Молодежь и наука - третье тысячелетие: Материалы студенческой научно-практической конференции с международным участием

59 Г. А. Трошин Институт передовых информационных технологий, II курс магистратуры (очная форма обучения) Тульский государственный педагогический университет им. Л. Н. Толстого Научный руководитель – Ю. М. Мартынюк МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ ДЛЯ СИСТЕМЫ ДИАГНОСТИКИ И ПРОГНОЗИРОВАНИЯ СИНДРОМА ЗАПЯСТНОГО КАНАЛА Синдром запястного канала (СЗК) является одним из наиболее распростра- нённых туннельных нейропатий. Распространенность синдрома запястного ка- нала составляет 150–276 человек на 100 тысяч населения. Около 4–5 % трудо- способного населения в возрасте от 40 до 60 лет страдают этим заболеванием в той или иной форме [1] . Основная сложность диагностики и прогнозирования развития данного за- болевания заключается в том, что тяжесть заболевания варьируется в широком диапазоне – от лёгкой до тяжёлой степени, – и её оценка во многом зависит от квалификации и субъективного суждения врача. Существующие методы диагностики требуют значительного времени, доро- гостоящего оборудования и знаний опытного специалиста-эксперта. В условиях высокой загруженности медицинских учреждений это приводит к задержкам ле- чения и ошибкам классификации, что непосредственно влияет на прогноз для пациента. Разработанная автором комплексная цифровая система на основе клиниче- ских параметров пациента автоматически определяет степень тяжести СЗК: лёг- кую, умеренную или тяжёлую. Система состоит из трёх взаимосвязанных ком- понентов: • модель машинного обучения – анализирует клинические данные и выдаёт классификацию с указанием вероятности каждого исхода; • серверный модуль – обеспечивает безопасный приём данных, взаимодей- ствие с моделью и хранение истории болезни пациентов; • веб-интерфейс для взаимодействия врача с системой – позволяет легко вводить параметры, мгновенно получать результат и просматривать историю об- ращений. Система работает по следующему принципу: врач вводит в форму базо- вые клинические показатели пациента: возраст, индекс массы тела, площадь поперечного сечения нерва, интенсивность боли, длительность симптомов и ряд других параметров. Система при помощи обученной модели машинного обучения мгновенно обрабатывает введённые данные и возвращает следую- щие результаты: • классификацию степени тяжести заболевания (лёгкая / умеренная / тяжёлая);