ІНТЕРПРЕТОВАНА КЛАСИФІКАЦІЯ ГЕМОДИНАМІЧНОГО СТАНУ НА ОСНОВІ ВІДБОРУ КЛЮЧОВИХ НЕІНВАЗИВНИХ ПАРАМЕТРІВ ТА АНАЛІЗУ ВАЖЛИВОСТІ ОЗНАК

Анотація

У статті розглянуто проблему інтерпретованої класифікації гемодинамічного стану людини на основі відбору ключових неінвазивних параметрів та аналізу важливості ознак. Сучасна медицина все більше орієнтується на створення автоматизованих систем моніторингу життєво важливих функцій організму, що базуються на методах машинного навчання та штучного інтелекту. Однак значною перешкодою у впровадженні таких систем є проблема довіри з боку лікарів та пацієнтів, оскільки більшість моделей машинного навчання працюють як «чорні скриньки», без зрозумілої логіки прийняття рішень. Це обмежує практичну цінність навіть високо точних алгоритмів, адже клінічні спеціалісти потребують не лише результату класифікації, а й аргументованого пояснення, чому саме той чи інший стан визначено.Метою дослідження є створення інтерпретованої моделі класифікації гемодинамічного стану із застосуванням відбору найбільш інформативних неінвазивних фізіологічних параметрів та методів пояснення моделей.У роботі використано такі показники: частота серцевих скорочень, артеріальний тиск, варіабельність серцевого ритму, насичення крові киснем (SpO₂) та частота дихання. На основі експериментів з моделями Random Forest, XGBoost, логістичною регресією та інтерпретованими деревами рішень здійснено порівняльний аналіз ефективності класифікації та зрозумілості результатів. Для оцінки внеску окремих ознак застосовано метод SHAP-аналізу, що дозволив кількісно визначити значущість параметрів у процесі прогнозування. Результати дослідження свідчать, що найбільш вагомими ознаками для оцінки гемодинамічного стану є насичення крові киснем (SpO2) та варіабельність серцевого ритму (HRV). Їх поєднання забезпечує найбільшу діагностичну інформативність у виявленні компенсованих та декомпенсованих станів. Частота серцевих скорочень та артеріальний тиск відіграють роль додаткових предикторів, тоді як частота дихання має допоміжне значення. Використання інтерпретованих алгоритмів дозволило сформувати правила класифікації у вигляді зрозумілих для лікаря залежностей, що значно підвищує рівень довіри до системи та створює передумови для практичного застосування.Таким чином, запропонований підхід поєднує високу точність автоматизованої діагностики з прозорістю та пояснюваністю результатів. Це робить його перспективним для впровадження у системи підтримки клінічних рішень, мобільні сенсорні пристрої та телемедичні платформи. Подальші дослідження доцільно спрямувати на тестування запропонованої моделі на розширених клінічних вибірках, а також на інтеграцію з інтелектуальними інформаційними системами для персоналізованої медицини.