КОНСТРУЮВАННЯ ОЗНАК ДЛЯ ЗАСТОСУВАННЯ НАВЧАННЯ МАШИН ПРИ ОБРОБЦІ КЛІНІЧНИХ ДАНИХ

У цій статті представлено дослідження створення ознак для застосування машинного навчання (ML) при обробці клінічних даних, зосереджуючись на бінарній класифікації даних часових рядів. Дослідження демонструє ефективність використання перетворення Хаара для підвищення значущості ознак і покращення ефективності класифікації. Перетворення Хаара дозволяє підвищити точність прогнозування за рахунок збільшення ваги важливих параметрів, що особливо важливо при обробці складних клінічних даних. Результати дослідження показують значне збільшення площі під кривою робочих характеристик приймача (AUC-ROC) з 0,44 для базової моделі до 0,82 для моделі з перетворенням Хаара, що вказує на значні покращення в точності прогнозування. Методологія, описана в статті, охоплює різні етапи, включаючи попередню обробку даних, навчання моделі за допомогою алгоритму XGBoost та оцінку продуктивності за допомогою кривих AUC-ROC. Попередня обробка включає очищення та нормалізацію даних, що є важливими кроками для забезпечення високої якості результатів машинного навчання. Особливу увагу приділено використанню даних Інтернету речей (IoT) у клінічних умовах, що відкриває нові можливості для прогнозної аналітики та прийняття рішень у сфері охорони здоров'я. Підходи, описані в статті, можуть бути застосовані для аналізу великої кількості інформації, зібраної з різних медичних пристроїв, підключених до мережі IoT. Це дозволяє отримати більш точні прогнози і приймати обґрунтовані рішення на основі реальних даних, що сприяє покращенню якості медичних послуг і підвищенню рівня догляду за пацієнтами. Результати дослідження підкреслюють потенціал методів машинного навчання в закладах охорони здоров'я для підвищення точності прогнозів і прийняття рішень. Майбутні напрямки досліджень можуть передбачати вивчення додаткових методів розробки ознак і використання передових алгоритмів машинного навчання для подальшого підвищення корисності клінічної аналітики даних IoT. Зокрема, вивчення можливостей глибокого навчання і нейронних мереж може відкрити нові горизонти для аналізу і обробки клінічних даних.