ПРОГНОЗИРОВАНИЕ ДИАБЕТА С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМА МАШИННОГО ОБУЧЕНИЯ K-БЛИЖАЙШИХ СОСЕДЕЙ

Авторы

  • Ляйля Черикбаева Казахский национальный университет имени аль-Фараби, Алматинский технологический университет
  • Феруза Маликова Алматинский технологический университет
  • Айнур Толеушова Алматинский технологический университет
  • Мадина Болысханова Казахский национальный университет имени аль-Фараби
  • Бекжан Балқашбай Алматинский технологический университет

DOI:

https://doi.org/10.52167/1609-1817-2023-128-5-288-297

Ключевые слова:

аналитика данных о здоровье, сахарный диабет, наука о данных, машинное обучение, k-ближайший сосед (k-nearest neighbor), предиктивная аналитика, классификация, интеллектуальные системы, услуги IoT (Интернет вещей)

Аннотация

В настоящее время услуги электронного здравоохранения стали бурно развивающейся областью, которая относится к компьютерному здравоохранению и предоставлению информации для улучшения медицинского обслуживания на местном, региональном и мировом уровне. Эффективная модель прогнозирования риска заболевания путем анализа электронных медицинских данных помогает не только лечить пациента, но и предоставлять услуги через соответствующие системы электронного здравоохранения, основанные на данных. В данной работе мы уделяем особое внимание прогнозированию и анализу сахарного диабета, все более распространенного хронического заболевания, которое относится к группе метаболических нарушений, характеризующихся высоким уровнем сахара в крови в течение длительного периода времени. K Nearest Neighbor (KNN) является одним из самых популярных и простых методов машинного обучения для построения такой модели прогнозирования риска заболевания на основе соответствующих медицинских данных. Для достижения нашей цели мы представляем оптимальную модель прогнозирования на основе обучения K Nearest Neighbor (Opt-KNN), основанную на привычных атрибутах пациента в различных измерениях. Этот подход определяет оптимальное количество соседей с низким коэффициентом ошибок для обеспечения лучшего прогнозирования в результирующей модели. Эффективность этой модели электронного здравоохранения на основе машинного обучения проверяется путем проведения экспериментов на реальных данных о сахарном диабете, собранных в медицинских учреждениях. больниц.

Биографии авторов

Ляйля Черикбаева, Казахский национальный университет имени аль-Фараби, Алматинский технологический университет

PhD, Алматы, Казахстан, cherikbayeva.lyailya@gmail.com

Феруза Маликова, Алматинский технологический университет

PhD, ассоцированный профессор, Алматы, Казахстан, feruza-malikova@mail.ru

Айнур Толеушова, Алматинский технологический университет

магистр,  Алматы, Казахстан, ainurka19_95@bk.ru

Мадина Болысханова, Казахский национальный университет имени аль-Фараби

докторант, Алматы, Казахстан, madina_rusia@mail.ru

Бекжан Балқашбай, Алматинский технологический университет

магистрант, Алматы, Казахстан, bekzhan.balqashbay@gmail.com

Библиографические ссылки

[1] N. Sneha, T. Gangil, Analysis of diabetes mellitus for early prediction using optimal feature selection, Journal of Big Data 6 (1) (2019) 13.

[2] M. Mashayekhi, F. Prescod, B. Shah, L. Dong, K. Keshawji, A. Gergaci, Evaluating the effectiveness of the Framingham model of diabetes risk assessment in Canadian electronic health records, Canadian Journal of Diabetes 39 (2)(2015) 152-156.

[3] M. F. Farooq, I. H. Sarker, et al, Performance analysis of machine learning methods for diabetes prediction, in: International Conference on Electrical, Computer, and Communications Engineering (ECCE), 2019, IEEE, 2019, pp. 1-4.

[4] S. B. Giorda, V. Manicardi, J. Diego, Impact of diabetes mellitus on health care costs in Italy, Expert Review of Pharmacoeconomics Research and Outcomes 11 (6) (2013) 709-719.

[5] C. Zou, C. Qiu, Y. Ju, X. Tan, Y. Luo, D. Yin, Predicting diabetes mellitus using machine learning techniques, Frontiers in Genetics 9 (2018) 515.

[6] M. A. Sarwar, N. Kamal, V. Hamid, M. A. Shah, Diabetes prediction using machine learning algorithms in healthcare, in: 24th International Conference on Automation and Computing (ICAC), 2018, IEEE, 2018, pp. 1-6.

[7] D. W. Aha, D. Keebler, M. K. Albert, Instance-based learning algorithms, Machine Learning 6 (1) (2016) 37-66.

[8] I. H. Sarker, A. Case, P. Watters, Performance analysis of machine learning classification models for predicting personalized context-dependent smartphone usage, Journal of Big Data 6 (1) (2019) 57.

[9] M. Khalilia, S. Chakraborty, M. Popescu, Predicting disease risks from highly unbalanced data using a random forest, BMC Medical Informatics and Decision Making 11 (1) (2015)

[10] J. R. Quinlan, C4.5: Programs for machine learning, Machine Learning (2014).

[11] J.-J. Da, T.-H. Wu, C.-W. Cao, Using data mining techniques to predict hospitalization of patients on hemodialysis, Decision Support Systems 50 (2) (2013) 439-448.

Загрузки

Опубликован

12.10.2023

Как цитировать

Черикбаева, Л., Маликова, Ф., Толеушова, А., Болысханова, М., & Балқашбай, Б. (2023). ПРОГНОЗИРОВАНИЕ ДИАБЕТА С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМА МАШИННОГО ОБУЧЕНИЯ K-БЛИЖАЙШИХ СОСЕДЕЙ. Вестник КазАТК, 128(5), 288–297. https://doi.org/10.52167/1609-1817-2023-128-5-288-297

Выпуск

Раздел

Автоматизация, телемеханика, связь, компьютерные науки

Наиболее читаемые статьи этого автора (авторов)