Інтелектуальна система прогнозування рівня глюкози

Скорочена інформація про документ
dc.contributor.advisorБогомолов, Микола Федорович
dc.contributor.authorМасюк, Іван Віталійович
dc.date.accessioned2026-02-20T12:22:02Z
dc.date.available2026-02-20T12:22:02Z
dc.date.issued2025
dc.description.abstractДисертація присвячена розробленню інтелектуальної системи прогнозування рівня глюкози на основі даних безперервного моніторингу (CGM) з інтегрованими методами Explainable Artificial Intelligence (XAI). Актуальність роботи зумовлена стрімким зростанням поширеності цукрового діабету та потребою у персоналізованих технологіях контролю глікемії, що забезпечують не лише точний прогноз, а й прозоре обґрунтування клінічних рішень. Методи XAI, зокрема SHAP і LIME, відповідають сучасним вимогам безпеки, довіри та регуляторного контролю, дозволяючи лікарю оцінювати вплив фізіологічних та технічних факторів на прогноз моделі. Робота виконана в рамках освітньо-професійної програми «Медична інженерія» та узгоджена з науковими напрямами кафедри, що включають розроблення інтелектуальних медичних систем, аналіз часових рядів та застосування пояснюваного ШІ у клінічній практиці. Метою дослідження є створення концепції інтелектуальної системи прогнозування рівня глюкози за даними CGM з інтеграцією XAI-модуля, який забезпечує пояснюваність прогнозів та можливість клінічного використання.. Об’єкт дослідження — процеси безперервного моніторингу глюкози та інтелектуальної обробки глікемічних часових рядів. Предмет дослідження — алгоритмічні моделі прогнозування рівня глюкози та методи забезпечення їх інтерпретованості. Методи дослідження включали аналіз глікемічних часових рядів, попередню обробку даних (фільтрація, інтерполяція, нормалізація), побудову моделей машинного навчання (Random Forest, Gradient Boosting, XGBoost, DNN) та інтерпретацію результатів за допомогою SHAP і LIME. Експерименти виконано у Python із використанням бібліотек Scikit-learn, XGBoost, SHAP та ін. Наукова новизна полягає в створенні узагальненої методики інтеграції XAI у системи прогнозування глікемії, що дозволяє одночасно оцінювати глобальні та локальні фактори впливу на прогноз, а також у формуванні концептуальної архітектури інтелектуальної системи, здатної працювати у режимі реального часу. Запропоновано підхід до пояснення динаміки глікемії з використанням теплових карт SHAP-значень у часовому розрізі. Практичне значення полягає у можливості впровадження технології в системи підтримки клінічних рішень, цифрову діабетологію та стартап-проєкти у сфері медичних виробів. Створена концепція може бути інтегрована у мобільні застосунки для пацієнтів, а також у хмарні платформи для лікарів. Результати дослідження можуть бути використані в освітніх курсах з медичної інженерії та аналізу даних. Завдання: 1. Проаналізувати сучасні методи моніторингу рівня глюкози та визначити їхні переваги й обмеження. 2. Дослідити сенсорні технології, що застосовуються у системах безперервного моніторингу глікемії. 3. Розглянути алгоритми штучного інтелекту, які використовуються для прогнозування рівня глюкози. 4. Проаналізувати методи Explainable AI та їхню придатність до інтерпретації моделей прогнозування. 5. Визначити медико-технічні вимоги до інтелектуальної системи. 6. Розробити концептуальну архітектуру системи прогнозування рівня глюкози з пояснюваними моделями ШІ. 7. Сформувати структуру та ключові елементи стартап-проєкту з подальшим планом його реалізації та впровадження. Апробація здійснювалася у межах навчально-дослідницької діяльності факультету біомедичної інженерії та була представлена під час захисту магістерської роботи. Публікації: результати дослідження відображено у кваліфікаційній роботі; на момент подання дисертації друковані публікації відсутні.
dc.description.abstractotherThe work focuses on the development of an intelligent glucose-prediction system based on continuous glucose monitoring (CGM) data with integrated Explainable Artificial Intelligence (XAI) methods. The relevance stems from the growing global prevalence of diabetes and the need for personalized digital tools that provide not only accurate predictions but also transparent, clinically interpretable explanations. XAI methods such as SHAP and LIME address regulatory and clinical requirements for safety, trust, and interpretability in medical AI systems. The thesis is aligned with the research directions of the Department of Biomedical Engineering, including intelligent medical systems, time-series analysis, and XAI applications. The aim of the study is to develop a conceptual glucose-prediction system with an integrated XAI module enabling transparent, clinically meaningful interpretation of ML-based forecasts. The object of research is the process of continuous glucose monitoring and intelligent analysis of glycemic time series. The subject of research is predictive ML models and explainability methods. The methodology includes preprocessing of CGM data, construction of machine-learning models (Random Forest, Gradient Boosting, XGBoost, DNN), and interpretation of predictions using SHAP and LIME. Scientific novelty lies in developing a unified framework for integrating XAI into glucose-prediction systems and introducing a time-resolved SHAP-based interpretation of glycemic dynamics. Tasks: 1. Analyze current methods of glucose monitoring and identify their advantages and limitations. 2. Investigate sensor technologies used in continuous glucose monitoring systems. 3. Consider artificial intelligence algorithms used for glucose prediction. 4. Analyze Explainable AI methods and their suitability for interpreting prediction models. 5. Determine medical and technical requirements for an intelligent system. 6. Develop a conceptual architecture of a glucose prediction system with explainable AI models. 7. Form the structure and key elements of a startup project with a further plan for its implementation and implementation. Practical relevance includes potential application in clinical decision-support systems, digital diabetology, and commercialization within startup ecosystems.
dc.format.extent86 с.
dc.identifier.citationМасюк, І. В. Інтелектуальна система прогнозування рівня глюкози : магістерська дис. : 163 Біомедична інженерія / Масюк Іван Віталійович. - Київ, 2025. - 86 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78931
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectштучний інтелект
dc.subjectпрогнозування глікемії
dc.subjectCGM
dc.subjectмашинне навчання
dc.subjectXAI
dc.subjectSHAP
dc.subjectLIME
dc.subjectінтерпретація моделей
dc.subjectмедичні інформаційні системи
dc.subjectartificial intelligence
dc.subjectglucose prediction
dc.subjectCGM
dc.subjectmachine learning
dc.subjectXAI
dc.subjectSHAP
dc.subjectLIME
dc.subjectmodel interpretability
dc.subjectmedical decision support
dc.subject.udc004.8.616.379
dc.titleІнтелектуальна система прогнозування рівня глюкози
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Masiuk_magistr.pdf
Розмір:
3.49 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 (БМІ)
Магістерські роботи