| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Analīžu rezultātu interpretācijas rekomendācijas sistēma pacientiem un ārstiem agrīno veselības risku pārvaldībai |
| Nosaukums angļu valodā |
A Recommendation System for the Interpretation of Analysis Results for Patients and Doctors for Early Health Risk Management |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Jānis Grabis |
| Recenzents |
Inese Poļaka |
| Anotācija |
Darba mērķis ir izstrādāt un pārbaudīt AGIS medicīnisko analīžu interpretācijas
rekomendāciju sistēmu, kas apvieno likumos vadīto pieeju ar mašīnmācīšanās
algoritmiem (RandomForest, LightGBM, XGBoost), lai agrīni identificētu pacientu
veselības riskus un sniegtu personalizētas rekomendācijas ārstiem, turpmākajām
pārbaudēm un diagnostikai. Pētījumā ir apskatīta literatūra par rekomendāciju
sistēmām, mašīnmācīšanās metodēm, medicīniskajiem standartiem (MDR, GDPR,
ISO/IEC) un XAI pieejām (LIME, SHAP). Darbā ir definētas gan funkcionālās, gan
nefunkcionālās prasības, gan lietotājstāsti, kā arī ir izveidots konceptuālais modelis,
biznesa procesu modelis, sistēmas arhitektūra un fiziskais datu modelis, kas ir realizēti
strādājoša prototipa veidā. Prototipa ML modeļu veiktspēja tika validēta divos testos,
kur pirmajā tika izmantoti 100 reālu pacientu ieraksti ar trūkstošo vērtību aizvietošanu
ar ģenerētiem datiem, otrajā tika izmantoti tīri reālās dzīves dati no Kaggle “Diabetes
prediction” datu kopas. Rezultāti uzrādīja, ka likumu vadīta hibrīda pieeja sasniedza
100% jutību un 81% precizitāti otrā tipa diabēta noteikšanai, bet tīrās ML metodes līdz
78.5% jutībai ar nepieciešamību kalibrēt ticamības sliekšņus. Salīdzinot ar komerciālo
DxGPT, AGIS sistēmas prototips sniedz strukturētākas prognozes un rekomendācijas.
Darbā ir apkopoti ieteikumi turpmākai prototipa attīstībai, kas ietver validāciju
klīniskā vidē, klasifikatora pielāgošanu, laikrindu analīzes iespēju pievienošanu un
mākslīgā intelekta skaidrojumu vizualizācijas integrāciju tīmekļa vidē.
Darba apjoms – 193 lpp., 76 tabulas, 64 attēli un 8 pielikumi. |
| Atslēgas vārdi |
medicīnisko analīžu interpretācija, rekomendāciju sistēma (RecSys), mašīnmācīšanās, likumu vadīta loģika, XAI, MDR regulējums |
| Atslēgas vārdi angļu valodā |
medical test interpretation, recommendation system (RecSys), machine learning, rule-based logic, explainable AI (XAI), MDR regulation |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
20.05.2025 00:51:27 |
