Інтелектуальна система раннього виявлення сепсису на основі аналізу багатовимірних часових рядів життєвих показників пацієнтів

Скорочена інформація про документ
dc.contributor.advisorКучанський, Олександр Юрійович
dc.contributor.authorМошко, Сергій Володимирович
dc.date.accessioned2026-06-01T13:59:38Z
dc.date.available2026-06-01T13:59:38Z
dc.date.issued2026
dc.description.abstractМагістерська 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.
dc.description.abstractotherThe master’s thesis “Intelligent system for early sepsis detection based on analysis of multivariate time series of patients’ vital signs” was completed by Serhii Volodymyrovych Moshko, student of the Department of Biomedical Cybernetics, Faculty of Biomedical Engineering, specialty 122 “Computer Sciences”, educational-scientific programme “Computer Sciences”. The thesis consists of an introduction, 5 chapters with conclusions to each, general conclusions, a list of 43 used sources. Total length: 152 pages, including 132 pages of main text, 14 figures, 32 tables, 54 formulas. Relevance. Sepsis remains one of the leading causes of mortality in intensive care units worldwide, with approximately 49 million cases registered annually and over 11 million resulting in death. Every hour of delay in adequate antibiotic therapy increases the risk of fatal outcome by 7–8%. Traditional clinical scales (SOFA, qSOFA) are reactive and detect the condition after organ dysfunction has already manifested. This motivates the development of intelligent systems capable of detecting early deviations in multivariate vital sign time series. Goal and objectives. The aim is to evaluate the effectiveness of the AttentionVAE architecture for early sepsis detection through analysis of multivariate vital sign time series of ICU patients. Objectives: analyse the current state of the problem and justify the unsupervised approach; develop a mathematical formalisation as anomaly detection; design the Attention-VAE architecture with GRU encoder and attention mechanism; implement the data preprocessing pipeline for PhysioNet Challenge 2019; perform experimental evaluation and comparison with XGBoost and LSTM; study interpretability via attention weight analysis and latent space; evaluate the clinical significance of results. Object of research. The process of early sepsis detection in intensive care units based on continuous vital sign monitoring. Subject of research. Methods and algorithms for anomaly detection in multivariate medical time series using a variational autoencoder architecture with an attention mechanism. Research methods. Probability theory and mathematical statistics for the formalisation of anomaly detection; deep learning methods (GRU, attention, VAE); machine learning methods (XGBoost, LSTM) as baselines; dimensionality reduction methods (t-SNE, UMAP) for latent space analysis; statistical evaluation methods (Accuracy, F1-score, Precision, Recall, ROC-AUC, PR-AUC). Scientific novelty. For the first time, the Attention-VAE architecture is applied to early sepsis detection based on multivariate time series, combining the advantages of unsupervised learning with attention-based interpretability. The methodology of interpretability analysis for anomaly detection models in medical time series has been improved. Further development was given to the application of dimensionality reduction methods for verifying the quality of latent representations. Practical significance. A software implementation of an intelligent early sepsis detection system has been developed that can be integrated with existing ICU monitoring systems. The unsupervised learning approach simplifies deployment in new clinical settings without expensive labelling. The low false positive rate (FPR = 0.15%) minimises alarm fatigue. The model achieved F1 = 0.8286, ROC-AUC = 0.8893, Precision = 0.9869, Recall = 0.714.
dc.format.extent155 с.
dc.identifier.citationМошко, 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.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/81407
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectсепсис
dc.subjectвиявлення аномалій
dc.subjectваріаційний автоенкодер
dc.subjectмеханізм уваги
dc.subjectбагатовимірні часові ряди
dc.subjectжиттєві показники
dc.subjectглибоке навчання
dc.subjectвідділення інтенсивної терапії
dc.subjectPhysioNet Challenge 2019
dc.titleІнтелектуальна система раннього виявлення сепсису на основі аналізу багатовимірних часових рядів життєвих показників пацієнтів
dc.title.alternativeIntelligent System for Early Sepsis Detection Based on Multivariate Time Series Analysis of Patient Vital Signs
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Moshko_mahistr.pdf
Розмір:
2.41 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 (БМК)
Магістерські роботи