The object of research, development or design (in Russian) : Объектом исследования выступает система показателей клинико-гематологических синдромов.

The object of research, development or design (in Kazakh) : Зерттеу объектісі клиникалық-гематологиялық синдромдар көрсеткіштерінің жүйесі болып табылады.

Aim of work (in Russian) : Цель проекта является разработка программного комплекса электронного паспорта здоровья, основанный на информационной технологии дифференциальной диагностики и вычислительно-аналитических моделях морфологической классификации клинико-гематологических синдромов.

Aim of work (in Kazakh) : Жобаның мақсаты - дифференциалды диагностиканың ақпараттық технологиясына және клиникалық-гематологиялық синдромдардың морфологиялық жіктелуінің есептеу-аналитикалық модельдеріне негізделген электрондық денсаулық паспортының бағдарламалық кешенін әзірлеу.

Методы исследования (на русском) : Для достижения цели в рамках второго (2024) года реализации проекта былы определены задачи, связанные с разработкой моделей и алгоритмов дифференциальной диагностики на основе ансамблевых методов машинного обучения, а также программной реализации основных модулей программного комплекса паспорта здоровья. Для решения этих задач исследования применялись следующие методы: методы ансамблевого машинного обучения (Boosting, Bagging, Stacking), проектирования баз данных и правил на основе морфологической классификации, системного анализа и статистического моделирования.

Методы исследования (на казахском) : Жобаны іске асырудың екінші (2024) жылы шеңберінде мақсатқа қол жеткізу үшін машиналық оқытудың ансамбльдік әдістері негізінде дифференциалды диагностиканың модельдері мен алгоритмдерін әзірлеуге, сондай-ақ денсаулық паспортының бағдарламалық кешенінің негізгі модульдерін бағдарламалық іске асыруға байланысты міндеттер айқындалды. Зерттеудің осы міндеттерін шешу үшін келесі әдістер қолданылды: ансамбльдік Машиналық оқыту әдістері (Boosting, Bagging, Stacking), морфологиялық жіктеу, жүйелік талдау және статистикалық модельдеу негізінде мәліметтер базасы мен ережелерді жобалау.

Obtained results and novelty (in Russian) : Полученные результаты и новизна (2024 года): Полученные результаты включают создание прототипов интеллектуальных моделей и алгоритмов для дифференциальной диагностики, проектирование баз данных и систем правил для точной классификации клинико-гематологических синдромов, а также разработку модулей программного комплекса для автоматизированного мониторинга здоровья. Новизна исследования заключается в интеграции ансамблевых методов машинного обучения и морфологической классификации для повышения точности диагностики, а также в использовании модульного подхода и потоковой обработки данных для обеспечения гибкости и масштабируемости системы.

Obtained results and novelty (in Kazakh) : Нәтижелер және жаңалық (2024): нәтижелер дифференциалды диагностика үшін ақылды модельдер мен алгоритмдердің прототиптерін жасауды, клиникалық-гематологиялық синдромдарды дәл жіктеу үшін Мәліметтер базасы мен ережелер жүйесін жобалауды және денсаулықты автоматтандырылған бақылауға арналған бағдарламалық жасақтама модульдерін әзірлеуді қамтиды. Зерттеудің жаңалығы диагностиканың дәлдігін жақсарту үшін ансамбльдік Машиналық оқыту әдістері мен морфологиялық классификацияны біріктіру және жүйенің икемділігі мен масштабталуын қамтамасыз ету үшін модульдік тәсілді және деректерді ағынмен өңдеуді қолдану болып табылады.

The main constructive and technical economic indicators (in Russian) : Основные конструктивные и технико-экономические показатели за 2024 год: модели и алгоритмы дифференциальной диагностики на основе ансамблевых методов машинного обучения; модель базы данных; база правил дифференциального диагностирования клинико-гематологических синдромов; программная реализация основных модулей программного комплекса паспорта здоровья (DataAsQuisition, DataPre-processing, MathematicalEvaluation, Morphological_Classification, Ensembling); архитектурная модель программного комплекса паспорта здоровья.

The main constructive and technical economic indicators (in Kazakh) : Нәтижелер және жаңалық (2024): нәтижелер дифференциалды диагностика үшін ақылды модельдер мен алгоритмдердің прототиптерін жасауды, клиникалық-гематологиялық синдромдарды дәл жіктеу үшін Мәліметтер базасы мен ережелер жүйесін жобалауды және денсаулықты автоматтандырылған бақылауға арналған бағдарламалық жасақтама модульдерін әзірлеуді қамтиды. Зерттеудің жаңалығы диагностиканың дәлдігін жақсарту үшін ансамбльдік машиналық оқыту әдістері мен морфологиялық классификацияны біріктіру және жүйенің икемділігі мен масштабталуын қамтамасыз ету үшін модульдік тәсілді және деректерді ағынмен өңдеуді қолдану болып табылады.

Level of implementation (in Russian) : За 2024 года опубликованы 9 (девять) научных статей и 1 (одна) монография, а также получены 6 (шесть) авторских свидетельств на модули программного комплекса паспорта. Из 9 научных статей 1 (одна) опубликована в журнале «Informatics in Medicine Unlocked», имеющий в базе данных Scopus показатель процентиль по CiteScore равный 86 по направлению «Computer Science Applications»; 4 опубликованы в журналах, рекомендованных КОКНВО; 4 были опубликованы в сборниках материалов международных научных конференций.

Level of implementation (in Kazakh) : 2024 жылы 9 (тоғыз) ғылыми мақала және 1 (бір) монография жарияланды, сондай-ақ паспорттың бағдарламалық кешенінің модульдеріне 6 (алты) авторлық куәлік алынды. 9 ғылыми мақаланың 1-і (біреуі) "Informatics in Medicine Unlocked" журналында жарияланған, Scopus дерекқорында "Computer Science Applications" бағыты бойынша citescore бойынша 86-ға тең процентиль көрсеткіші бар; 4 КОКНВО ұсынған журналдарда жарияланған; 4 халықаралық ғылыми конференциялар материалдарының жинақтарында жарияланған.

Efficiency (in Russian) : Функционал аналитического модуля Ensembling программного комплекса паспорта здоровья основан на ранее созданных моделях и алгоритмах дифференциальной диагностики с применением ансамблевых методов машинного обучения. Аналитический модуль Ensembling является интеграцией следующих алгоритмов: Decision Tree, Linear SVM и Logistic Regression. Экспериментальное исследование модуля Ensembling позволило определить что алгоритм Random Forest имеет средную точность 93,9 %, за ним следуют Linear SVM, Logistic Regression и Decision Tree (93,6 %, 92,9 % и 92,6 % соответственно).

Efficiency (in Kazakh) : Эффективность (на казахском) Денсаулық паспортының бағдарламалық кешенінің Аналитикалық Модулінің функционалдығы ансамбльдік Машиналық оқыту әдістерін қолдана отырып, бұрын жасалған дифференциалды диагностикалық модельдер мен алгоритмдерге негізделген. Аналитикалық Аналитикалық модуль келесі алгоритмдердің интеграциясы болып табылады: Decision Tree, LinearSVM және Logistic Regression. Ensembling модулін эксперименттік зерттеу анықтауға мүмкіндік берді кездейсоқ Орман алгоритмінің орташа дәлдігі 93,9 %, одан кейін Linear SVM, Logistic Regression және Decision Tree (сәйкесінше 93,6 %, 92,9% және 92,6%).

Field of application (in Russian) : Область применения: медицинская диагностика; задачи дифференциальной диагностики клинико-гематологических синдромов и разработки интеллектуальных систем для анализа и классификации медицинских данных; создание программно-аппаратных комплексов для мониторинга здоровья и управления медицинской информацией.

Field of application (in Kazakh) : Қолдану саласы: медициналық диагностика; клиникалық-гематологиялық синдромдарды дифференциалды диагностикалау және медициналық деректерді талдау және жіктеу үшін зияткерлік жүйелерді әзірлеу міндеттері; денсаулық мониторингі және медициналық ақпаратты басқару үшін бағдарламалық-аппараттық кешендер құру.