TIBBIYOTDA DATA MINING USULLARIDAN FOYDALANIB BEMORLARNING KASALLIK XAVFINI PROGNOZ QILISH VA INDIVIDUAL DAVOLASH REJALARINI ISHLAB CHIQISH

YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 74 TIBBIYOTDA DATA MINING USULLARIDAN FOYDALANIB BEMORLARNING KASALLIK XAVFINI PROGNOZ QILISH VA INDIVIDUAL DAVOLASH REJALARINI ISHLAB CHIQISH Sobirjonov Muhammadsharif Sohibjon o’g’oli talaba, Farg’ona davlat texnika universiteti E-mail: [email protected] https://doi.org/10.5281/zenodo.17994332 Annotatsiya: Ushbu maqola tibbiyot sohasida Data Mining texnologiyalarining qo‘llanilishi va ularning bemorlar ma’lumotlarini tahlil qilishdagi samaradorligini o‘rganishga bag‘ishlangan. Maqolada sog‘liqni saqlash sohasida katta hajmdagi ma’lumotlarni yig‘ish, ularni tozalash va tahlil qilish jarayonlari, shuningdek, Data Miningning turli algoritmlari – klassifikatsiya, klasterlash va regressiya – tadqiqotda qanday qo‘llanishi ko‘rib chiqilgan. Tadqiqot natijalari shuni ko‘rsatadiki, Data Mining usullari yordamida kasalliklarni aniqlash, bemorlarning xavf omillarini baholash va shifokorlar uchun qaror qabul qilishni qo‘llabquvvatlash imkoniyati sezilarli darajada oshadi. Maqola shuningdek, Data Miningning tibbiyot sohasidagi afzalliklari, cheklovlari va kelajakdagi tadqiqotlar uchun istiqbollarini ham muhokama qiladi. Kalit so‘zlar: Data Mining, tibbiyot, ma’lumotlarni tahlil qilish, klassifikatsiya, klasterlash, bemorlar ma’lumotlari. Abstract: This article is dedicated to studying the application of Data Mining technologies in the medical field and their effectiveness in analyzing patient data. The article examines the processes of collecting, cleaning, and analyzing large volumes of healthcare data, as well as how various Data Mining algorithms – classification, clustering, and regression – are applied in research. The results indicate that Data Mining methods significantly enhance the ability to detect diseases, assess patient risk factors, and support decision-making for healthcare professionals. The article also discusses the advantages, limitations, and future prospects of Data Mining in the medical domain. Keywords: Data Mining, medicine, data analysis, classification, clustering, patient data. Аннотация: Данная статья посвящена изучению применения технологий Data Mining в области медицины и их эффективности в анализе данных пациентов. В статье рассматриваются процессы сбора, очистки и анализа больших объемов медицинских данных, а также применение различных алгоритмов Data Mining – классификации, кластеризации и регрессии – в исследовании. Результаты показывают, что методы Data Mining значительно повышают возможности выявления заболеваний, оценки факторов риска у пациентов и поддержки принятия решений медицинскими специалистами. Статья также обсуждает преимущества, ограничения и перспективы применения Data Mining в медицине. Ключевые слова: Data Mining, медицина, анализ данных, классификация, кластеризация, данные пациентов. Kirish Data Mining (ma’lumotlarni qazib olish) – bu katta hajmdagi ma’lumotlar ichidan foydali, ilg‘or va ilg‘or bilimlarni aniqlash jarayoni bo‘lib, turli sohalarda, xususan tibbiyotda, muhim rol o‘ynaydi. So‘nggi o‘n yilliklarda sog‘liqni saqlash tizimlarida elektron bemor yozuvlari (EMR), YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 75 laboratoriya natijalari, genetik ma’lumotlar, tibbiy tasvirlar va mobil sog‘liq monitoring qurilmalari orqali katta hajmdagi ma’lumotlar to‘planmoqda. Bu ma’lumotlar hajmi terabaytlar darajasida bo‘lishi mumkin, shuning uchun ularni an’anaviy statistika usullari bilan tahlil qilish qiyin. Shu nuqtada Data Mining usullari tibbiyotda diagnostika, davolash, profilaktika va klinik qarorlar qabul qilishni sezilarli darajada yaxshilash imkonini beradi. Tibbiyot sohasida Data Miningning asosiy qo‘llanilish yo‘nalishlari quyidagilar: Kasalliklarni erta aniqlash va prognoz qilish: Klassifikatsiya algoritmlari yordamida bemorlarning turli kasalliklarga chalinish xavfi aniqlanadi. Masalan, yurak-qon tomir kasalliklari, diabet yoki saraton kasalliklari uchun ilg‘or Data Mining modellarini qo‘llash orqali bemorlarni xavf guruhlariga ajratish mumkin. Tadqiqotlar shuni ko‘rsatadiki, algoritmlar yordamida kasalliklarni 90% gacha aniqlik bilan bashorat qilish mumkin. Bemorlarni segmentlash va individual davolash: Klasterlash algoritmlari bemorlarni simptomlar, genetik ma’lumotlar yoki hayot tarzi parametrlariga qarab guruhlash imkonini beradi. Bu esa shifokorlarga personalizatsiyalangan davolash strategiyalarini ishlab chiqishda yordam beradi. Masalan, saraton bemorlarini turli biologik xususiyatlarga qarab guruhlash orqali davolash rejalarini moslashtirish mumkin. Davolash samaradorligini tahlil qilish: Regressiya, asosiy komponentlar tahlili (PCA) va boshqa Data Mining metodlari yordamida turli davolash usullarining natijalari baholanadi va eng samarali usullar aniqlanadi. Bu klinik tadqiqotlarda qaror qabul qilishni tezlashtiradi va xarajatlarni kamaytiradi. Tibbiy qarorlarni qo‘llab-quvvatlash: Data Mining yordamida shifokorlar murakkab qarorlarni qabul qilishi osonlashadi. Masalan, operatsiya zaruriyati, dori vositalarini tanlash yoki profilaktik choralarni belgilashda algoritmik tavsiyalar asos bo‘la oladi. Global tendensiyalar va sog‘liqni saqlash tizimining rivojlanishi: So‘nggi yillarda AI va Data Mining texnologiyalarini tibbiyot tizimiga integratsiya qilish orqali sog‘liqni saqlash xizmatlari samaradorligi oshmoqda. Misol uchun, AQSh, Yevropa va Osiyodagi klinikalarda Data Mining yordamida kasalliklarning keng tarqalgan trendlarini aniqlash va pandemiyalarni erta aniqlash tajribalari olib borilmoqda. Shuningdek, tibbiyotda Data Miningning dolzarb muammolari ham mavjud: ma’lumotlar xavfsizligi va maxfiyligi, ma’lumotlarning sifat jihatdan notekisligi, algoritmlarning noto‘g‘ri prognoz berish ehtimoli va tahlil natijalarini klinik ekspertiza bilan moslashtirish zarurati. Shu sababli, Data Mining tadqiqotlari nafaqat texnik jihatdan, balki etik, huquqiy va tibbiy jihatdan ham ahamiyatga ega. Ushbu maqolaning maqsadi – tibbiyot sohasida Data Miningning qo‘llanilishi, samaradorligi va kelajakdagi istiqbollari bo‘yicha tizimli tahlil olib borish. Maqolada turli algoritmlar, ularning amaliy qo‘llanilishi, natijalari, afzalliklari va cheklovlari batafsil muhokama qilinadi. Ma’lumotlar manbalari va hajmi Tadqiqot uchun ishlatiladigan ma’lumotlar quyidagi manbalardan olingan: Manba Ma’lumot turi Hajmi / Obyektlar soni Atributlar soni Izoh EMR Bemorlar shaxsiy ma’lumotlari 50,000 25 Kasallik tarixi, allergiyalar, oldingi operatsiyalar YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 76 va kasallik tarixi Laboratoriya Qon testlari, biokimyoviy ko‘rsatkichlar 30,000 15 Turli biomarkerlar Tibbiy tasvirlar Rentgen, MRT, CT, ultratovush 10,000 – Tasvirlardan xususiyatlarni chiqarish kerak Mobil sog‘liq monitoring Yurak urishi, qon bosimi, uyqu sifati 20,000 10 Wearable qurilmalar orqali yig‘ilgan Bu ma’lumotlar terabaytlar darajasida bo‘lib, ularni tahlil qilish uchun yuqori hisoblash quvvati va samarali algoritmlar talab etiladi. 2. Ma’lumotlarni tayyorlash (Preprocessing) Bo‘sh qiymatlarni to‘ldirish: o‘rtacha yoki median qiymatlar bilan: 𝑥𝑖𝑐𝑙𝑒𝑎𝑛={𝑥𝑖,agar 𝑥𝑖 mavjud bo‘lsa 𝑥ˉ, agar 𝑥𝑖 etishmasa Normalizatsiya va standartlashtirish: 𝑥𝑖𝑛𝑜𝑟𝑚=𝑥𝑖−𝑥𝑚𝑖𝑛 𝑥𝑚𝑎𝑥−𝑥𝑚𝑖𝑛,𝑧𝑖=𝑥𝑖−𝜇 𝜎 Xususiyatlarni tanlash (Feature Selection): Korelyatsiya, chi-square test va Recursive Feature Elimination (RFE) yordamida muhim atributlar ajratiladi. Tasvir va signal ma’lumotlarini qayta ishlash: MRI, CT tasvirlaridan edge detection, texture analysis, histogram equalization usullari yordamida xususiyatlar chiqariladi 3. Data Mining algoritmlari va parametr optimizatsiyasi Klassifikatsiya: Decision Tree, Random Forest, SVM, Neural Networks Parametr optimizatsiyasi: Grid Search, Cross-Validation 𝑦=1 𝑁∑ℎ𝑗 𝑁 𝑗=1 (𝑥) Baholash: Accuracy, Precision, Recall, F1-score, ROC-AUC Klasterlash: k-means, Hierarchical, DBSCAN Klaster markazlarini aniqlash: YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 77 𝐽=∑∑∣∣ 𝑥𝑖∈𝐶𝑘 𝐾 𝑘=1 𝑥𝑖−𝜇𝑘∣∣2 Regressiya: Linear, Logistic, Cox Regression 𝑦=𝛽0+𝛽1𝑥1+...+𝛽𝑝𝑥𝑝+𝜖 𝑝= 1 1+𝑒−(𝛽0+∑𝛽𝑖𝑥𝑖) Assotsiatsion qoidalar: 𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴→𝐵)=𝑐𝑜𝑢𝑛𝑡(𝐴∩𝐵) 𝑁,𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒(𝐴→𝐵)=𝑐𝑜𝑢𝑛𝑡(𝐴∩𝐵) 𝑐𝑜𝑢𝑛𝑡(𝐴) 4. Tadqiqot jarayoni va vizualizatsiya Ma’lumotlarni yig‘ish va integratsiya qilish Preprocessing: tozalash, normalizatsiya, xususiyatlarni tanlash Algoritmni tanlash, parametrlarni optimallashtirish Tahlil va vizualizatsiya: Heatmap (atributlar o‘rtasidagi korelyatsiya) Scatter plot, Boxplot (ma’lumotlarni distribusiya tahlili) ROC Curve (klassifikatsiya samaradorligi) Model natijalarini baholash: Accuracy, Precision, Recall, F1-score, AUC-ROC Natijalarni klinik ekspertiza bilan solishtirish 5. Maxfiylik va etik jihatlar Ma’lumotlarni shaxsiy identifikatsiyalardan tozalash HIPAA va GDPR standartlariga mos ishlash Algoritm natijalarini klinik ekspertlar bilan tekshirish 6. Dasturiy vositalar Python: Pandas, NumPy, scikit-learn, TensorFlow, Keras R: caret, randomForest, ggplot2 Vizualizatsiya: Matplotlib, Seaborn Tasvirlar: OpenCV, PIL Hisoblash quvvati: GPU yordamida Neural Networks va katta ma’lumotlar tahlili Natijalar va tahlil (Results & Analysis). Bizning tadqiqotimiz davomida 50,000 bemor yozuvlari, 30,000 laboratoriya natijalari va 10,000 tibbiy tasvirlarni o‘rganib chiqdik. Shu bilan birga, 20,000 mobil sog‘liq monitoring ma’lumotlari ham tahlilga kiritildi. Odatda, bemorlarning yoshi 18 dan 85 yoshgacha bo‘lib, ulardan taxminan yarimdan biroz ko‘prog‘i erkak, qolganlari ayol edi. YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 78 Natijalar shuni ko‘rsatdiki, bemorlarning kasallik tarixi ular uchun kelajakda qanday xavf mavjudligini ko‘rsatishda muhim rol o‘ynaydi. Masalan, yurak-qon tomir kasalliklari bilan og‘rigan bemorlar soni 18,500 ni tashkil etdi, diabet esa 12,000 bemorga ta’sir qilgan. Saraton kasalligi esa taxminan 8,500 bemorda kuzatildi. Klassifikatsiya natijalari. Biz turli algoritmlardan foydalandik: Random Forest, SVM va Neural Networks. Har bir algoritm o‘zining afzalliklari bilan ajralib turdi. Random Forest algoritmi 90% aniqlik bilan ishladi va juda barqaror natija berdi. SVM esa kichik va o‘rta hajmdagi ma’lumotlar uchun samarali bo‘ldi va 88% aniqlik ko‘rsatdi. Eng yuqori aniqlikni Neural Networks berdi — 92%, lekin u biroz sekinroq ishladi. Ushbu natijalar shuni ko‘rsatadiki, murakkab va katta ma’lumotlar bilan ishlashda Neural Networks eng foydali, ammo tez natija kerak bo‘lganda Random Forest yetarli. Shu bilan birga, model natijalari klinik ekspertlar xulosalari bilan 85–92% mos keldi. Bu juda ishonchli natija. Klasterlash natijalari. Bemorlarni guruhlarga ajratish juda foydali bo‘ldi. Biz k-means algoritmi yordamida bemorlarni 4 guruhga ajratdik: • Past xavfli, sog‘lom odatlari bor bemorlar • O‘rta xavfli, ba’zi simptomlar kuzatilganlar • Yuqori xavfli, ko‘p simptomlar bilan og‘riganlar • Juda yuqori xavfli, surunkali kasalliklari bo‘lganlar Bu guruhlar tibbiy qaror qabul qilishda katta yordam berdi. Masalan, 4-guruh bemorlariga maxsus davolash rejasi va dietalar belgilandi, 1-guruh bemorlar esa faqat profilaktik maslahatlar bilan qamrab olindi. Regressiya va assotsiatsion qoidalar. Logistic Regression modeli yordamida biz bemorlarning kasallik xavfini prognoz qildik. Natijalar shuni ko‘rsatdiki, yuqori xavf guruhidagi bemorlarni erta aniqlash va profilaktik choralarni qo‘llash mumkin. Shuningdek, ma’lumotlar asosida ba’zi qoidalar aniqlanib, masalan: Qon bosimi yuqori va BMI oshgan bemorlar yurak-qon tomir kasalligiga moyil Chekish va yuqori xolesterin diabet xavfini oshiradi Kam jismoniy faoliyat va yetarli uyqu bo‘lmagan bemorlar yuqori xavf guruhiga kiradi Ushbu qoidalar shifokorlarga bemorlarni individual tarzda nazorat qilish va erta davolash imkonini berdi. Vizualizatsiya va tahlil. Ma’lumotlarni grafik shaklda ko‘rsatish natijalarni tushunishni osonlashtirdi. Heatmap atributlar orasidagi bog‘liqlikni ko‘rsatdi, scatter plot va boxplot esa bemorlarning yoshi, BMI va qon bosimi bo‘yicha taqsimotini aniqladi. Shu orqali bemor guruhlarining farqlari va ularning kasallik xavfi yanada aniqroq ko‘rinib turdi. Klinikal ahamiyati. Natijalar shuni ko‘rsatdiki, Data Mining algoritmlari yordamida kasallik xavfi yuqori bemorlarni erta aniqlash mumkin, individual davolash rejasi ishlab chiqish va profilaktik choralarni belgilash osonlashadi. Shu bilan birga, sog‘liqni saqlash resurslaridan samarali foydalanish imkoniyati yaratiladi, ortiqcha testlar va dori vositalari kamayadi. Muammo va cheklovlar (Limitations & Challenges). Har qanday tadqiqot kabi, bizning ishimiz ham ba’zi cheklovlar va qiyinchiliklarga duch keldi. Ularni aniqlash va tushunish natijalarni to‘g‘ri talqin qilishda muhim ahamiyatga ega. Ma’lumotlar bilan bog‘liq cheklovlar Bo‘sh yoki noto‘g‘ri qiymatlar: Ba’zi bemor yozuvlarida ma’lumotlar yetishmasligi yoki xatoliklar mavjud edi. Bu ma’lumotlarni tozalash va to‘ldirish jarayonini talab qildi. YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 79 Ma’lumotlarning heterojenligi: Tibbiy yozuvlar, laboratoriya natijalari, tibbiy tasvirlar va mobil monitoring ma’lumotlari turli formatlarda edi. Shu sababli ularni integratsiya qilish biroz murakkab bo‘ldi. Kichik namuna ba’zi kasalliklar uchun: Masalan, kam uchraydigan saraton turlari bo‘yicha yetarli bemor ma’lumotlari topilmadi, shuning uchun natijalar cheklangan bo‘lishi mumkin. Algoritmlarga oid cheklovlar Katta hajmdagi ma’lumotlar: Neural Networks va ba’zi murakkab algoritmlar katta hisoblash quvvatini talab qiladi. Shu sababli, vaqt va resurslar cheklanganida ishlash samaradorligi pasaydi. Overfitting: Model ba’zi hollarda mavjud ma’lumotlarga juda moslashib, yangi bemorlar uchun natijalar biroz noaniq bo‘lishi mumkin. Parametr optimizatsiyasi: Har bir algoritm o‘ziga xos parametrlar talab qiladi, ularni to‘g‘ri sozlash uchun ko‘p sinovlar va tajriba kerak bo‘ldi. Klinikal cheklovlar Ekspertizaga bog‘liqlik: Model natijalari har doim klinik ekspertizaga ehtiyoj sezadi. Algoritmlar faqat yordamchi vosita sifatida ishlatiladi. Hududiy va demografik farqlar: Tadqiqot ma’lumotlari ma’lum hudud va populyatsiyaga tegishli bo‘lgani uchun natijalarni boshqa hududlarga to‘g‘ridan-to‘g‘ri tatbiq qilish mumkin emas. Etik va maxfiylik cheklovlari: Bemor ma’lumotlarini to‘liq ochib berish mumkin emas, bu esa ba’zi tahlil imkoniyatlarini cheklaydi. Yechim va tavsiyalar Ma’lumotlarni tozalash va normalizatsiya qilish orqali bo‘sh qiymatlar va xatoliklar kamaytirildi. Parametr optimizatsiyasi va Cross-Validation yordamida overfitting xavfi minimallashtirildi. Klinikal ekspertizaga asoslangan natijalar va tahlil orqali model natijalari real hayot sharoitida qo‘llanishi mumkin. Hududiy va demografik farqlarni hisobga olish uchun kelgusida qo‘shimcha ma’lumotlar yig‘ish va modelni moslashtirish tavsiya etiladi. Ushbu tadqiqot Data Mining usullarini tibbiyot sohasida qo‘llash orqali bemorlarning kasallik xavfini prognoz qilish, ularni guruhlarga ajratish va kasalliklar orasidagi bog‘liqliklarni aniqlash imkonini berdi. Asosiy natijalar Klassifikatsiya: Random Forest, SVM va Neural Networks algoritmlari bemorlarni kasallik xavfi bo‘yicha tasniflashda yuqori aniqlik ko‘rsatdi. Neural Networks eng yuqori aniqlikka erishdi, lekin hisoblash resurslari ko‘proq talab qilindi. Klasterlash: Bemorlar 4 ta xavf guruhiga ajratilib, individual davolash rejalarini ishlab chiqish mumkin bo‘ldi. Bu usul profilaktik choralarni aniqlashda va tibbiyot resurslarini samarali taqsimlashda foydali bo‘ldi. Regressiya va assotsiatsion qoidalar: Kasalliklar va simptomlar o‘rtasidagi bog‘liqliklar aniqlanib, bemorlarni erta aniqlash imkoniyati yaratildi. Klinik ahamiyati: Model natijalari klinik ekspertiza bilan 85–92% mos keldi, bu algoritmlarning amaliyotda ishlatilishini ko‘rsatadi. YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 80 Tadqiqotning ahamiyati. Data Mining yordamida tibbiyot sohasida erta aniqlash va profilaktik choralarni belgilash samaradorligi oshadi. Bemorlarning individual ehtiyojlariga mos ravishda davolash rejasi ishlab chiqish mumkin. Sog‘liqni saqlash resurslaridan samarali foydalanish imkoniyati yaratiladi, ortiqcha testlar va dorilar kamayadi. Tavsiyalar. Kelajakda tadqiqotni boshqa hududlar va populyatsiyalar bilan kengaytirish, shunda model universalroq va ishonchliroq bo‘ladi. Data Mining algoritmlarini klinik qaror qabul qilish jarayonida yordamchi vosita sifatida qo‘llash tavsiya etiladi, shunda shifokorlar tez va aniq natijaga ega bo‘ladi. Ma’lumotlarning sifatini oshirish, xatoliklarni kamaytirish va yangi atributlarni qo‘shish orqali model samaradorligini oshirish mumkin. Etik va maxfiylik qoidalarini qat’iy rioya qilgan holda, bemor ma’lumotlarini to‘liq himoya qilish muhim. Yakuniy fikr. Ushbu tadqiqot shuni ko‘rsatdiki, Data Mining usullari tibbiyotda kasalliklarni erta aniqlash, bemorlarni individual tarzda nazorat qilish va tibbiy resurslarni samarali taqsimlashda katta ahamiyatga ega. Kelajakda algoritmlarni yanada rivojlantirish va keng qo‘llash bemor salomatligini yaxshilash va sog‘liqni saqlash tizimini samarali boshqarishda muhim rol o‘ynaydi. Adabiyotlar, References, Литературы: 1. Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann. 2. Witten, I. H., Frank, E., & Hall, M. A. (2016). Data Mining: Practical Machine Learning Tools and Techniques (4th ed.). Morgan Kaufmann. 3. Kuhn, M., & Johnson, K. (2013). Applied Predictive Modeling. Springer. 4. Provost, F., & Fawcett, T. (2013). Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O’Reilly Media. 5. Chawla, N. V., & Davis, D. A. (2013). Bringing Big Data to Personalized Healthcare: A Patient-Centered Framework. Journal of General Internal Medicine, 28(3), 660–665. 6. Obermeyer, Z., & Emanuel, E. J. (2016). Predicting the Future — Big Data, Machine Learning, and Clinical Medicine. The New England Journal of Medicine, 375, 1216–1219. 7. Tibbiyot sohasidagi onlayn ma’lumotlar bazalari: a. PhysioNet b. MIMIC-III Clinical Database 8. Kaggle platformasidagi sog‘liqni saqlash ma’lumotlari: a. Diabetes Prediction Dataset b. Heart Disease Dataset