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

60 • оценку уверенности модели в каждом варианте; • поясняющие компоненты: какие именно показатели повлияли на решение и в какой степени; • прогноз по течению болезни на три ближайших месяца Результаты, получаемые системой, абсолютно прозрачны, что особенно важно в медицинском контексте: врач не просто получает ответ из «чёрного ящика», а видит логику, стоящую за прогнозом. В этих условиях врач имеет все необходимые данные, на основании которых он может и должен самостоятельно оценить обоснованность полученного результата. В ходе разработки и тестирования системы было исследовано несколько подходов к построению модели. В частности, анализировались 1) базовые алгоритмы: логистическая регрессия; метод опорных векторов; дерево решений; 2) бустинг на деревьях: CatBoost; XGBoost; LightGBM; 3) ансамблевые методы: мягкое голосование (Voting); стекинг (Stacking); блендинг (Blending). Ансамблевые методы продемонстрировали наилучшее соотношение точно- сти и надёжности классификации. Система успешно прошла проверку на реаль- ных клинических данных и показала высокую согласованность с экспертными оценками специалистов. К ключевым преимуществам разработанного программного решения можно отнести: • скорость анализа: получение результата за считанные доли секунд; • воспроизводимость: на одинаковых входных данных система дает одина- ковый результат; • доступность: решение работает через браузер без установки дополнитель- ного программного обеспечения. Разработанная система представляет собой удобный и практичный инстру- мент поддержки клинических решений. Она ни в коей мере не заменяет врача, но ее использование может существенно облегчить работу медицинского персо- нала, обеспечивая объективную, быструю и прозрачную оценку степени тяжести синдрома запястного канала с возможностью отслеживания течения болезни. В перспективе система может быть расширена для диагностики других туннель- ных нейропатий и интегрирована в существующие медицинские информацион- ные системы. Литература 1. Синдром запястного канала с точки зрения биомеханики. Обзор литера- туры / С. Е. Пешин, Ю. В. Каракулова, Ю. И. Няшин, М. М. Няшин // Российский журнал биомеханики. 2022. № 2. URL: https://cyberleninka.ru/article/n/sindrom- zapyastnogo-kanala-s-tochki-zreniya-biomehaniki-obzor-literatury (дата обращения: 08.04.2026). 2. Géron A. Hands-On Machine Learning with Scikit-Learn, Keras, and Tensor- Flow. 3rd ed. Sebastopol : O'Reilly Media, 2022.