Optimisation of intelligent system algorithms for poorly structured data analysis

Abstract

Integration of heterogeneous types of medical data using modern deep learning methods can improve the accuracy and efficiency of diagnosing complex diseases, such as cardiovascular diseases, which is relevant for personalised medicine and reducing the risk of medical errors. The study aimed to present the development of a decision support system for improving the diagnosis of cardiovascular diseases by integrating heterogeneous types of medical data. To create the knowledge base, data from real clinical scenarios were used, which underwent the stages of cleaning, standardisation, and semantic analysis using specialised medical dictionaries. The system demonstrated high efficiency due to its ability to integrate text, image and signal data into a single analysis process. The efficiency was evaluated by such metrics as accuracy, completeness, F1-score, and predictive values of positive and negative results. The introduction of transformers ensured a 15% increase in diagnostic accuracy compared to traditional methods, and the use of a hybrid computing approach reduced model training time by 30% and enabled the processing of up to 1 TB of data per day. Additionally, the integration of heterogeneous types of medical data into the system has improved the personalisation of diagnostics, accounting for individual patient characteristics such as medical history, genetic factors, or comorbidities. Transformer attention mechanisms improved resistance to noise and data gaps, which ensures reliable results even with incomplete or inaccurate information. Optimisation of the models reduced delays in data processing, which is critical for prompt clinical decision-making. In addition, transformers have proven their ability to dynamically scale to process new types of data without losing efficiency, opening opportunities for further expansion of the system’s functionality. The system has also increased the productivity of clinical specialists by automating routine tasks, allowing doctors to focus on more complex aspects of treatment. Інтеграція різнорідних типів медичних даних із використанням сучасних методів глибокого навчання дозволяє підвищити точність та ефективність діагностики складних захворювань, таких як серцево-судинні, що має вирішальне значення для персоналізованої медицини та зниження ризику медичних помилок. Метою роботи було представити розробку системи підтримки прийняття рішень, спрямованої на покращення діагностики серцево-судинних захворювань шляхом інтеграції різнорідних типів медичних даних. Для створення бази знань були використані дані реальних клінічних сценаріїв, що пройшли етапи очистки, стандартизації та семантичного аналізу за допомогою спеціалізованих медичних словників. Система продемонструвала високу ефективність завдяки здатності інтегрувати текстові, зображувальні та сигнальні дані в єдиний процес аналізу. Ефективність оцінювалася за такими метриками, як точність, повнота, F1-score, а також прогностичні значення позитивних і негативних результатів. Впровадження трансформерів забезпечило підвищення точності діагностики на 15 % порівняно з традиційними методами, а використання гібридного підходу до обчислень дозволило скоротити час навчання моделей на 30 % і обробляти до 1 ТБ даних на добу. Додатково, інтеграція різнорідних типів медичних даних у системі дала змогу покращити персоналізацію діагностики, враховуючи індивідуальні особливості пацієнтів, такі як анамнез, генетичні фактори чи супутні захворювання. Завдяки механізмам уваги трансформерів система демонструє стійкість до шуму та пропусків у даних, що забезпечує надійність результатів навіть за умови неповної або неточної інформації. Оптимізація моделей сприяла зменшенню затримок в обробці даних, що є критично важливим для оперативного прийняття клінічних рішень. Крім того, трансформери довели свою здатність динамічно масштабуватися для обробки нових типів даних без втрати ефективності, відкриваючи можливості для подальшого розширення функціоналу системи. Система також підвищила продуктивність клінічних фахівців завдяки автоматизації рутинних завдань, що дозволило лікарям зосередитися на складніших аспектах лікування.