Төртінші нөмірге барлық бағыттар бойынша мақалалар қабылдау аяқталды.

Приём статей в четвёртый номер по всем направлениям закрыт.

Submissions for the fourth issue are now closed across all subject areas.

Preview

Вестник Университета Шакарима. Серия технические науки

Вестник Университета Шакарима. Серия технические науки

Расширенный поиск

РАЗРАБОТКА ВЕБ-ПРИЛОЖЕНИЯ ДЛЯ ПРЕДВАРИТЕЛЬНОЙ ОЦЕНКИ РИСКА САХАРНОГО ДИАБЕТА С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

https://doi.org/10.53360/2788-7995-2026-3(23)-26

Аннотация

Сахарный диабет является одним из наиболее распространенных хронических неинфекционных заболеваний и требует раннего выявления лиц с повышенным риском. В данной статье представлена разработка веб-приложения для предварительной оценки риска сахарного диабета на основе симптоматических и демографических данных пользователя. Система реализована на языке Python с использованием фреймворка FastAPI и модуля машинного обучения, обученного на открытом наборе данных UCI Early Stage Diabetes Risk Prediction Dataset (520 наблюдений, 16 признаков). Сравнение классификаторов Logistic Regression, Support Vector Machine и Random Forest выполнено с использованием повторной стратифицированной 10-кратной кроссвалидации (5 повторов, 50 оценок для каждой модели). Наилучшие и наиболее устойчивые показатели получены для модели Random Forest: accuracy 98.27 ± 1.60%, F1-мера 98.59 ± 1.31%, ROCAUC 99.93 ± 0.15%. Преимущество Random Forest над Support Vector Machine и Logistic Regression подтверждено статистически (скорректированный парный t-критерий, 5×2cv t-критерий и критерий знаковых рангов Уилкоксона, p < 0.05). Выполнен анализ вклада признаков тремя независимыми методами (значимость по критерию Джини, перестановочная значимость и значения SHAP), согласованно выделившими полиурию, полидипсию, пол и возраст как наиболее информативные признаки. На основе полученного ранжирования построен сокращенный опросник из 9 признаков, для которого статистически значимого снижения качества классификации по сравнению с полным набором из 16 признаков не выявлено (accuracy 97.62 ± 1.87%, p = 0.246), что позволяет сократить объем пользовательского ввода на 43.8%. Итоговая модель интегрирована в веб-приложение, отображающее уровень риска, визуальный индикатор и блок профилактических рекомендаций. Разработанное приложение следует рассматривать как программный прототип для предварительной самооценки и повышения осведомленности пользователя; оно не предназначено для постановки диагноза и требует дальнейшей внешней клинической валидации на независимых данных.

Об авторах

А. Қ. Үкібай
Филиал Федерального государственного автономного образовательного учреждения высшего образования «Национальный исследовательский ядерный университет «МИФИ» в городе Алматы»
Казахстан

Айдана Қуанышбекқызы Үкібай 

 проспект аль-Фараби, 71, корпус 12, Алматы, 050040 



Е. А. Дайнеко
НАО «Казахский национальный исследовательский технический университет имени К.И. Сатпаева» (Satbayev University)
Казахстан

Евгения Александровна Дайнеко – PhD, ассоциированный профессор

ул. Сатпаева, 22а, Алматы, 050013, Казахстан



А. Б. Ақбаян
Narxoz University
Казахстан

Ақбаян Бекарыстанқызы – PhD

ул. Жандосова, 55, Алматы, 050035, Казахстан



Д. С. Баймагамбетова
Satbayev University
Казахстан

Динара Жалеловна Баймагамбетова – преподаватель

ул. Сатпаева, 22а, Алматы, 050013, Казахстан



Г. Б. Бекешова
Евразийского национального университета имени Л.Н. Гумилева
Казахстан

Гульвира Бауыржановна Бекешова – магистр технических наук, старший преподаватель

010000 Республика Казахстан, г. Астана, ул. Сатпаева, 2



Список литературы

1. Duncan B.B. IDF Diabetes Atlas 11th Edition 2025: Global Prevalence and Projections for 2050 / B.B. Duncan, D.J. Magliano, E.J. Boyko // Nephrology Dialysis Transplantation. – 2025. – Vol. 41. – P. 7-9. https://doi.org/10.1093/ndt/gfaf177.

2. Ismail L. Association of Risk Factors with Type 2 Diabetes: A Systematic Review / L. Ismail, H. Materwala, J. Al Kaabi // Computational and Structural Biotechnology Journal. – 2021. – Vol. 19. – P. 1759-1785. https://doi.org/10.1016/j.csbj.2021.03.003.

3. Transforming Diabetes Care Through Artificial Intelligence: The Future Is Here / I. Dankwa-Mullan et al // Population Health Management. – 2019. – Vol. 22, № 3. – P. 229-242. https://doi.org/10.1089/pop.2018.0129.

4. Machine Learning and Artificial Intelligence Based Diabetes Mellitus Detection and Self-Management: A Systematic Review / J. Chaki et al // Journal of King Saud University – Computer and Information Sciences. – 2022. – Vol. 34. – P. 3204-3225. https://doi.org/10.1016/j.jksuci.2020.06.013.

5. Rajkomar A. Machine Learning in Medicine / A. Rajkomar, J. Dean, I. Kohane // New England Journal of Medicine. – 2019. – Vol. 380. – P. 1347-1358. https://doi.org/10.1056/NEJMra1814259.

6. Comparative Approaches for Classification of Diabetes Mellitus Data: Machine Learning Paradigm / Maniruzzaman Md. Et al // Computer Methods and Programs in Biomedicine. – 2017. – Vol. 152. – P. 23-34. https://doi.org/10.1016/j.cmpb.2017.09.004.

7. Shan R. Digital Health Technology and Mobile Devices for the Management of Diabetes Mellitus: State of the Art / R. Shan, S. Sarkar, S.S. Martin // Diabetologia. – 2019. – Vol. 62. – P. 877-887. https://doi.org/10.1007/s00125-019-4864-7.

8. Diabetes Digital App Technology: Benefits, Challenges, and Recommendations. A Consensus Report by the European Association for the Study of Diabetes (EASD) and the American Diabetes Association (ADA) Diabetes Technology Working Group / G.A. Fleming et al // Diabetes Care. – 2020. – Vol. 43. – P. 250-260. https://doi.org/10.2337/dci19-0062.

9. Mujumdar A. Diabetes Prediction Using Machine Learning Algorithms / A. Mujumdar, V. Vaidehi // Procedia Computer Science. – 2019. – Vol. 165. – P. 292-299. https://doi.org/10.1016/j.procs.2020.01.047.

10. A Novel Diabetes Healthcare Disease Prediction Framework Using Machine Learning Techniques / R. Krishnamoorthi et al // Journal of Healthcare Engineering. – 2022. – Vol. 2022. – Art. 1684017. – P. 1-10. https://doi.org/10.1155/2022/1684017.

11. Abushawish A.Y.I. Prediction of Early-Stage Diabetes Using Machine Learning / A.Y.I. Abushawish, A.B. Nassif // Proceedings of the 2023 Advances in Science and Engineering Technology International Conferences (ASET). – IEEE, 2023. – P. 1-4.

12. An Ensemble Approach to Predict Early-Stage Diabetes Risk Using Machine Learning: An Empirical Study / U.E. Laila et al // Sensors. – 2022. – Vol. 22. – Art. 5247. https://doi.org/10.3390/s22145247.

13. An IoT Based Diabetic Patient Monitoring System Using Machine Learning and Node MCU / A. Rghioui et al // Journal of Physics: Conference Series. – 2021. – Vol. 1743. – Art. 012035. https://doi.org/10.1088/1742-6596/1743/1/012035.

14. Fagherazzi G. Digital Diabetes: Perspectives for Diabetes Prevention, Management and Research / G. Fagherazzi, P. Ravaud // Diabetes & Metabolism. – 2019. – Vol. 45. – P. 322-329. https://doi.org/10.1016/j.diabet.2018.08.012.

15. Beam A.L. Big Data and Machine Learning in Health Care / A.L. Beam, I.S. Kohane // JAMA. – 2018. – Vol. 319. – P. 1317. https://doi.org/10.1001/jama.2017.18391.

16. Obermeyer Z. Predicting the Future — Big Data, Machine Learning, and Clinical Medicine / Z. Obermeyer, E.J. Emanuel // New England Journal of Medicine. – 2016. – Vol. 375. – P. 1216-1219. https://doi.org/10.1056/NEJMp1606181.

17. Topol E.J. High-Performance Medicine: The Convergence of Human and Artificial Intelligence / E.J. Topol // Nature Medicine. – 2019. – Vol. 25. – P. 44-56. https://doi.org/10.1038/s41591-018-0300-7.

18. A Guide to Deep Learning in Healthcare / A. Esteva et al // Nature Medicine. – 2019. – Vol. 25. – P. 24-29. https://doi.org/10.1038/s41591-018-0316-z.

19. Ivanovs M. Perturbation-Based Methods for Explaining Deep Neural Networks: A Survey / M. Ivanovs, R. Kadikis, K. Ozols // Pattern Recognition Letters. – 2021. – Vol. 150. – P. 228-234. https://doi.org/10.1016/j.patrec.2021.06.030.

20. Likelihood Prediction of Diabetes at Early Stage Using Data Mining Techniques / M.M.F. Islam et al // Data Analytics and Management. – 2020. – P. 113-125.

21. TRIPOD+AI Statement: Updated Guidance for Reporting Clinical Prediction Models That Use Regression or Machine Learning Methods / G.S. Collins et al // BMJ. – 2024. – Vol. 385. – Art. e078378. https://doi.org/10.1136/bmj-2023-078378.

22. Diagnosis and Classification of Diabetes: Standards of Care in Diabetes—2025 / N.A. ElSayed et al // Diabetes Care. – 2025. – Vol. 48 (Suppl. 1). – P. S27-S49. https://doi.org/10.2337/dc25-S002.

23. Lindström J. The Diabetes Risk Score / J. Lindström, J. Tuomilehto // Diabetes Care. – 2003. – Vol. 26, № 3. – P. 725-731. https://doi.org/10.2337/diacare.26.3.725.

24. Contreras I. Artificial Intelligence for Diabetes Management and Decision Support: Literature Review / I. Contreras, J. Vehí // Journal of Medical Internet Research. – 2018. – Vol. 20. – Art. e10775. https://doi.org/10.2196/10775.

25. Dietterich T.G. Approximate Statistical Tests for Comparing Supervised Classification Learning Algorithms / T.G. Dietterich // Neural Computation. – 1998. – Vol. 10, № 7. – P. 1895-1923. https://doi.org/10.1162/089976698300017197.

26. Nadeau C. Inference for the Generalization Error / C. Nadeau, Y. Bengio // Machine Learning. – 2003. – Vol. 52, № 3. – P. 239-281. https://doi.org/10.1023/A:1024068626366.

27. Demšar J. Statistical Comparisons of Classifiers over Multiple Data Sets / J. Demšar // Journal of Machine Learning Research. – 2006. – Vol. 7. – P. 1-30.

28. Lundberg S.M. A Unified Approach to Interpreting Model Predictions / S.M. Lundberg, S.-I. Lee // Advances in Neural Information Processing Systems. – 2017. – Vol. 30. – P. 4765-4774.

29. Breiman L. Random Forests / L. Breiman // Machine Learning. – 2001. – Vol. 45, № 1. – P. 5-32. https://doi.org/10.1023/A:1010933404324.

30. Saeys Y. A Review of Feature Selection Techniques in Bioinformatics / Y. Saeys, I. Inza, P. Larrañaga // Bioinformatics. – 2007. – Vol. 23, № 19. – P. 2507-2517. https://doi.org/10.1093/bioinformatics/btm344.


Рецензия

Для цитирования:


Үкібай А.Қ., Дайнеко Е.А., Ақбаян А.Б., Баймагамбетова Д.С., Бекешова Г.Б. РАЗРАБОТКА ВЕБ-ПРИЛОЖЕНИЯ ДЛЯ ПРЕДВАРИТЕЛЬНОЙ ОЦЕНКИ РИСКА САХАРНОГО ДИАБЕТА С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ. Вестник Университета Шакарима. Серия технические науки. 2026;(3(23)):260-278. https://doi.org/10.53360/2788-7995-2026-3(23)-26

For citation:


Ukibay A.K., Dayneko E.A., Akbayan A.B., Baymagambetova D.S., Bekeshova G.B. DEVELOPMENT OF A WEB APPLICATION FOR PRELIMINARY DIABETES RISK ASSESSMENT USING MACHINE LEARNING METHODS. Bulletin of Shakarim University. Technical Sciences. 2026;(3(23)):260-278. (In Russ.) https://doi.org/10.53360/2788-7995-2026-3(23)-26

Просмотров: 15

JATS XML


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2788-7995 (Print)
ISSN 3006-0524 (Online)
X