О системе предиктивных критериев нарушения сердечного ритма у новорожденных, основанной на анализе данных

Акишев, Д.В. и Тягушева, Е.Н. и Сыромясов, А.О. и Власова, Т.И. и Бадокина, Т.Е. (2025) О системе предиктивных критериев нарушения сердечного ритма у новорожденных, основанной на анализе данных. Вестник ТвГУ. Серия: Прикладная математика (3). С. 78-92. ISSN 1995-0136

[thumbnail of ПРИКЛАДНАЯ МАТЕМАТИКА_3_В ПЕЧАТЬ-78-92.pdf]

PDF - Опубликованная версия
1MB

Абстракт

В статье рассматривается разработка алгоритмов машинного обучения для выявления нарушений сердечного ритма новорожденных. Исследованию подвергаются основные интервалы кардиографии. Источником данных служат истории болезней, которые содержат в себе показатели новорожденных детей в первый, третий и десятый дни жизни. Основное внимание акцентируется на статистическом анализе данных и построении регрессионных моделей, а также на сравнении результатов их работы. Применение разработанных моделей и расчет основных метрик показывает, что регрессионные алгоритмы в целом недостаточно хорошо объясняют изменения зависимой переменной, при этом модель MARS обладает большей предсказательной ценностью для сравнительно малых объемов выборки. Для улучшения диагностики и профилактики нарушений сердечного ритма требуются дальнейшая оптимизация, увеличение обучающей выборки и повышение разнообразия данных

Абстракт (англ.)

The paper examines machine-learning algorithms for detecting cardiac arrhytmias of newborns. Main cardiography intervals are analized. Medical histories containing indicators of newborn children for the first, third and the tenth days of life act as the source of data. The authors pay main attention to statistical analysis of this data and to construction of regression models; the results of such analysis are examined as well. Application of constructed models together with calculation of the main metrics shows that explanatory quality of regression algorithms in general is not enough good. Besides that, MARS has more predictive power than other models if the volume of sample group is small enough. To improve diagnostics and to make prevention of cardiac arrhytmias more effective it is necessary to provide further optimization, to enlarge training sample and to increase data diversity

Тип объекта:	Статья
Сведения об авторах:	Акишев Даниил Витальевич магистрант факультета математики и информационных технологий Национального исследовательского Мордовского государственного университета им. Н.П. Огарёва. Россия, 430005, г. Саранск, ул. Большевистская, д. 68/1, Мордовский государственный университет . Тягушева Евгения Николаевна студент Медицинского института Национального исследовательского Мордовского государственного университета им. Н.П. Огарёва. Россия, 430005, г. Саранск, ул. Большевистская, д. 68/1, Мордовский государственный университет Сыромясов Алексей Олегович доцент кафедры прикладной математики Национального исследовательского Мордовского государственного университета им. Н.П. Огарёва. Россия, 430005, г. Саранск, ул. Большевистская, д. 68/1, Мордовский государственный университет. Власова Татьяна Ивановна зав. кафедрой нормальной и патологической физиологии Национального исследовательского Мордовского государственного университета им. Н.П. Огарёва. Россия, 430005, г. Саранск, ул. Большевистская, д. 68/1, Мордовский государственный университет. Бадокина Татьяна Евгеньевна доцент кафедры анализа данных и искусственного интеллекта Национального исследовательского Мордовского государственного университета им. Н.П. Огарёва. Россия, 430005, г. Саранск, ул. Большевистская, д. 68/1, Мордовский государственный университет.
Ключевые слова:	искусственный интеллект в педиатрии, прогнозирование нарушений сердечного ритма, машинное обучение, регрессионное моделирование, новорожденные
Ключевые слова (англ.):	artificial intelligence in pediatrics, prediction of cardiac arrhythmias, machine learning, regression modeling, newborns
Категории:	5 Математика. Естественные науки 5 Математика. Естественные науки > 51 Математика 5 Математика. Естественные науки > 51 Математика > 519.2 Теория вероятностей и математическая статистика 5 Математика. Естественные науки > 51 Математика > 519.2 Теория вероятностей и математическая статистика > 519.25 Обработка статистических данных
Подразделения:	Университеты > Национальный исследовательский Мордовский государственный университет им. Н. П. Огарёва, Саранск
ID Code:	14946
Deposited On:	05 Ноя 2025 05:35
Последнее изменение:	05 Ноя 2025 05:35

Repository Staff Only: item control page