Остання редакція: 2026-06-11
Анотація
Роботу присвячено задачі виявлення аномалій у записах системи охорони здоров’я України. Запропоновано метод побудови гетерогенного графа медичних даних із вузлами типів: пацієнт, ICD-10, ICPC-2, ACHI, заклад та направлення. На датасеті (281 167 записів, 192 799 пацієнтів, 149 закладів) побудовано граф з понад 5 млн ребер та виявлено три рівні аномалій: системний (43,1 % невиконаних направлень, 51 код ACHI без виконань), структурний (пацієнти без ICPC-2-симптоматики за наявних ICD-10 діагнозів, виявлені GAE) та семантичний (незвичайні поєднання кодів, виявлені HetGNN). Коефіцієнт Спірмена між моделями ρ = −0,012, що підтверджує їхню взаємодоповнюваність.
Ключові слова
Посилання
De Meulemeester H., De Smet F., van Dorst J., Derroitte E., De Moor B. Explainable unsupervised anomaly detection for healthcare insurance data. BMC Medical Informatics and Decision Making. 2025. Vol. 25, No. 1. Article 14. DOI: https://doi.org/10.1186/s12911-024-02823-6
Бобко Б. В., Жуков С. О. Методи машинного навчання для виявлення аномалій у медичній статистиці України: аналітичний огляд. Вінницький національний технічний університет. URL: https://ir.lib.vntu.edu.ua/handle/123456789/49988
Xi S., Shi J., Yan J., Lin M., Zhou X., Cheng Y., Ding H., Kang C.C. Breaking barriers in ICD classification with a robust graph neural network for hierarchical coding. Scientific Reports. 2025. Vol. 15. Article 25676. DOI: https://doi.org/10.1038/s41598-025-10590-1
Kipf T.N., Welling M. Variational Graph Auto-Encoders. arXiv preprint. 2016. arXiv:1611.07308. DOI: https://doi.org/10.48550/arXiv.1611.07308
Hu Z., Dong Y., Wang K., Sun Y. Heterogeneous Graph Transformer. Proceedings of The Web Conference 2020 (WWW ’20). ACM, 2020. P. 2704–2710. DOI: https://doi.org/10.1145/3366423.3380027