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. ҮкібайКазахстан
Айдана Қуанышбекқызы Үкібай
проспект аль-Фараби, 71, корпус 12, Алматы, 050040
Е. А. Дайнеко
Казахстан
Евгения Александровна Дайнеко – PhD, ассоциированный профессор
ул. Сатпаева, 22а, Алматы, 050013, Казахстан
А. Б. Ақбаян
Казахстан
Ақбаян Бекарыстанқызы – PhD
ул. Жандосова, 55, Алматы, 050035, Казахстан
Д. С. Баймагамбетова
Казахстан
Динара Жалеловна Баймагамбетова – преподаватель
ул. Сатпаева, 22а, Алматы, 050013, Казахстан
Г. Б. Бекешова
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
JATS XML















