EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Машинное обучение для ранней стратификации материнского риска в Узбекистане: разработка модели градиентного бустинга на основе данных DHS

Ж.Х. Эсонов, М. Фозилова

Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий · 02.08.2026 · 9 (3) · 125-133

DOI: 10.62132/ijdt.v9i3.409 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий, online erschienen am 02.08.2026. Verfasst von Ж.Х. Эсонов und 1 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Материнская смертность в Узбекистане сохраняет выраженную региональную неоднородность: различия между столичным регионом и отдельными периферийными территориями достигают трёх-четырёхкратных значений, что подчёркивает необходимость более точных инструментов раннего выявления беременных с высоким риском осложнений. Большинство существующих моделей прогнозирования материнских исходов разработано на данных стран с высоким уровнем дохода и не всегда учитывает особенности систем здравоохранения с ограниченными ресурсами, где доступность клинической информации, лабораторной диагностики и специализированной помощи существенно различается между регионами. Целью работы стала разработка и внутренняя техническая валидация послойной объяснимой модели машинного обучения для индивидуальной стратификации материнского риска в условиях ограниченной доступности клинических данных. В качестве аналитической основы использован синтетический набор данных MaternaUZ v1, включающий 4812 наблюдений и 26 признаков, сгруппированных в пять кумулятивных слоёв: базовый, клинический, социальный, экологический и динамический. Модель построена как последовательный конвейер M1–M5, где каждый следующий уровень расширяет признаковое пространство и позволяет оценить дополнительный вклад нового источника данных. В качестве базового алгоритма применён XGBoost; для повышения устойчивости модели использовались взвешивание классов, вложенная кросс-валидация, изотоническая калибровка вероятностей и интерпретация прогнозов методом SHAP. Качество оценивали по ROC-AUC, индексу Brier и анализу кривых принятия решений. Последовательное расширение признакового пространства сопровождалось ростом дискриминационной способности модели с ROC-AUC 0,66 до 0,97 и улучшением калибровки вероятностей: индекс Brier снизился с 0,21 до 0,06. Интерпретация модели показала наибольший вклад анемии, артериального давления, числа предыдущих беременностей и удалённости от стационара в формирование индивидуального риска. Полученные результаты позволяют рассматривать предложенный подход как перспективную основу для последующей адаптации к национальным клиническим данным Республики Узбекистан, внешней проспективной валидации и интеграции в цифровые системы поддержки принятия врачебных решений.

Zitieren

APA

Эсонов, Ж., & Фозилова, М. (2026). Машинное обучение для ранней стратификации материнского риска в Узбекистане: разработка модели градиентного бустинга на основе данных DHS. Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий, 9(3), 125-133. https://doi.org/10.62132/ijdt.v9i3.409

Vancouver

Эсонов Ж, Фозилова М. Машинное обучение для ранней стратификации материнского риска в Узбекистане: разработка модели градиентного бустинга на основе данных DHS. Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий. 2026;9(3):125-133. doi:10.62132/ijdt.v9i3.409

BibTeX
@article{2026,
  author = {Эсонов, Ж.Х. and Фозилова, М.},
  title = {Машинное обучение для ранней стратификации материнского риска в Узбекистане: разработка модели градиентного бустинга на основе данных DHS},
  journal = {Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий},
  year = {2026},
  volume = {9},
  number = {3},
  pages = {125--133},
  doi = {10.62132/ijdt.v9i3.409}
}
Kostenlos starten →