Қазақ ұлттық қыздар педагогикалық университеті / Казахский национальный женский педагогический университет

Постоянный URI для этого сообществаhttps://cris.qyzpu.kz/handle/123456789/1

Просмотр

Фильтры

2022 - 20262

Настройки

Автор: search.filters.author.Aiman K. OzhikenovaТема: search.filters.subject.logistic regression

Результаты поиска

Показано: 1 - 2 из 2
  • Загрузка...
    Изображение-миниатюра
    Некоторые метрики заблокированы вашими 
    настройками согласия
    Тип записи:Публикация,
    МАШИНАЛЫҚ ОҚЫТУ ӘДІСІНІҢ КӨМЕГІМЕН ЖҮРЕК АУРУЫН БОЛЖАУ
    (Mukhametzhan Tynyshbayev ALT University, 2022-10-28)
    Zhadyra N. Alimbayeva
    ;
    Кassymbek Ozhikenov
    ;
    Айдана Еркебай
    ;
    Chingiz A. Alimbayev
    ;
    Aiman K. Ozhikenova
    Мүгедектік пен өлім деңгейінің жоғары болуына байланысты жүрек-қан тамырлары ауруларын дер кезінде анықтау маңызды мәселе болып отыр. Бұл мақалада машиналық оқыту алгоритмдерін қолданып электрокардиосигналды өңдеу арқылы жүрек ауруын болжауға зерттеу жүргізілген. Жалпы, зерттеу барысында әртүрлі машиналық оқыту алгоритмдерімен 50000-нан астам сандық эксперимент жүргізілді. Салыстырмалы талдау негізінде машиналық оқытудың үлгілері мен әдістері таңдалып, ең жоғары жақсы көрсеткіш нәтиже берді. Зерттеуге келесі әдістер қолданылды: тірек векторлық машинасы, шешімдер ағашы, Байес классификаторы, логистикалық регрессия, k-жақын көршілер, кездейсоқ орман, терең нейрондық желілер. Таңдалған модельдер параметрлерді анықтау және тиімді қолдану үшін ұсынылды.
  • Загрузка...
    Изображение-миниатюра
    Некоторые метрики заблокированы вашими 
    настройками согласия
    Тип записи:Публикация,
    Prediction of Percutaneous Coronary Intervention from Clinical and ECG Data Using Machine Learning: A Retrospective Single-Center Observational Study
    (Multidisciplinary Digital Publishing Institute, 2026-05-06)
    Zhadyra N. Alimbayeva
    ;
    Chingiz A. Alimbayev
    ;
    Kassymbek Ozhikenov
    ;
    Kairat Karibayev
    ;
    Aiman K. Ozhikenova
    The aim of this study was to evaluate the feasibility of predicting percutaneous coronary intervention (PCI) based on clinical, laboratory, and electrocardiographic data available at various stages of hospitalization. A retrospective single-center study was conducted, including 137 patients with suspected coronary artery disease. The fact that PCI was performed during the current hospitalization was considered as the endpoint. Taking into account the temporary availability of data, three sets of signs were formed: basic (SAFE), including indicators available at admission; clinical (CLINICAL); and extended (EXTENDED), supplemented with glycemic parameters. Logistic regression, random forest, and gradient boosting were used to build the models. The assessment was carried out using repeated stratified cross-validation (5 × 10). The main metrics were ROC-AUC, PR-AUC, accuracy and F1-measure. The models demonstrated moderate predictive ability. The basic model (SAFE) showed a ROC-AUC of 0.734 ± 0.092, while the best results were achieved using an extended model based on a random forest (ROC-AUC 0.755 ± 0.079). The addition of glycemic parameters provided a moderate improvement in prediction quality. In the logistic regression, the most significant predictor was the presence of type 2 diabetes mellitus (OR = 7.36; p < 0.001). The results indicate the potential for using non-invasive data to assess the likelihood of PCI in the early stages of hospitalization. However, the models show moderate accuracy and require further validation on larger and more independent samples.