Prediction of the Development of Gestational Diabetes Mellitus in Pregnant Women Using Machine Learning Methods

Скорочена інформація про документ
dc.contributor.authorBasarab, M. R.
dc.contributor.authorIvanko, K. O.
dc.contributor.authorVishwesh Kulkarni
dc.date.accessioned2022-11-25T11:02:51Z
dc.date.available2022-11-25T11:02:51Z
dc.date.issued2021
dc.description.abstractenThe paper is devoted to the application of machine learning methods to the prediction of the development of gestational diabetes mellitus in early pregnancy. Based on two publicly available databases, study assesses influence of such features as body mass index, thickness of triceps skin folds, ultrasound measurements of maternal visceral fat, first meas-ured fasting glucose, and others a predictors of gestational diabetes mellitus. The supervised machine learning methods based on decision trees, support vector machines, logistic regression, k-nearest neighbors classifier, ensemble learning, Naive Bayes classifier, and neural networks were implemented to determine the best classification models for computerized gesta-tional diabetes mellitus disease prediction. The accuracy of the different classifiers was determined and compared. Support vector machine classifier demonstrated the highest accuracy (83.0% of total correctly prognosed cases, 87.9% for healthy class, and 78.1% for gestational diabetes mellitus) in predicting the development of gestational diabetes based on features from Pima Indians Diabetes Database. Extreme gradient boosting classifier performed the best, comparing to other super-vised machine learning methods, for Visceral Adipose Tissue Measurements during Pregnancy Database. It showed 87.9% of total correctly prognosed cases, 82.2% for healthy class, and 93.6% for gestational diabetes mellitus).uk
dc.description.abstractukСтаття присвячена застосуванню методів машинного навчання для прогнозування розвитку гес-таційного цукрового діабету на ранніх термінах вагітності. На основі двох публічнодоступних баз даних оцінюється вплив таких показників, як індекс маси тіла, товщина шкірної складки трицепса, ультразвукове вимірювання віс-церального жиру у матері, перше визначення глюкози у плазмі венозної крові натщесерце та інших параметрів для прогнозування розвитку гестаційного цукрового діабету. Методи машинного навчання з вчителем, засновані на деревах рішень, методі опорних векторів, логістичній регресії, класифікаторі k-найближчих сусідів, ансамблевому навчанні, наївному Байєсівському класифікаторі та нейронних мережах були реалізовані для визначення найкра-щих моделей класифікації для комп'ютеризованого прогнозування гестаційного діабету. В роботі визначено та порівняно точність різних класифікаторів. Метод опорних векторів продемонстрував найвищу точність класифі-кації у прогнозуванні розвитку гестаційного діабету на основі навчання з використанням показників з бази даних Pima Indians Diabetes Database (83,0% загальних вірно спрогнозованих випадків, 87,9% для класу здорових жінок та 78,1% для класу гестаційного цукрового діабету). Класифікатор з використанням ансамблевого навчання дерев рішень показав найкращі результати порівняно з іншими методами машинного навчання на основі навчання з використанням показників з бази даних Visceral Adipose Tissue Measurements During Pregnancy - 87,9% загальних вірно прогнозованих випадків, 82,2% для класу здорових жінок та 93,6% для класу гестаційного цукрового діабету).uk
dc.format.pagerangeС. 228845-1-228845-9uk
dc.identifier.citationBasarab, M. R. Prediction of the Development of Gestational Diabetes Mellitus in Pregnant Women Using Machine Learning Methods / M. R. Basarab, K. O. Ivanko, Vishwesh Kulkarni // Мікросистеми, Електроніка та Акустика : науково-технічний журнал. – 2021. – Т. 26, № 2(118). – С. 228845-1-228845-9. – Бібліогр.: 31 назв.uk
dc.identifier.doihttps://doi.org/10.20535/2523-4455.mea.228845
dc.identifier.orcid0000-0002-3260-674Xuk
dc.identifier.orcid0000-0002-3842-2423uk
dc.identifier.orcid0000-0002-2285-8652uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/51218
dc.language.isoenuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.sourceМікросистеми, Електроніка та Акустика : науково-технічний журнал, 2021, Т. 26, № 2(118)uk
dc.subjectgestational diabetes mellitusuk
dc.subjectdiabetic fetopathyuk
dc.subjectmachine learninguk
dc.subjectpredictionuk
dc.subjectгестаційний цукровий діабетuk
dc.subjectдіабетична фетопатіяuk
dc.subjectмашинне навчанняuk
dc.subjectпрогнозуванняuk
dc.subject.udc004.056.53uk
dc.titlePrediction of the Development of Gestational Diabetes Mellitus in Pregnant Women Using Machine Learning Methodsuk
dc.title.alternativeПрогнозування розвитку гестаційного цукрового діабету у вагітних із використан-ням методів машинного навчанняuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
MEA_2_2021_01_228845-1-228845-9.pdf
Розмір:
936.13 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
1.71 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Мікросистеми, Електроніка та Акустика: науково-технічний журнал, Т. 26, № 2(118)