4-санға «Автоматтандыру және ақпараттық технологиялар», «Азық-түлік инженериясы және биотехнология», сондай-ақ «Химиялық технология» бағыттары бойынша мақалалар қабылдау жабылды.

Приём статей в четвёртый номер по направлениям «Автоматизация и информационные технологии», «Пищевая инженерия и биотехнология», а также «Химическая технология» закрыт.

Submissions for the fourth issue in the fields of Automation and Information Technology, Food Engineering and Biotechnology, as well as Chemical Technology, are now closed.

Preview

Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы

Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы

Кеңейтілген іздеу

МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІН ҚОЛДАНА ОТЫРЫП ҚАНТ ДИАБЕТІ ҚАУПІН АЛДЫН АЛА БАҒАЛАУҒА АРНАЛҒАН ВЕБ-ҚОСЫМШАНЫ ӘЗІРЛЕУ

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

Толық мәтін:

Аңдатпа

Қант диабеті ең кең таралған созылмалы жұқпалы емес аурулардың бірі болып табылады және жоғары қауіп тобындағы адамдарды ерте анықтауды талап етеді. Бұл мақалада пайдаланушының симптоматикалық және демографиялық деректеріне негізделген қант диабеті қаупін алдын ала бағалауға арналған веб-қосымшаны әзірлеу сипатталған. Жүйе Python/FastAPI, HTML/CSS/JavaScript технологиялары және UCI Early Stage Diabetes Risk Prediction Dataset ашық деректер жиынтығында оқытылған машиналық оқыту модулі негізінде жүзеге асырылды. Жұмыс барысында үш классификатор салыстырылды: Logistic Regression, Support Vector Machine және Random Forest Classifier. Кейінге қалдырылған тестілік іріктемеде ең жақсы нәтижені Random Forest моделі көрсетті және ол қауіп ықтималдығын есептеу үшін веб-қосымшаға енгізілді. Пайдаланушы жасын, жынысын және симптоматикалық белгілер жиынтығын енгізгеннен кейін жүйе қауіп деңгейін, визуалды индикаторды және профилактикалық ұсыныстар блогын көрсетеді. Әзірленген қосымшаны алдын ала өзін-өзі бағалауға және пайдаланушының хабардарлығын арттыруға арналған бағдарламалық прототип ретінде қарастыру қажет. Ол диагноз қоюға арналмаған және тәуелсіз деректер негізінде одан әрі сыртқы клиникалық валидацияны талап етеді. Модельдерді салыстыру қайталанатын стратификацияланған 10 еселік кросс-валидация арқылы орындалды (5 қайталау, әр модель үшін 50 бағалау). Ең жоғары әрі тұрақты нәтижені Random Forest моделі көрсетті (accuracy 98.27 ± 1.60%, F1-өлшемі 98.59 ± 1.31%, ROC-AUC 99.93 ± 0.15%), оның SVM және Logistic Regression модельдерінен артықшылығы статистикалық тұрғыдан расталды (p < 0.05). Белгілердің үлесі үш тәуелсіз әдіспен (Джини критерийі бойынша маңыздылық, пермутациялық маңыздылық және SHAP мәндері) талданып, полиурия, полидипсия, жыныс және жас ең ақпаратты белгілер ретінде анықталды. Алынған дәрежелеу негізінде 16 белгінің орнына 9 белгіден тұратын қысқартылған сауалнама құрылды: классификация сапасының статистикалық маңызды төмендеуі байқалмады (accuracy 97.62 ± 1.87%, p = 0.246), бұл пайдаланушы енгізетін деректер көлемін 43.8%-ға қысқартуға мүмкіндік береді.

Авторлар туралы

А. К. Үкібай
Алматы қаласындағы «Ұлттық зерттеу ядролық университеті «МИФИ» федералдық мемлекеттік автономды жоғары білім беру мекемесінің филиалы
Қазақстан

Айдана Қуанышбекқызы Үкібай 

 



Е. А. Дайнеко
«Қ.И. Сәтбаев атындағы Қазақ ұлттық техникалық зерттеу университеті» КеАҚ (Satbayev University)
Қазақстан

Евгения Александровна Дайнеко – PhD, қауымдастырылған профессор

 



А. Б. Ақбаян
Narxoz University
Қазақстан

Ақбаян Бекарыстанқызы – PhD

 



Д. С. Баймагамбетова
Satbayev University
Қазақстан

Динара Жалеловна Баймагамбетова – оқытушы

 



Г. Б. Бекешова
Л.Н. Гумилев атындағы Еуразия ұлттық университеті
Қазақстан

Гульвира Бауыржановна Бекешова – техника ғылымдарының магистрі, аға оқытушы 

 



Әдебиет тізімі

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

Дәйектеу үшін:


Үкібай А.К., Дайнеко Е.А., Ақбаян А.Б., Баймагамбетова Д.С., Бекешова Г.Б. МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІН ҚОЛДАНА ОТЫРЫП ҚАНТ ДИАБЕТІ ҚАУПІН АЛДЫН АЛА БАҒАЛАУҒА АРНАЛҒАН ВЕБ-ҚОСЫМШАНЫ ӘЗІРЛЕУ. Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы. 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

Қараулар: 15

JATS XML


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