Автоматизоване інтелектуальне оброблення даних клінічних досліджень мовою SAS та R

Скорочена інформація про документ
dc.contributor.advisorСкладанний, Денис Миколайович
dc.contributor.authorМаксименко, Олександр Євгенович
dc.date.accessioned2026-06-19T09:57:33Z
dc.date.available2026-06-19T09:57:33Z
dc.date.issued2025
dc.description.abstractУ магістерській роботі розглянуто підхід до автоматизованого та інтелектуального опрацювання даних клінічних досліджень із використанням мов програмування SAS та R. Описано основні принципи стандартизації клінічних даних відповідно до CDISC та обґрунтовано необхідність трасованості даних на всіх етапах перетворення. Реалізовано процес підготовки даних за ланцюжком RAW → SDTM → ADaM із формуванням стандартизованих наборів для статистичного аналізу. Продемонстровано виконання описової статистики та побудову підсумкових показників у різних аналітичних середовищах. Для задачі прогнозування клінічної відповіді пацієнтів досліджено застосування методів машинного навчання (логістична регресія, дерева рішень, Random Forest) та виконано порівняння їхніх характеристик. Окрему увагу приділено питанням контролю якості даних і результатів обробки та можливостям подальшого впровадження підходу у виробничі процеси. Результати роботи можуть бути використані для підвищення ефективності підготовки стандартизованих клінічних наборів даних і підтримки прийняття рішень на основі даних.
dc.description.abstractotherThis master’s thesis presents an approach to automated and intelligent processing of clinical trial data using SAS and R. The work outlines key principles of clinical data standardization according to CDISC and highlights the importance of full data traceability across transformation stages. A data preparation workflow following the RAW → SDTM → ADaM pipeline is implemented to create standardized datasets suitable for statistical analysis. Descriptive statistics and summary outputs are demonstrated across different analytical environments. For predicting patients’ clinical response, several machine learning methods (logistic regression, decision trees, and Random Forest) are explored and compared in terms of performance and interpretability. Particular attention is paid to data and output quality control as well as practical considerations for applying the proposed approach in production settings. The results can be used to improve efficiency of standardized clinical dataset preparation and support data-driven decision-making.
dc.format.extent93 с.
dc.identifier.citationМаксименко, О. Є. Автоматизоване інтелектуальне оброблення даних клінічних досліджень мовою SAS та R : магістерська дис. : 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка / Максименко Олександр Євгенович. – Київ, 2025. – 93 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/81824
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectSDTM
dc.subjectADaM
dc.subjectклінічні дослідження
dc.subjectстатистичний аналіз
dc.subjectSAS
dc.subjectR
dc.subjectMatlab
dc.subjectмашинне навчання
dc.subjectлогістична регресія
dc.subjectдерево рішень
dc.subjectRandom Forest
dc.subjectDermalyx-AD-201
dc.subjectCDISC
dc.subjectавтоматизація обробки даних
dc.subjectSDTM
dc.subjectADaM
dc.subjectclinical trials
dc.subjectstatistical analysis
dc.subjectSAS
dc.subjectR
dc.subjectMatlab
dc.subjectmachine learning
dc.subjectlogistic regression
dc.subjectdecision tree
dc.subjectRandom Forest
dc.subjectDermalyx-AD201
dc.subjectCDISC
dc.subjectdata processing automation
dc.titleАвтоматизоване інтелектуальне оброблення даних клінічних досліджень мовою SAS та R
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Maksymenko_magistr.pdf
Розмір:
1.76 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ТПЗА)
Магістерські роботи