IT Project Manager
менеджер ИТ-проектов
Subject of research: evaluation of the methodological limitations and applicability of machine learning algorithms for preoperative prediction of postoperative complications based on structured clinical and laboratory data of limited dimensionality.
Purpose of research: to comparatively assess the robustness and discriminative capacity of classical and ensemble machine learning classifiers in the task of preoperative risk stratification under constrained feature space conditions typical of routine clinical assessment.
Research methods: implementation of logistic regression, random forest, and gradient boosting algorithms applied to structured medical datasets. Model performance was evaluated using the AUC-ROC metric, Accuracy, F1-score, and 5-fold cross-validation to ensure stability and generalizability of results.
Objects of research: binary classification modeling performed on a synthetic dataset (n = 5,000) comprising 15 demographic, laboratory, and anamnestic variables simulating standard preoperative clinical information.
Research findings: all evaluated models demonstrated moderate discriminative performance (AUC-ROC range 0.53–0.59). Ensemble methods did not exhibit a statistically significant advantage over the linear model under static and low-dimensional data conditions. The results indicate that predictive performance is highly dependent on the structure, completeness, and informativeness of input features. The study highlights methodological constraints in applying classical machine learning approaches to preoperative risk assessment and establishes structural requirements for clinical datasets necessary to achieve clinically meaningful predictive accuracy.
Предмет исследования: оценка методологических границ применения алгоритмов машинного обучения при предоперационном прогнозировании риска послеоперационных осложнений на основе структурированных клинико-лабораторных данных ограниченной размерности.
Цель исследования: провести сравнительный анализ устойчивости и дискриминативной способности классических и ансамблевых алгоритмов машинного обучения в условиях ограниченного признакового пространства, характерного для стандартной предоперационной оценки пациента.
Методы исследования: реализованы модели логистической регрессии, случайного леса и градиентного бустинга. Исследование выполнено на синтетическом наборе данных (n = 5000), моделирующем структуру реальной предоперационной информации и включающем 15 демографических, клинико-лабораторных и анамнестических признаков. Задача формализована как бинарная классификация. Для оценки качества использованы метрики AUC-ROC, Accuracy, F1-score и 5-кратная перекрёстная валидация. Дополнительно проведён анализ влияния ограниченности признакового пространства на поведение ансамблевых методов.
Объект исследования: процесс предоперационной стратификации риска развития послеоперационных осложнений у хирургических пациентов на основе стандартных демографических, анамнестических и лабораторных показателей, доступных до оперативного вмешательства.
Основные результаты исследования: показано, что в условиях статических и ограниченных по размерности данных ансамблевые алгоритмы не демонстрируют существенного преимущества над линейной моделью. Значения AUC-ROC составили 0,53–0,59, что указывает на зависимость эффективности моделей от структуры входных данных. Установлено, что отсутствие временных и хирургических параметров является критическим фактором снижения прогностической мощности. Работа выявляет методологические ограничения применения ML-моделей при предоперационной стратификации риска и формирует требования к структуре клинического датасета для достижения клинически значимой точности.