Защита диссертации Максутовой Натальи Шахиновны на соискание степени доктора философии (PhD) по специальности «8D06103 - Информационные системы»

В Евразийском национальном университете имени Л.Н. Гумилева состоится защита диссертации на соискание степени доктора философии (PhD) Максутовой Натальи Шахиновны на тему «Разработка информационно-аналитической системы для поддержки принятия решений диагностирования в медицине на основе анализа клинических данных и медицинских обследований» по образовательной программе «8D06103 – Информационные системы».

Диссертация выполнена на кафедре «Кафедра Информационных систем» Евразийского национального университета имени Л.Н. Гумилева.

Язык защиты - на русском

Официальные рецензенты:

Шаушенова Анаргуль Гимрановна – кандидат технических наук, ассоциированный профессор, руководитель образовательной программы «Информационные системы» Казахского агротехнического исследовательского университета имени С. Сейфуллина (г. Астана, Республика Казахстан).

Мурзахметов Асланбек Нурбекович – доктор философии (PhD), и.о. ассоциированный профессор, заведующий кафедрой «Информационные системы» Таразского университета имени М.Х. Дулати (г. Тараз, Республика Казахстан).

Временные члены Диссертационного совета:

Барахнин Владимир Борисович – доктор технических наук; доцент, ведущий научный сотрудник в Федеральном исследовательском центре информационных и вычислительных технологий (ФИЦ ИВТ) (г. Новосибирск, Россия);

Мансурова Мадина Есимхановна – кандидат физико-математических наук, профессор, заведующая кафедрой «Искусственный интеллект и Big Data» Казахского национального университета имени аль-Фараби (г. Алматы, Республика Казахстан).

Еримбетова Айгерим Сембековна – доктор философии (PhD), кандидат технических наук, ассоциированный профессор, ведущий научный сотрудник Института информационных и вычислительных технологий КН МНВО РК (г. Алматы, Республика Казахстан).

Научные консультанты:

Тусупов Джамалбек Алиаскарович – доктор ф.-м.наук, профессор кафедры “Информационные системы” Евразийского национального университета имени Л.Н. Гумилева, (г. Астана, Республика Казахстан);

Рахимов Кувватали Ортикович – доктор философии (PhD), доцент, заведующий кафедрой прикладной математики и информатики Ферганского государственного университета (г. Фергана, Республика Узбекистан).

Защита состоится: 26 августа 2026 года 10:00 часов в Диссертационном совете по направлению подготовки кадров «8D061 – Информационно-коммуникационные технологии» по специальности «8D06103 – Информационные системы» Евразийского национального университета имени Л.Н. Гумилева. Проведение заседания диссертационного совета в онлайн формате.

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

Адрес: г. Астана, ул. Пушкина, 11, Учебный корпус № 2, аудитория № 222. г.

Аннотация (рус.): АННОТАЦИЯ диссертационной работы Максутовой Натальи Шахиновны на тему «Разработка информационно-аналитической системы для поддержки принятия решений диагностирования в медицине на основе анализа клинических данных и медицинских обследований», представленной на соискание степени доктора философии (PhD) по образовательной программе «8D06103 - Информационные системы» Актуальность темы. Сердечно-сосудистые заболевания (ССЗ) на протяжении последних десятилетий остаются ведущей причиной смертности и инвалидизации населения во всем мире, что обусловливает высокую социальную и экономическую значимость их ранней диагностики и профилактики. По данным Всемирной организации здравоохранения, ежегодно от сердечно-сосудистых заболеваний умирает около 17,9 млн человек, что составляет порядка 31% всех случаев смертности в мире, при этом более 75% этих случаев приходится на страны с низким и средним уровнем дохода. При этом значительная доля преждевременной смертности (до 85%) связана с такими формами ССЗ, как ишемическая болезнь сердца и инсульт. По данным международных исследований, значительная часть случаев развития ССЗ (до 80%) может быть предотвращена при своевременном выявлении факторов риска и принятии соответствующих медицинских решений. В условиях роста объёмов клинических данных, включающих лабораторные показатели, демографические характеристики и результаты медицинских обследований, традиционные методы анализа оказываются недостаточно эффективными для выявления сложных взаимосвязей и скрытых закономерностей. Объём медицинских данных ежегодно увеличивается на 30–40%, что значительно усложняет их обработку и интерпретацию с использованием классических статистических методов. Современные достижения в области искусственного интеллекта и машинного обучения открывают новые возможности для анализа медицинских данных, позволяя разрабатывать модели прогнозирования и оценки рисков с высокой точностью. Использование таких методов, как ансамблевые алгоритмы, нейронные сети и методы градиентного бустинга, способствует выявлению значимых факторов риска и построению предиктивных моделей, способных учитывать нелинейные зависимости и взаимодействия между признаками. Особое значение приобретает применение данных подходов в задачах обнаружения редких событий, характеризующихся выраженным дисбалансом классов, что является типичной проблемой медицинских данных. Вместе с тем, несмотря на значительный потенциал методов машинного обучения, их применение в клинической практике сопряжено с рядом ограничений, включая низкую интерпретируемость моделей, необходимость обеспечения устойчивости результатов и сложности интеграции в существующие медицинские информационные системы. В связи с этим возрастает потребность в разработке информационно-аналитических систем поддержки принятия решений, способных не только обеспечивать высокую точность прогнозирования, но и предоставлять обоснованные и интерпретируемые рекомендации для врачей. В Казахстане проблема сердечно-сосудистых заболеваний также остается одной из наиболее актуальных задач системы здравоохранения, оказывая значительное влияние на уровень смертности и качество жизни населения. В последние годы в стране реализуются программы цифровизации здравоохранения, направленные на внедрение информационных систем и технологий анализа данных в медицинскую практику. Однако существующие решения в большинстве случаев не обеспечивают комплексного анализа клинических и биохимических показателей, а также не учитывают возможности современных методов машинного обучения для выявления скрытых факторов риска и прогнозирования заболеваний. Актуальность данного исследования обусловлена необходимостью повышения эффективности диагностики и прогнозирования сердечно-сосудистых заболеваний за счет использования методов машинного обучения и разработки информационно-аналитической системы поддержки принятия решений. Особое значение приобретает выявление информативных факторов риска на основе анализа клинических данных, а также разработка моделей, обеспечивающих высокую точность и устойчивость прогнозирования в условиях разнородных и несбалансированных данных. Разработка и внедрение информационно-аналитической системы позволит автоматизировать процессы анализа медицинских данных, повысить качество принимаемых клинических решений и обеспечить переход к более персонализированному подходу в диагностике и профилактике сердечно-сосудистых заболеваний. Это, в свою очередь, будет способствовать снижению уровня заболеваемости и смертности, а также повышению эффективности функционирования системы здравоохранения. Таким образом, разработка методов анализа клинических данных и создание информационно-аналитической системы поддержки принятия решений для диагностики сердечно-сосудистых заболеваний представляет собой актуальное и востребованное научное направление, ориентированное на снижение смертности и повышение эффективности клинических решений в условиях цифровизации здравоохранения. Целью данной диссертационной работы является разработка информационно-аналитической системы поддержки принятия решений для диагностики сердечно-сосудистых заболеваний, основанной на использовании методов машинного обучения, анализа клинических данных и выявлении информативных факторов риска. В соответствии с поставленной целью в диссертационной работе должны быть выполнены следующие задачи: Обзор научных исследований по применению методов машинного обучения для диагностики сердечно-сосудистых заболеваний и оценки факторов риска. Создание модели машинного обучения для диагностики риска сердечно-сосудистых заболеваний на основе клинических и лабораторных данных. Оценка эффективности разработанной модели с использованием метрик качества и анализа обобщающей способности на тестовых данных. Создание информационно-аналитической системы поддержки принятия решений для диагностики сердечно-сосудистых заболеваний, включающей базы данных, аналитические модули и пользовательский интерфейс. Реализация поставленных задач позволит разработать комплексное информационно-аналитическое решение для поддержки принятия решений в области диагностики сердечно-сосудистых заболеваний, способствующее повышению точности выявления факторов риска, обеспечению ранней диагностики и снижению вероятности развития патологий, а также повышению эффективности профилактических и лечебных мероприятий в системе здравоохранения. Объект исследования – процессы анализа клинических данных, лабораторных показателей и результатов медицинских обследований при диагностике и прогнозировании сердечно-сосудистых заболеваний. Предмет исследования – модели, алгоритмы и методы анализа клинических данных, выявления информативных факторов риска и разработки информационно-аналитической системы поддержки принятия решений для диагностики сердечно-сосудистых заболеваний. Методы исследования - методы машинного обучения (XGBoost, сверточные нейронные сети, ансамблевые методы), методы оценки качества моделей (MSE, R², AIC, BIC), методы обработки несбалансированных данных и оптимизации порогов классификации, а также методы интерпретации моделей (SHAP) и анализа клинических данных. а также методы проектирования и разработки информационных систем. Научная новизна диссертационной работы Выявлены информативные факторы, обеспечивающие раннюю диагностику и оценку риска развития сердечно-сосудистых заболеваний на основе анализа разнородных медицинских данных. Разработана ансамблевая модель машинного обучения для выявления редких событий и оценки риска сердечно-сосудистых заболеваний, обеспечивающая повышение точности, устойчивости и интерпретируемости результатов. Методологическая основа данного исследования базируется на комплексном подходе к анализу клинических данных и прогнозированию сердечно-сосудистых заболеваний с применением методов машинного обучения, математического моделирования и интеллектуального анализа данных. Основу исследования составляет использование алгоритмов машинного обучения для выявления информативных факторов риска и построения предиктивных моделей. В частности, применяются методы градиентного бустинга (XGBoost), сверточные нейронные сети и ансамблевые подходы, позволяющие повысить точность диагностики и устойчивость моделей. Дополнительно используются методы оценки качества моделей (MSE, R², AIC, BIC), методы обработки несбалансированных данных и оптимизации порогов классификации, а также методы интерпретации моделей, включая SHAP, обеспечивающие выявление значимых факторов и объяснимость результатов. Применение данных подходов позволяет реализовать обоснованную поддержку принятия решений в медицинской практике и повысить эффективность ранней диагностики сердечно-сосудистых заболеваний. Методика исследования Методика исследования основана на комплексном подходе к анализу клинических данных и прогнозированию сердечно-сосудистых заболеваний с применением современных методов машинного обучения, математического моделирования и технологий искусственного интеллекта. Работа включает несколько этапов, объединяющих сбор, предобработку и анализ медицинских данных, разработку и обучение моделей машинного обучения, выявление информативных факторов риска, создание информационно-аналитической системы и её экспериментальную апробацию. Разработан комплексный подход к диагностике и прогнозированию сердечно-сосудистых заболеваний, основанный на применении методов машинного обучения, включая градиентный бустинг, нейронные сети и ансамблевые модели, а также методов интерпретации моделей. Предложенная методология позволяет повысить точность прогнозирования риска, обеспечить выявление значимых клинических факторов и снизить неопределенность при принятии медицинских решений, способствуя развитию интеллектуальных систем поддержки принятия решений в здравоохранении. Положения, выносимые на защиту заключается в Информативные факторы для оценки и диагностирования риска сердечно-сосудистых заболеваний, выявленные на основе методов машинного обучения и интерпретационных подходов анализа данных (SHAP и др.). Ансамблевая модель для диагностирования редких событий и оценка риска сердечно-сосудистых заболеваний, обеспечивающая повышение точности, устойчивости и интерпретируемости результатов. Разработанная информационно-аналитическая система поддержки принятия решений, обеспечивающая автоматизированный анализ медицинских данных, оценку индивидуальных рисков и поддержку принятия клинических решений. Теоретическая значимость диссертационной работы заключается в разработке и обосновании методов анализа клинических данных и прогнозирования сердечно-сосудистых заболеваний с применением современных методов машинного обучения. В работе предложены алгоритмические подходы, основанные на использовании градиентного бустинга, нейронных сетей и ансамблевых моделей, обеспечивающие повышение точности выявления факторов риска и диагностики заболеваний. Проведено комплексное исследование информативных факторов, влияющих на развитие сердечно-сосудистых заболеваний, с использованием методов интерпретации моделей, включая SHAP-анализ, что позволяет не только выявлять значимые признаки, но и обеспечивать объяснимость полученных результатов. Разработанная методология может быть использована в дальнейших научных исследованиях в области интеллектуального анализа медицинских данных, развития систем поддержки принятия решений и персонализированной медицины. Практическая значимость исследования заключается в создании информационно-аналитической системы поддержки принятия решений для диагностики и прогнозирования сердечно-сосудистых заболеваний, которая может быть внедрена в медицинские учреждения для повышения эффективности клинической практики. Разработанная система обеспечивает автоматизацию процесса анализа клинических и лабораторных данных, выявление информативных факторов риска, прогнозирование вероятности развития заболеваний и формирование рекомендаций для врачей. Использование методов машинного обучения и интерпретации моделей позволяет повысить точность диагностики и обеспечить обоснованность принимаемых решений. Внедрение данной системы в систему здравоохранения способствует раннему выявлению сердечно-сосудистых заболеваний, снижению риска осложнений и повышению качества медицинского обслуживания пациентов. Таким образом, результаты диссертационного исследования могут быть использованы как в научных исследованиях, так и в практической деятельности медицинских организаций, обеспечивая цифровизацию процессов диагностики, повышение эффективности профилактики и развитие персонализированной медицины. Программное обеспечение. Практическое обеспечение диссертационной работы основано на использовании современных программных средств и технологий, обеспечивающих разработку, реализацию и функционирование информационно-аналитической системы поддержки принятия решений для диагностики сердечно-сосудистых заболеваний. Программная реализация системы выполнена с использованием языка программирования Python, который применяется для обработки клинических данных, построения и обучения моделей машинного обучения, а также интеграции аналитических модулей. Для реализации серверной части используется фреймворк Flask, обеспечивающий взаимодействие между пользовательским интерфейсом, базой данных и моделями прогнозирования. В качестве инструментов анализа данных и построения моделей используются библиотеки Scikit-learn, XGBoost и TensorFlow/Keras, позволяющие реализовать задачи классификации, регрессии и прогнозирования риска сердечно-сосудистых заболеваний. Для интерпретации результатов и выявления информативных факторов применяется метод SHAP. Хранение и управление данными осуществляется с использованием современных баз данных, обеспечивающих структурированное хранение клинической информации, результатов анализа и прогнозирования. Клиентская часть системы реализована с использованием современных веб-технологий, обеспечивающих визуализацию результатов анализа, отображение факторов риска и удобное взаимодействие пользователя с системой. Для визуализации данных применяются специализированные библиотеки, позволяющие представлять результаты в графическом и аналитическом виде. Таким образом, практическое обеспечение диссертационной работы базируется на интеграции методов машинного обучения, современных программных средств и технологий анализа данных, что обеспечивает реализацию эффективной информационно-аналитической системы поддержки принятия решений в медицине. Внедрение результатов. Разработанная информационно-аналитическая система поддержки принятия решений для диагностики сердечно-сосудистых заболеваний была апробирована на клинических и лабораторных данных и показала высокую эффективность в задачах анализа и прогнозирования факторов риска. Система продемонстрировала высокую точность при автоматизированной обработке медицинских данных, выявлении информативных признаков и оценке вероятности развития заболеваний. Применение методов машинного обучения, включая ансамблевые модели и нейронные сети, позволило существенно повысить точность диагностических решений и обеспечить устойчивость моделей при работе с разнородными данными. Использование методов интерпретации моделей, в частности SHAP-анализа, обеспечило возможность объяснения полученных результатов и выявления ключевых факторов риска, влияющих на развитие сердечно-сосудистых заболеваний. Внедренные алгоритмы анализа данных обеспечивают возможность комплексной оценки состояния пациента, динамического мониторинга показателей и формирования обоснованных рекомендаций для медицинских специалистов, что способствует повышению качества диагностики и эффективности профилактических мероприятий. Апробация результатов диссертации. Основные результаты диссертационного исследования были представлены на следующих международных конференциях: Обсуждение и внедрение результатов исследования: 2 статьи в журналах, индексируемых в Scopus и Web of Science: 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. Структура и объем диссертации. Диссертация написана на русском языке и состоит из введения, трех разделов, заключения, списка литературы и приложений. В первой главе проводится анализ современных и традиционных подходов к диагностике и прогнозированию сердечно-сосудистых заболеваний, с акцентом на их ограничения в условиях роста объема медицинских данных и необходимости персонализированной медицины. Рассматриваются классические методы оценки риска, основанные на клинических шкалах и отдельных биомаркерах, а также их недостаточная способность учитывать сложные взаимосвязи между показателями. Особое внимание уделяется применению цифровых технологий, включая методы машинного обучения, искусственного интеллекта и медицинские информационные системы, в повышении точности диагностики и эффективности принятия клинических решений. Вторая глава посвящена разработке модели прогнозирования сердечно-сосудистого риска на основе клинико-лабораторных данных пациентов. Рассматриваются этапы подготовки и предобработки данных, включая очистку, нормализацию и формирование информативных признаков. Анализируются ключевые факторы риска, такие как биохимические показатели, клинические характеристики и поведенческие параметры. Особое внимание уделяется построению гибридной модели, объединяющей ансамблевые методы, вероятностные подходы и методы формирования латентных признаков. Проводится оценка эффективности модели с использованием метрик машинного обучения, включая ROC-AUC, PR-AUC и сбалансированную точность, что позволяет подтвердить её высокую прогностическую способность. Третья глава рассматривает практическую реализацию разработанной модели в виде информационно-аналитической системы поддержки принятия решений. Описывается архитектура системы, реализованной по клиент-серверному принципу, включающей модули ввода данных, предобработки, прогнозирования и интерпретации результатов. Рассматриваются подходы к обработке медицинских данных, формированию прогнозных оценок и их представлению в клинически интерпретируемом виде. В главе представлены результаты тестирования системы, подтверждающие её эффективность и применимость в условиях медицинской практики, а также обоснована возможность интеграции разработанного решения в существующие медицинские информационные системы. Благодарность. Автор выражает особую благодарность своему научному консультанту, профессору, доктору физико-математических наук Тусупову Д.А. за ценные научные рекомендации, постоянное внимание к работе и поддержку на всех этапах выполнения диссертационного исследования. Кроме того, автор искренне благодарит зарубежного научного консультанта, доктора философии (PhD), доцента Рахимова К.О. (Узбекистан) за профессиональные советы, конструктивные замечания и содействие в развитии научных результатов исследования.

Диссертация

Список научных трудов

Отзыв научного консультанта

Отзыв зарубежного консультанта

Заключение комиссии по этической оценке исследований