етеді. Диссертация нәтижелерін апробациялау. Диссертациялық зерттеудің негізгі нәтижелері келесі халықаралық конференцияларда ұсынылды: Зерттеу нәтижелерін талқылау және енгізу: Scopus және Web of Science деректер базасында индекстелетін журналдардағы 2 мақала: Maxutova N. et al. Assessing risk factors for heart disease using machine learning methods //International Journal of Electrical and Computer Engineering (IJECE). – 2024. – Т. 14. – №. 6. – С. 6734–6742 Maxutova N. et al. A Hybrid Ensemble Framework for Rare Event Detection in Large-Scale Tabular Data //Computers. – 2026. – Т. 15. – №. 3. – С. 151. Диссертацияның құрылымы мен көлемі. Диссертация орыс тілінде жазылған және кіріспеден, үш бөлімнен, қорытындыдан, пайдаланылған әдебиеттер тізімінен және қосымшалардан тұрады. Бірінші тарауда медициналық деректер көлемінің өсуі және жекелендірілген медицина қажеттілігі жағдайындағы шектеулерге назар аудара отырып, жүрек-қан тамырлары ауруларын диагностикалау мен болжаудың қазіргі заманғы және дәстүрлі тәсілдеріне талдау жасалады. Клиникалық шкалалар мен жеке биомаркерлерге негізделген қауіпті бағалаудың классикалық әдістері, сондай-ақ олардың көрсеткіштер арасындағы күрделі өзара байланыстарды ескеру қабілетінің жеткіліксіздігі қарастырылады. Диагностика дәлдігі мен клиникалық шешімдерді қабылдау тиімділігін арттырудағы машиналық оқыту әдістерін, жасанды интеллектті және медициналық ақпараттық жүйелерді қоса алғанда, цифрлық технологияларды қолдануға ерекше назар аударылады. Екінші тарау пациенттердің клиникалық-лабораториялық деректері негізінде жүрек-қан тамырлары қаупін болжау моделін әзірлеуге арналған. Деректерді тазартуды, нормалауды және ақпараттық белгілерді қалыптастыруды қоса алғанда, деректерді дайындау және алдын ала өңдеу кезеңдері қарастырылады. Биохимиялық көрсеткіштер, клиникалық сипаттамалар және мінез-құлық параметрлері сияқты негізгі қауіп факторлары талданады. Ансамбльдік әдістерді, ықтималдық тәсілдерді және латенттік белгілерді қалыптастыру әдістерін біріктіретін гибридтік модельді құруға ерекше назар аударылады. Модельдің тиімділігін бағалау машиналық оқытудың метрикаларын, соның ішінде ROC-AUC, PR-AUC және теңгерімді дәлдікті қолдана отырып жүргізіледі, бұл оның жоғары болжамдық қабілетін растауға мүмкіндік береді. Үшінші тарау әзірленген модельді шешімдерді қабылдауды қолдаудың ақпараттық-талдамалық жүйесі түрінде практикалық іске асыруды қарастырады. Деректерді енгізу, алдын ала өңдеу, болжау және нәтижелерді интерпретациялау модульдерін қамтитын клиент-сервер принципі бойынша іске асырылған жүйе архитектурасы сипатталады. Медициналық деректерді өңдеу, болжамдық бағалауларды қалыптастыру және оларды клиникалық тұрғыдан түсінікті түрде ұсыну тәсілдері қарастырылады. Тарауда жүйенің тиімділігі мен медициналық тәжірибеде қолданылуын растайтын жүйені тестілеу нәтижелері ұсынылған, сондай-ақ әзірленген шешімді қолданыстағы медициналық ақпараттық жүйелерге интеграциялау мүмкіндігі негізделген. Алғыс. Автор өзінің ғылыми кеңесшісі, профессор, физика-математика ғылымдарының докторы Ж.А. Тусуповқа диссертациялық зерттеуді орындаудың барлық кезеңдерінде құнды ғылыми ұсыныстары, жұмысқа тұрақты назары мен қолдауы үшін ерекше алғысын білдіреді. Сонымен қатар, автор шетелдік ғылыми кеңесші, философия докторы (PhD), доцент К.О. Рахимовқа (Өзбекстан) кәсіби кеңестері, сындарлы ескертулері мен зерттеудің ғылыми нәтижелерін дамытуға жәрдемдескені үшін шынайы алғыс айтады.

Диссертация

Ғылыми еңбектер тізімі

Ғылыми кеңесшінің пікірі

Шетелдік кеңесшінің пікірі

Зерттеулерді этикалық бағалау жөніндегі комиссияның қорытындысы