Застосування машинного навчання для прогнозування ризиків розвитку серцево-судинних захворювань

Abstract

Магістерська робота присвячена розробленню біотехнічної системи прогнозування ризику розвитку серцево-судинних захворювань ( ) з використанням сучасних методів аналізу біомедичних сигналів та алгоритмів машинного навчання. У роботі наведено обґрунтування актуальності проблеми, проаналізовано існуючі клінічні та аналітичні методи прогнозування, представлено порівняльний аналіз моделей Framingham, SCORE2, ACC/AHA та ML-підходів. Основна частина роботи охоплює побудову технічної, математичної, алгоритмічної та програмної складових системи. Сформовано математичні моделі обробки ЕКГ-сигналу, реалізовано виявлення R-піків, аналіз варіабельності серцевого ритму (HRV), включно з часовими, частотними та статистичними показниками. Побудовано вектор ознак для моделі машинного навчання та реалізовано алгоритм градієнтного бустингу для прогнозування ризику . Експериментальні дослідження на вибірці N = 250 спостережень засвідчили високу точність моделі: AUC = 0.892, Se = 0.915, PPV = 0.887, F1 = 0.901, що перевищує результати традиційних методів оцінки ризику. Економічний аналіз довів доцільність впровадження системи у клінічну практику, а також значний потенціал зниження витрат на діагностику та повторні госпіталізації. Розроблена система може бути інтегрована у медичні інформаційні системи та телемедичні платформи, забезпечуючи автоматизований моніторинг пацієнтів групи ризику та сприяючи персоналізації медичної допомоги.

The Master’s thesis is devoted to the development of an intelligent biomedical system for predicting the risk of cardiovascular diseases (CVD) using modern biomedical signal processing techniques and machine learning algorithms. The study substantiates the relevance of early CVD risk prediction, presents a detailed analysis of existing clinical scoring methods, and compares traditional models such as , SCORE2, and ACC/AHA with machine learning–based approaches. The main part of the thesis includes the development of the technical, mathematical, algorithmic, and software components of the system. Mathematical models for ECG signal processing were implemented, including R-peak detection and heart rate variability (HRV) computation in time, frequency, and statistical domains. A comprehensive feature vector was constructed, and a gradient boosting classifier was developed to predict cardiovascular risk. Experimental validation on a dataset of N = 250 observations demonstrated high performance of the proposed model: AUC = 0.892, Se = 0.915, PPV = 0.887, and F1 = 0.901, outperforming traditional clinical scoring methods. The economic evaluation confirmed the cost-effectiveness and clinical applicability of the system, highlighting its potential to reduce diagnostic costs and prevent unnecessary hospitalizations. The developed system can be integrated into hospital information systems and telemedicine platforms, enabling automated monitoring of high-risk patients and supporting personalized healthcare.