МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ ДЛЯ АНАЛИЗА ДАННЫХ ГЛЮКОМЕТРОВ И ГЕМАТОЛОГИЧЕСКИХ АНАЛИЗАТОРОВ В ЗАДАЧАХ МЕДИЦИНСКОЙ ДИАГНОСТИКИ

Аннотация

В условиях глобального роста заболеваемости сахарным диабетом и анемиями возрастает необходимость разработки современных, точных и масштабируемых инструментов для ранней диагностики и непрерывного мониторинга этих состояний. Целью настоящего исследования является разработка подхода к интеграции данных, получаемых с современных экспресс-глюкометров, гематологических и биохимических анализаторов, с алгоритмами машинного обучения для автоматизированной классификации и оценки риска развития диабета и анемий. В статье использованы данные, собранные с медицинских приборов, включая показатели глюкозы, гликированного гемоглобина (HbA1c), ферритина, гематокрита, MCV, MCH, MCHC и других биомаркеров. Данные были стандартизированы, обработаны и использованы для обучения и тестирования моделей машинного обучения: DecisionTree, RandomForest, AdaBoost, ExtraTrees, GradientBoosting, а также логистической регрессии, SVM и XGBoost. Дополнительно применялись методы интерпретации моделей, такие как feature importance и SHAP. Результаты показали, что наилучшие метрики (точность 0.92, F1-метрика 0.91) достигнуты при использовании модели GradientBoosting с предварительной настройкой гиперпараметров. Модель также показала высокую устойчивость и интерпретируемость, что критично для применения в клинической практике. Внедрение такой системы может значительно повысить эффективность диагностики, снизить нагрузку на медицинский персонал и обеспечить персонализированный подход к наблюдению пациентов.  Исследование подтверждает высокую перспективность применения ИИ в задачах лабораторной диагностики и подчеркивает необходимость дальнейшей интеграции медицинских устройств с интеллектуальными аналитическими платформами.