Цель работы - расширение функционала диалоговой платформы обработки результатов медико-биологического исследования пациентов – веб-приложения StatMedLab. Разработана и реализована функция расчёта и визуализации характера линейной связи параметров медико-биологических исследований с помощью тепловой карты. Реализована возможность определять рейтинг пар наиболее близких параметров биохимического и общего анализов крови, а также возможность вывода текстовой интерпретации этого рейтинга. Построены и обучены модели классификации данных о пациентах по признакам «наличие сердечно-сосудистого заболевания-отсутствие сердечно-сосудистого заболевания». Функционал внедрён в приложение StatMedLab. Сделан вывод о том, что для классификации наличия заболевания по заданному набору данных предпочтительной является модель случайного леса. Однако для функции классификации стоит использовать и случайный лес, и дерево решений. Дерево решений позволяет получить текстовую интерпретацию модели классификации, понятную врачу.

The purpose of the work is to grow functionality of the dialog platform for processing of results of medical and biological research of patients – StatMedLab web application. The function for calculating and visualizing the nature of the linear relationship between parameters of medical and biological research using a heat map has been developed and implemented. The ability to determine the rating of pairs of the closest parameters of biochemical and general blood tests, as well as the ability to display a textual interpretation of this rating, has been implemented. The models for classifying patient data based on the characteristics “presence of cardiovascular disease or absence of cardiovascular disease” were built and trained.The functionality has been implemented in StatMedLab application. It is concluded that for classifying the presence of a disease based on a given data set, the random forest model is preferable. However, for the classification function it is worth using both random forest and decision tree. The decision tree provides a textual interpretation of the classification model that is understandable to the physician.