Tento projekt sa zaoberá analýzou a predikciou synkopy (krátkodobá strata vedomia) pomocou metód strojového učenia. Vstupné dáta pochádzajú z lekárskych správ a dotazníkov vyplnených pacientmi, ktoré boli manuálne spracované do jednotného dátového súboru. Na ich základe sa vytvárajú modely, ktoré umožňujú:
- predikovať, či pacient trpí synkopou (áno/nie),
- ak áno, určiť typ synkopy podľa klasifikácie VASIS (I, II, III).
Projekt je vytvorený ako súčasť bakalárskej práce a slúži ako základ pre budúce využitie v klinickej diagnostike.
-
Predspracovať rozsiahly dotazníkový dataset (textové a číselné údaje, dátumy, odpovede typu áno/nie),
-
Predikovať prítomnosť synkopy (binárna klasifikácia),
-
Predikovať typ synkopy, ak bola diagnostikovaná (multiclass klasifikácia),
-
Zabezpečiť vyváženie dát a výber najlepších príznakov (RFECV, SMOTE),
-
Vizualizovať výsledky pre klinickú interpretáciu (matíce zámien, význam príznakov).
Projekt generuje rôzne vizualizácie a hodnotenia modelov, ktoré sú použiteľné pre medicínsku interpretáciu:
-
Confusion matrix pre binárnu aj viactriednu klasifikáciu
-
Dôležitosť príznakov z modelov (Random Forest, XGBoost)
-
Zhrnutie metrík modelov: Accuracy, Precision, Recall, F1 Score, AUC
Tento projekt môže slúžiť ako nástroj na podporu diagnostiky synkopy v klinickej praxi, ako aj ako podklad pre ďalší výskum v oblasti medicínskeho strojového učenia.
Práca bola naprogramovaná v jazyku Python(Python 3.9.21)
- numpy==1.25.2
- pandas==2.2.3
- scikit-learn==1.0.2
- scipy==1.9.3
- xgboost==1.7.6
- catboost==1.2.3
- imbalanced-learn==0.12.0
- seaborn==0.13.2
- matplotlib==3.9.2
- Flask==3.1.0