ИНТЕЛЛЕКТУАЛЬНАЯ МОДЕЛЬ АНАЛИЗА ПОКАЗАТЕЛЕЙ ГАЗОМЕТРИИ КРОВИ НА ОСНОВЕ АНСАМБЛЕВЫХ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ДИАГНОСТИКИ ДИАБЕТИЧЕСКОГО КЕТОАЦИДОЗА И ПОДДЕРЖКИ ПРИНЯТИЯ КЛИНИЧЕСКИХ РЕШЕНИЙ

Аннотация

Диабетический кетоацидоз является одним из наиболее опасных острых осложнений сахарного диабета, требующим своевременной диагностики и раннего выявления метаболических нарушений. Целью исследования являлся анализ показателей газометрии крови на основе ансамблевых методов машинного обучения для диагностики диабетического кетоацидоза. В работе использовались клинические данные базы MIMIC-IV, включающие 86 362 наблюдения пациентов отделений интенсивной терапии. Для построения интеллектуальных моделей применялись алгоритмы Random Forest, Gradient Boosting, AdaBoost, XGBoost и AutoML Ensemble. Предварительная обработка данных включала удаление идентификационных признаков, масштабирование параметров, анализ дисбаланса классов и разделение выборки на обучающую и тестовую части. Оценка качества моделей выполнялась с использованием метрик Accuracy, Precision, Recall, F1-score, ROC-AUC и PR-AUC. Результаты исследования показали высокую эффективность ансамблевых методов при диагностике диабетического кетоацидоза. Наиболее высокие показатели классификации продемонстрировала модель AutoML Ensemble, обеспечившая максимальные значения ROC-AUC и PR-AUC. Научная новизна исследования заключается в комплексном применении ансамблевых методов машинного обучения для интеллектуального анализа показателей газометрии крови. Практическая значимость работы связана с возможностью создания систем поддержки принятия врачебных решений для ранней диагностики диабетического кетоацидоза.