Інтелектуальна система раннього виявлення сепсису на основі аналізу багатовимірних часових рядів життєвих показників пацієнтів
Вантажиться...
Дата
2026
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Магістерська дисертація за темою «Інтелектуальна система раннього виявлення сепсису на основі аналізу багатовимірних часових рядів життєвих показників пацієнтів» виконана студентом кафедри біомедичної кібернетики факультету біомедичної інженерії Мошком Сергієм Володимировичем зі спеціальності 122 «Комп’ютерні науки» за освітньо-науковою програмою «Комп’ютерні науки» та складається зі: вступу; 5 розділів, висновків до кожного з цих розділів; загальних висновків; списку використаних джерел, який налічує 43 джерела. Загальний обсяг роботи 152 сторінки, у тому числі 132 сторінках основного тексту, 14 рисунків, 32 таблиці, 54 формули.
Актуальність теми. Сепсис залишається однією з провідних причин смертності у відділеннях інтенсивної терапії: щорічно у світі реєструється близько 49 мільйонів випадків, понад 11 мільйонів з яких завершуються летальним результатом. Кожна година затримки з адекватною антибіотикотерапією збільшує ризик летального наслідку на 7–8%. Традиційні шкали (SOFA, qSOFA) реактивні і фіксують стан, коли органна дисфункція вже сформована, тому актуальною є розробка інтелектуальних систем, здатних виявляти ранні відхилення на основі багатовимірних часових рядів життєвих показників. Мета і задачі дослідження. Метою роботи є визначення ефективності застосування архітектури варіаційного автоенкодера з механізмом уваги (Attention-VAE) для раннього виявлення сепсису шляхом аналізу багатовимірних часових рядів життєвих показників пацієнтів ВІТ. Сформульовано задачі: проаналізувати сучасний стан проблеми та обґрунтувати підхід без учителя; розробити математичну формалізацію задачі як детектування аномалій; спроєктувати архітектуру Attention-VAE з GRUенкодером та механізмом уваги; реалізувати конвеєр передобробки даних PhysioNet Challenge 2019; провести експериментальне оцінювання та порівняння з XGBoost і LSTM; дослідити інтерпретованість через аналіз ваг уваги та латентного простору; оцінити клінічну значущість результатів. Об’єкт дослідження. Процес раннього виявлення сепсису у відділеннях інтенсивної терапії на основі безперервного моніторингу життєвих показників пацієнтів. Предмет дослідження. Методи та алгоритми виявлення аномалій у багатовимірних часових рядах медичних даних із використанням архітектури варіаційного автоенкодера з механізмом уваги. Методи дослідження. Методи теорії ймовірностей та математичної статистики — для формалізації задачі виявлення аномалій; методи глибокого навчання (GRU, attention, VAE); методи машинного навчання (XGBoost, LSTM) як базові моделі для порівняння; методи зниження розмірності (t-SNE, UMAP) для аналізу латентного простору; методи статистичного оцінювання якості (Accuracy, F1-score, Precision, Recall, ROC-AUC, PR-AUC). Наукова новизна одержаних результатів. Вперше запропоновано застосування архітектури Attention-VAE для задачі раннього виявлення сепсису на основі багатовимірних часових рядів, що поєднує переваги навчання без учителя з можливістю інтерпретації через механізм уваги. Удосконалено методику аналізу інтерпретованості моделей виявлення аномалій у медичних часових рядах. Дістало подальшого розвитку застосування методів зниження розмірності для верифікації якості латентних представлень моделей виявлення аномалій.
Практичне значення одержаних результатів. Розроблено програмну реалізацію інтелектуальної системи раннього виявлення сепсису, яку можна інтегрувати з існуючими системами моніторингу пацієнтів у ВІТ. Характер навчання без учителя спрощує впровадження у нових клінічних закладах без потреби у дорогій розмітці. Низька частка хибнопозитивних спрацювань (FPR = 0,15%) мінімізує проблему alarm fatigue. Модель досягла F1 = 0,8286, ROCAUC = 0,8893, Precision = 0,9869, Recall = 0,714.
Опис
Ключові слова
сепсис, виявлення аномалій, варіаційний автоенкодер, механізм уваги, багатовимірні часові ряди, життєві показники, глибоке навчання, відділення інтенсивної терапії, PhysioNet Challenge 2019
Бібліографічний опис
Мошко, С. В. Інтелектуальна система раннього виявлення сепсису на основі аналізу багатовимірних часових рядів життєвих показників пацієнтів : магістерська дис. : 122 Комп’ютерні науки / Мошко Сергій Володимирович. — Київ, 2026. — 155 с.