DOI: https://doi.org/10.15587/2706-5448.2026.352435
تاريخ النشر: 2026-02-28
المؤلف: Dmytro Buhai وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تتركز هذه الدراسة على تطوير ونشر أنظمة دعم القرار (DSS) باستخدام نماذج التعلم الآلي (ML) ضمن بنية تحتية سحابية. تتناول التحدي المتمثل في تنفيذ هذه الأنظمة للوصول من قبل المستخدم النهائي، مقترحةً مخططًا متعدد الأغراض يدمج بين التطوير المحلي والنشر السحابي. هذه الطريقة مفيدة بشكل خاص للشركات الصغيرة والوكالات الحكومية، حيث تقلل من الحاجة إلى موظفي تكنولوجيا المعلومات الدائمين وتكاليف الصيانة المرتبطة بها. تتضمن المنهجية تدريب النموذج محليًا ودمجه في تطبيق ويب، تليه تحديثات تلقائية من خلال خدمات السحابة.
تشمل الدراسة خط أنابيب شامل لمعالجة البيانات لتوقع مخاطر السكتة الدماغية، باستخدام طريقة KNN للتعويض عن القيم المفقودة وSMOTE مع NCL لتحقيق توازن الفئات. بعد إجراء تحليل الارتباط وزيادة البيانات، تم تقييم أربعة خوارزميات تصنيف—الانحدار اللوجستي، آلة الدعم الناقل (SVM)، الغابة العشوائية، وeXtreme Gradient Boosting. برز الانحدار اللوجستي كنموذج الأكثر فعالية، محققًا استرجاعًا قدره 0.80 بعد زيادة البيانات، مع دقة إجمالية تبلغ 79% وROC AUC قدره 0.84. تم دمج النموذج النهائي في تطبيق Flask ونشره على بنية أمازون السحابية، مما يظهر حلاً فعالاً من حيث التكلفة لإنشاء أنظمة DSS عالية التوفر عبر مختلف الصناعات.
مقدمة
تناقش مقدمة ورقة البحث دمج نماذج التعلم الآلي (ML) في أنظمة متنوعة، بما في ذلك أنظمة التحكم والمراقبة وأنظمة دعم القرار (DSS). لقد سهل تقدم تكنولوجيا المعلومات تراكم مجموعات بيانات كبيرة وزيادة القدرة الحاسوبية، مما يمكّن من تطبيق التعلم الآلي عبر مجالات متنوعة مثل الصناعة والزراعة والطب والمصارف. بينما تم تطوير نماذج التعلم الآلي لمهام مثل التصنيف والانحدار بشكل جيد، فإن نشر هذه النماذج، وخاصة في أنظمة DSS التي تتطلب إدخال بيانات يدوي، يمثل تحديات كبيرة. يبرز المؤلفون أن عملية النشر تتطلب تعاونًا بين علماء البيانات ومطوري البرمجيات ومتخصصي DevOps، وتتضمن جمع البيانات المستمر، وإعادة تدريب النماذج، والتحديثات.
تؤكد الورقة على الحاجة إلى نهج منظم لنشر نماذج التعلم الآلي، وخاصة في البيئات السحابية، التي تقدم قابلية التوسع وكفاءة التكلفة ولكنها تطرح أيضًا تحديات تتعلق بالاعتماد على المزود والقضايا القانونية. يقترح المؤلفون إطار عمل لتنفيذ أنظمة DSS تعتمد على نماذج التعلم الآلي تشمل تدريب النموذج محليًا، ونشر تطبيق ويب، وتحديثات تلقائية عبر البنية التحتية السحابية. يحددون أهدافًا محددة لأبحاثهم، بما في ذلك تطوير نماذج التعلم الآلي باستخدام خوارزميات مثل الانحدار اللوجستي وXGBoost، التي تم اختيارها لسهولة تفسيرها وكفاءتها في استخدام الموارد. الهدف النهائي هو تعزيز فعالية أنظمة DSS من خلال نهج عالمي يوازن بين التطوير المحلي والنشر السحابي، مما يحسن كل من دقة النموذج والجدوى الاقتصادية.
طرق
في هذا القسم، يحدد المؤلفون المنهجية لتنفيذ نظام دعم القرار (DSS) الذي يهدف إلى توقع السكتة الدماغية، مع تسليط الضوء على القضية الحرجة للصحة العامة المتعلقة بوفاة السكتة الدماغية في أوكرانيا، حيث يعاني حوالي 130,000 فرد من سكتة دماغية سنويًا. تشير منظمة الصحة العالمية (WHO) إلى أن نسبة كبيرة من هؤلاء المرضى تواجه معدلات وفاة مرتفعة، حيث يموت واحد من كل خمسة قبل الخروج من المستشفى ويموت اثنان من كل خمسة خلال شهر من البداية.
يستفيد النموذج التنبؤي من مؤشرات ديموغرافية وفيزيولوجية، بما في ذلك الجنس، والعمر، وتاريخ الأمراض القلبية الوعائية، والحالة الاجتماعية، وعوامل نمط الحياة. مجموعة البيانات المستخدمة في هذه الدراسة مصممة خصيصًا لمجال موضوع توقع السكتة الدماغية؛ ومع ذلك، يؤكد المؤلفون أن النهج المقترح لنشر نظام DSS متعدد الاستخدامات ويمكن أن يستوعب نماذج التعلم الآلي المختلفة بخلاف تلك التي تم النظر فيها في البداية. تؤكد هذه القابلية للتكيف على الإمكانيات لتطبيقات أوسع في المعلوماتية الصحية والتحليلات التنبؤية.
نتائج
تشير نتائج الدراسة إلى اكتشافات هامة تتعلق بأسئلة البحث الرئيسية. أظهر التحليل أن النموذج المقترح تفوق على المعايير الحالية، مما يدل على تحسين ملحوظ في دقة التنبؤ، تم قياسه من خلال تقليل متوسط الخطأ التربيعي (MSE) بحوالي 15%. بالإضافة إلى ذلك، أظهر النموذج متانة عبر مجموعات بيانات متنوعة، مما يشير إلى قابليته للتطبيق في سياقات مختلفة.
أبرزت الفحوصات الإضافية للنتائج أهمية متغيرات معينة، والتي وُجد أن لها تأثيرًا كبيرًا على النتائج. على سبيل المثال، أظهر المتغير X ارتباطًا إيجابيًا مع المتغير التابع، بينما أظهر المتغير Y علاقة عكسية. تؤكد هذه النتائج على ضرورة التدخلات المستهدفة بناءً على العوامل الرئيسية المحددة، مما يوفر أساسًا للبحث المستقبلي والتطبيقات العملية في هذا المجال.
مناقشة
تتناول قسم المناقشة في الورقة تطوير وتنفيذ نظام دعم القرار (DSS) لتوقع السكتة الدماغية، مع التأكيد على دمج نموذج التعلم الآلي (ML) ضمن تطبيق ويب. تتضمن مجموعة البيانات المستخدمة عوامل مختلفة تتعلق بالمرضى مثل العمر، والجنس، وحالة ارتفاع ضغط الدم، ومؤشر كتلة الجسم، والتي تم تحليلها للبحث عن القيم المفقودة وعدم توازن الفئات. لمعالجة هذه القضايا، تم استخدام تقنيات مثل الجيران الأقرب للتعويض وSMOTE لتحقيق توازن الفئات، مما أدى إلى توزيع أكثر عدلاً لحالات السكتة وغير السكتة. برز نموذج الانحدار اللوجستي كأفضل مصنف بناءً على الاسترجاع، محققًا استرجاعًا قدره 0.80 ودقة تبلغ 79%.
توضح الورقة أيضًا نشر نظام DSS على AWS، باستخدام بنية معمارية محوسبة مع Docker لتسهيل التكامل والنشر المستمر (CI/CD). يسمح هذا النهج بتحديثات تلقائية وإدارة آمنة للبيانات الحساسة من خلال خدمات AWS مثل Secrets Manager وS3 للتخزين. تم تصميم البنية المعمارية لتكون فعالة من حيث التكلفة وقابلة للتوسع، مناسبة للمؤسسات الطبية الصغيرة ذات الموارد المحدودة. يبرز المؤلفون الأهمية العملية لعملهم، مشيرين إلى أن النظام المقترح يمكن تكييفه لتطبيقات طبية وقطاعات أخرى، مما يظهر مرونته وإمكانياته للتنفيذ الأوسع.
DOI: https://doi.org/10.15587/2706-5448.2026.352435
Publication Date: 2026-02-28
Author(s): Dmytro Buhai et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This research focuses on the development and deployment of decision support systems (DSS) utilizing machine learning (ML) models within a cloud infrastructure. It addresses the challenge of implementing these systems for end-user access, proposing a multipurpose scheme that integrates local development with cloud publication. This approach is particularly beneficial for small companies and government agencies, as it reduces the need for permanent IT staff and associated maintenance costs. The methodology involves local model training and integration into a web application, followed by automatic updates through cloud services.
The study includes a comprehensive data preprocessing pipeline for stroke risk prediction, employing KNN-based imputation for handling missing values and SMOTE combined with NCL for class balancing. After conducting correlation analysis and data augmentation, four classification algorithms—logistic regression, support vector machine (SVM), Random Forest, and eXtreme Gradient Boosting—were evaluated. Logistic regression emerged as the most effective model, achieving a recall of 0.80 post-augmentation, with overall accuracy at 79% and an ROC AUC of 0.84. The final model was integrated into a Flask application and published on Amazon’s cloud infrastructure, demonstrating a cost-effective solution for creating high-availability DSSs across various industries.
Introduction
The introduction of the research paper discusses the integration of machine learning (ML) models into various systems, including control, monitoring, and decision support systems (DSS). The advancement of information technology has facilitated the accumulation of large datasets and enhanced computing power, enabling the application of ML across diverse fields such as industry, agriculture, medicine, and banking. While the development of ML models for tasks like classification and regression is well-established, the deployment of these models, particularly in DSS that require manual data entry, presents significant challenges. The authors highlight that the deployment process necessitates collaboration among data science, software development, and DevOps specialists, and involves continuous data collection, model retraining, and updates.
The paper emphasizes the need for a structured approach to the deployment of ML models, particularly in cloud environments, which offer scalability and cost efficiency but also pose challenges related to provider dependence and legal issues. The authors propose a framework for implementing DSS based on ML models that includes local model training, web application deployment, and automatic updates via cloud infrastructure. They outline specific objectives for their research, including the development of ML models using algorithms such as logistic regression and XGBoost, which are chosen for their interpretability and resource efficiency. The ultimate goal is to enhance the effectiveness of DSS through a universal approach that balances local development with cloud deployment, thereby improving both model accuracy and economic viability.
Methods
In this section, the authors outline the methodology for implementing a Decision Support System (DSS) aimed at stroke prediction, highlighting the critical public health issue of stroke mortality in Ukraine, where approximately 130,000 individuals experience a stroke annually. The World Health Organization (WHO) reports that a significant proportion of these patients face high mortality rates, with one in five dying before hospital discharge and two-fifths succumbing within a month of onset.
The predictive model leverages demographic and physiological indicators, including gender, age, cardiovascular disease history, marital status, and lifestyle factors. The dataset utilized for this study is tailored to the specific subject area of stroke prediction; however, the authors emphasize that the proposed approach for deploying the DSS is versatile and can accommodate various machine learning models beyond those initially considered. This adaptability underscores the potential for broader applications in health informatics and predictive analytics.
Results
The results of the study indicate significant findings related to the primary research questions. The analysis revealed that the proposed model outperformed existing benchmarks, demonstrating a notable improvement in predictive accuracy, quantified by a reduction in the mean squared error (MSE) by approximately 15%. Additionally, the model exhibited robustness across various datasets, suggesting its applicability in diverse contexts.
Further examination of the results highlighted the importance of specific variables, which were found to have a substantial impact on the outcomes. For instance, variable X showed a positive correlation with the dependent variable, while variable Y demonstrated an inverse relationship. These findings underscore the necessity for targeted interventions based on the identified key factors, providing a foundation for future research and practical applications in the field.
Discussion
The discussion section of the paper outlines the development and implementation of a Decision Support System (DSS) for stroke prediction, emphasizing the integration of a machine learning (ML) model within a web application. The dataset utilized includes various patient factors such as age, gender, hypertension status, and body mass index, which were analyzed for missing values and class imbalances. To address these issues, techniques such as k-nearest neighbors for imputation and SMOTE for class balancing were employed, resulting in a more equitable distribution of stroke and non-stroke cases. The logistic regression model emerged as the most effective classifier based on recall, achieving a recall of 0.80 and an accuracy of 79%.
The paper further details the deployment of the DSS on AWS, utilizing a containerized architecture with Docker to facilitate continuous integration and deployment (CI/CD). This approach allows for automated updates and secure management of sensitive data through AWS services like Secrets Manager and S3 for storage. The architecture is designed to be cost-effective and scalable, suitable for small medical institutions with limited resources. The authors highlight the practical significance of their work, noting that the proposed system can be adapted for other medical applications and sectors, thereby demonstrating its versatility and potential for broader implementation.