Utilizza questo identificativo per citare o creare un link a questo documento:
http://elartu.tntu.edu.ua/handle/lib/52153| Titolo: | Методи та засоби інтелектуального аналізу динаміки захворювань за даними електронної медичної документації |
| Titoli alternativi: | Methods and Tools for Intelligent Analysis of Disease Dynamics Using Electronic Medical Records Data |
| Autori: | Шабля, Руслан Андрійович Shablia, Ruslan |
| Affiliation: | Тернопільський національний технічний університет імені ім. І. Пулюя |
| Bibliographic description (Ukraine): | {ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с. |
| Bibliographic reference (2015): | Шабля Р. А. Методи та засоби інтелектуального аналізу динаміки захворювань за даними електронної медичної документації : робота на здобуття кваліфікаційного ступеня магістра : спец. 122 - комп’ютерні науки / наук. кер. М. Є. Фриз. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2026. 98 с. |
| Data: | 28-mag-2026 |
| Submitted date: | 14-mag-2026 |
| Date of entry: | 6-giu-2026 |
| Editore: | Тернопільський національний технічний університет імені ім. І. Пулюя |
| Country (code): | UA |
| Place of the edition/event: | Тернопіль |
| Supervisor: | Фриз, Михайло Євгенович Fryz, Mykhailo |
| UDC: | 004.04 |
| Parole chiave: | 122 комп’ютерні науки інтелектуальний аналіз даних прогнозування ризиків електронна медична документація градієнтний бустинг машине навчання data mining risk forecasting electronic medical records gradient boosting machine learning |
| Page range: | 98 |
| Abstract: | Кваліфікаційна робота присвячена розробці інтелектуальної системи аналізу динаміки захворювань на основі даних електронної медичної документації із використанням алгоритму XGBoost та сучасних технологій розробки. Розглянуто теоретичні засади інтелектуального аналізу даних у медицині. Проаналізовано специфіку медичних даних, обґрунтовано вибір технологічного стеку. Досліджено математичне моделювання на основі градієнтного бустингу. Висвітлено принципи роботи алгоритму XGBoost, підходи до формування вектора ознак, архітектуру трирівневої системи та механізм інтеграції Python-аналітичного ядра із серверною частиною на Node.js. Наведено практичну реалізацію інтелектуальної системи, що охоплює розробку предиктивного модуля на XGBoost, серверної частини на Node.js, інтеграцію з Python-аналітичним ядром та створення веб-інтерфейсу на React.js. The qualification thesis is devoted to the development of an intelligent system for analyzing disease dynamics based on electronic medical record data using the XGBoost algorithm and modern development technologies. The theoretical foundations of intelligent data analysis in medicine are considered. The specifics of medical data are analyzed, and the choice of the technological stack is substantiated. Mathematical modeling based on gradient boosting is investigated. The principles of the XGBoost algorithm operation, approaches to feature vector formation, the architecture of a three-tier system, and the mechanism of integration of the Python analytical core with the server side based on Node.js are highlighted. The practical implementation of the intelligent system is presented, covering the development of a predictive module based on XGBoost, the server side on Node.js, integration with the Python analytical core, and the creation of a web interface using React.js. |
| Descrizione: | Роботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 28.05.2026р. на засіданні екзаменаційної комісії №33 у Тернопільському національному технічному університеті імені Івана Пулюя |
| Content: | ВСТУП 1 ОГЛЯД МЕТОДІВ ІНТЕЛЕКТУАЛЬНОГО АНАЛІЗУ ДИНАМІКИ ЗАХВОРЮВАНЬ 1.1 Сучасний стан проблеми аналізу та прогнозування захворювань у контексті цифровізації медицини 1.2 Характеристика та систематизація даних електронної медичної документації як об’єкта аналізу 1.3 Огляд наукової літератури та сучасних досліджень у сфері медичного data mining... 1.4 Огляд та порівняльний аналіз існуючих програмних засобів аналізу 1.5 Висновок до першого розділу 2 МОДЕЛЮВАННЯ ТА ПРОЕКТУВАННЯ АРХІТЕКТУРИ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ 2.1 Методологічний аналіз стратегій розв’язання задач інтелектуального прогнозування в медицині 2.2 Математична формалізація моделі машинного навчання на основі градієнтного бустингу 2.3 Архітектурне проектування та структурно-функціональний аналіз системи…… 2.4 Проектування бази даних та структури збереження інформації 2.5 Висновок до другого розділу 3 ПРОГРАМНА РЕАЛІЗАЦІЯ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ ПРОГНОЗУВАННЯ МЕДИЧНИХ РИЗИКІВ 3.1 Розробка моделі машинного навчання 3.2 Розробка серверної частини системи на базі платформи node.js та інтеграція з ml-модулем 3.3 Розробка клієнтської частини системи на базі react.js 3.4 Висновки до третього розділу 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 4.1 Нормативні вимоги до організації робочого місця користувача медичної інформаційної системи 4.2 Профілактика професійних захворювань під час тривалої роботи з екранними пристроями 4.3 Безпека в надзвичайних ситуаціях під час експлуатації інтелектуальної медичної системи 4.4 Висновок до четвертого розділу ВИСНОВКИ СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ ДОДАТКИ |
| URI: | http://elartu.tntu.edu.ua/handle/lib/52153 |
| ISBN: | {ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с. {ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с. {ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с. |
| Copyright owner: | © Шабля Руслан Андрійович, 2026 |
| References (Ukraine): | 1. Topol E. J. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine. 07.01.2019. URL: https://www.nature.com/articles/s41591-018-0300-7.pdf. 2. WHO. Global strategy on digital health 2020-2025. World Health Organization. 2021. URL: https://www.who.int/docs/defaultsource/documents/ gs4dhdaa2a97010b744a39a848a601345564f.pdf. 3. Haleem A., Javaid M., Singh R. P., Suman R. Telemedicine for healthcare: Capabilities, features, barriers, and applications. Sensors International. 2021. URL: https://doi.org/10.1016/j.sintl.2021.100117. 4. Dash S., Shakyawar S. K., Sharma M., Kaushik S. Big data in healthcare: management, analysis and future prospects. Journal of Big Data. 19.06.2019. URL: https://journalofbigdata.springeropen.com/articles/10.1186/s40537-019-0217-0. 5. Meskó B., deBronkart D. Patient Design: The Next Step in User-Centered Healthcare. Journal of Medical Internet Research. 2022. URL: https://www.jmir.org/2022/9/e39434/. 6. Sutton R. T., Pincock D., Baumgart D. C. An overview of clinical decision support systems: benefits, risks, and strategies for success. NPJ Digital Medicine. 06.02.2020. URL: https://www.nature.com/articles/s41746-020-0221-y.pdf. 7. Zikos D., DeLellis N. CDSS Evaluation Framework: A Systematic Review. Health Policy and Technology. 2018. URL: https://doi.org/10.1016/j.hlpt.2018.10.003. 8. Rajpurkar P., Chen E., Banerjee O., Topol E. J. AI in health and medicine. Nature Medicine. 20.01.2022. URL: https://www.nature.com/articles/s41591-021-01614-0.pdf. 9. Wasylewicz A. T., Scheepers-Hoeks A. Clinical Decision Support Systems. Fundamentals of Clinical Data Science. 2019. URL: https://link.springer.com/chapter/10.1007/978-3-319-99713-1_13. 10. Miller R. A. Clinical Decision Support Systems: A 25-Year Retrospective and a 25-Year Prospective. Yearbook of Medical Informatics. 2016. URL: https://pubmed.ncbi.nlm.nih.gov/27494165/. 11. Jiang F., Jiang Y., Zhi H. Artificial intelligence in healthcare: past, present and future. Stroke and Vascular Neurology. 2017. URL: https://svn.bmj.com/content/svneurol/2/4/230.full.pdf. 12. Kaur P., Sharma M., Mittal M. Big Data and Machine Learning Algorithms for Health-Care Analysis. In: Scalable Computing: Practice and Experience. 2018. URL: https://www.scpe.org/index.php/scpe/article/view/1344. 13. Wiens J., Saria S., Sendak M. Do no harm: a roadmap for responsible machine learning for health. Nature Medicine. 2019. URL: https://www.nature.com/articles/s41591-019-0548-6. 14. Shailaja K., Seetharamulu B., Jabbar M. A. Machine Learning in Healthcare: A Review. International Conference on Electronics, Communication and Aerospace Technology. 2018. URL: https://ieeexplore.ieee.org/document/8474914. 15. Kourou K., Exarchos T. P., Fotiadis D. I. Machine learning applications in cancer prognosis and prediction. Computational and Structural Biotechnology Journal. 2015. URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4348437/. 16. Price W. N., Cohen I. G. Privacy in the age of medical big data. Nature Medicine. 2019. URL: https://www.nature.com/articles/s41591-018-0272-7. 17. Mittelstadt B. Principles of Biomedical Ethics in the Digital Age. Ethics and Information Technology. 2019. URL: https://link.springer.com/article /10.1007/s10676-019-09513-z. 18. Vayena E., Blasimme A., Tasioulas J. Machine learning in medicine: Addressing ethical challenges. PLOS Medicine. 2018. URL: https://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.1002689. 19. Ghassemi M., Naumann T., Schulam P. A review of challenges and opportunities in machine learning for health. AMIA Summits on Translational Science Proceedings. 2020. URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7233045/. 20. European Commission. Ethics guidelines for trustworthy AI. B-1049 Brussels. 08.04.2019. URL: https://ec.europa.eu/newsroom/dae/document.cfm?doc_id=60419. 21. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 13.08.2016. URL: https://arxiv.org/pdf/1603.02754.pdf. 22. Nielsen D. Tree Boosting With XGBoost - Why Does XGBoost Win Every Machine Learning Competition? NTNU Open. 2016. URL: https://ntnuopen.ntnu.no/ntnu-xmlui/bitstream/handle/11250/2433761/16128.pdf. 23. Lundberg S. M., Lee S.-I. A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems 30. 2017. URL: https://proceedings.neurips.cc/paper/2017/file/8a20a8621978632d76c43dfd28b67767-Paper.pdf. 24. Bentéjac C., Csörgő A., Martínez-Muñoz G. A comparative analysis of gradient boosting algorithms. Springer Link. 2020. URL: https://link.springer.com/article/10.1007/s10462-020-09839-3. 25. Brownlee J. XGBoost With Python: Gradient Boosted Trees with XGBoost and Scikit-Learn. Machine Learning Mastery. 2021. URL: https://machinelearningmastery.com/gentle-introduction-xgboost-applied-machine-learning/. 26. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Stanford University. 2017. URL: https://web.stanford.edu/~hastie/ElemStatLearn/printings/ESLII_print12_toc.pdf. 27. Banks A., Porcello E. Learning React: Modern Patterns for Developing React Apps. O’Reilly Media. 2020. URL: https://www.oreilly.com/library/view/learning-react-2nd/9781492044819/. 28. Teixeira H. Node.js Design Patterns: Design and implement production-grade Node.js applications. URL: https://www.packtpub.com/product/node-js-design-patterns-third-edition/9781839214110. 29. Voron A. FastAPI - Modern Python Web Development. Leanpub. 2021. URL: https://fastapi.tiangolo.com/learn/. 30. Kleppmann M. Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems. O'Reilly Media. 2017. URL: https://dataintensive.net/. 31. Sadalage P. J., Fowler M. NoSQL Distilled: A Brief Guide to the Emerging World of Polyglot Persistence. Pearson Education. 2013. URL: https://martinfowler.com/books/nosql.html. 32. Silberschatz A., Korth H., Sudarshan S. Database System Concepts. McGraw-Hill Education. 2019. URL: https://db-book.com/. 33. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. URL: https://arxiv.org/abs/1603.02754. 34. Lundberg S. M., Lee S.-I. A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems (NeurIPS). 2017. URL: https://papers.nips.cc/paper/7062-a-unified-approach-to-interpreting-model-predictions.pdf. 35. Grinberg M. Flask Web Development: Developing Web Applications with Python. 2nd Edition. O'Reilly Media. 2018. URL: https://www.oreilly.com/library/view/flask-web-development/9781491991725/. 36. Flanagan D. JavaScript: The Definitive Guide. 7th Edition. O'Reilly Media. 2020. URL: https://www.oreilly.com/library/view/javascript-the-definitive/9781491952016/. 37. Teixeira H., Casciaro M. Node.js Design Patterns: Design and implement production-grade Node.js applications. 3rd Edition. Packt Publishing. 2020. URL: https://www.packtpub.com/product/nodejsdesignpatternsthirdedition/9781839214110 38. Node.js Integration with Python Scripts via Child Processes. Node.js Official Documentation. 2025. URL: https://nodejs.org/api/child_process.html. 39. Глибовець М. М., Олєйніков О. М. Розробка веб-застосувань на базі Node.js та Express. Комп’ютерне моделювання та інформаційні технології. 2021. С. 45–52. 40. Шпортько О. В., Шпортько Г. О. Проектування та розробка баз даних у реляційній СКБД MySQL. Вісник Національного університету водного господарства та природокористування. 2022. С. 112–121. 41. Shemer M., Gudes E. Security and Privacy in Medical Information Systems. International Journal of Environmental Research and Public Health. 2022. URL: https://www.mdpi.com/1660-4601/19/13/7714. 42. Banks A., Porcello E. Learning React: Modern Patterns for Developing React Apps. 2nd Edition. O’Reilly Media. 2020. URL: https://www.oreilly.com/library/view/learning-react-2nd/9781492044819/. 43. React Documentation. Official website. URL: https://react.dev/. 44. Osmani A. Learning JavaScript Design Patterns. 2nd Edition. O'Reilly Media. 2023. URL: https://www.oreilly.com/library/view/learning-javascript-design/9781098139865/. 45. Березська К. М., Гевко Г. В. Проектування користувацьких інтерфейсів медичних інформаційних систем. Інноваційні технології та комп’ютерна інженерія. 2023. № 1 (37). С. 24–31. 46. Meszaros G. xUnit Test Patterns: Refactoring Test Code. Addison-Wesley. 2007. URL: http://xunitpatterns.com/. 47. Fowler M. Refactoring: Improving the Design of Existing Code. 2nd Edition. Addison-Wesley Professional. 2018. URL: https://martinfowler.com/books/refactoring.html. 48. A. Zaporozhets, Y. Kuts, B. Mlynko, M. Fryz, and L. Scherbak, “EEG Signal Classification Using Linear Process Model-Based Feature Extraction and Supervised Learning,” in Advanced System Development Technologies II. Studies in Systems, Decision and Control, M. Bezuglyi, N. Bouraou, V. Mykytenko, G. Tymchyk, and A. Zaporozhets, Eds., Cham: Springer Nature Switzerland, 2025, pp. 235–257. doi: 10.1007/978-3-031-82035-9_7. 49. M. Fryz, L. Scherbak, B. Mlynko, and T. Mykhailovych, “Linear RandomProcess Model-Based EEG Classification Using Machine LearningTechniques,” in Proceedings of the 1st International Workshop on Computer Information Technologies in Industry 4.0 (CITI 2023), 2023, vol. 3468, pp. 126–132. [Online]. Available: https://ceur-ws.org/Vol-3468/short5.pdf 50. Бабак В.П., Куц Ю.В., Мислович М.В., Фриз М.Є., Щербак Л.М. Об’єктно-орієнтована ідентифікація стохастичних шумових сигналів. Київ: Наукова думка, 2024. 240 с. https://doi.org/10.15407/978-966-00-1883-9. 51. V. Babak, A. Zaporozhets, Y. Kuts, M. Fryz, L. Scherbak. Noise signals: Modelling and Analyses. Cham: Springer Nature Switzerland, 2025. 222 p. DOI: https://doi.org/10.1007/978-3-031-71093-3 52. Бабак В.П., Марченко Б.Г., Фриз М.Є. Теорія ймовірностей, випадкові процеси та математична статистика. – К.: Техніка, 2004. – 288 с. 53. M. Fryz, “Conditional linear random process and random coefficient autoregressive model for EEG analysis,” 2017. doi:10.1109/UKRCON.2017.8100498. 54. Fryz M., Mlynko B. Property analysis of multivariate conditional linear random processes in the problems of mathematical modelling of signals // Technol. Audit Prod. Reserv. 2022. Vol. 3, No 2(65). P. 29–32. 55. ДСТУ 2293:2014. Охорона праці. Терміни та визначення основних понять. Чинний від 2015-05-01. Київ: Мінекономрозвитку України, 2014. 56. Вимоги щодо безпеки та захисту здоров’я працівників під час роботи з екранними пристроями: наказ Міністерства соціальної політики України від 14.02.2018 № 207. 57. ДСН 3.3.6.042-99. Санітарні норми мікроклімату виробничих приміщень. 58. Кодекс цивільного захисту України: Закон України № 5403-VI. 59. ДСТУ 3891:2013. Безпека у надзвичайних ситуаціях. Терміни та визначення основних понять. 60. Про затвердження правил пожежної безпеки в Україні: наказ Міністерства внутрішніх справ України від 30.12.2014 № 1417. |
| Content type: | Master Thesis |
| È visualizzato nelle collezioni: | 122 — комп’ютерні науки, F3 Комп’ютерні науки |
File in questo documento:
| File | Descrizione | Dimensioni | Formato | |
|---|---|---|---|---|
| 2026_KRM_SNnm-61_Shablia_RA.pdf | Дипломна робота | 2,08 MB | Adobe PDF | Visualizza/apri |
Tutti i documenti archiviati in DSpace sono protetti da copyright. Tutti i diritti riservati.
Strumenti di amministrazione