SOG‘LIQNI SAQLASHDA SINTETIK MA'LUMOTLARNI YARATISH USULLARI
Quzibayev X. S. & Otaboyeva A. A.
Annotatsiya
Ushbu tadqiqot ishida sog‘liqni saqlash sohasida sintetik ma’lumotlarni yaratish usullari, ularning qo‘llanilishi va samaradorligi tahlil qilinadi. Zamonaviy raqamli tibbiyot tizimlarida ma’lumotlar hajmining ortib borishi bilan birga, maxfiylik va ma’lumotlar yetishmovchiligi muammolari dolzarb ahamiyat kasb etmoqda. Shu nuqtai nazardan, sintetik ma’lumotlar sun’iy intellekt modellarini o‘qitish uchun muqobil va xavfsiz yechim sifatida qaraladi. Tadqiqotda turli xil ma’lumot turlari jadval, tasvir, vaqtli qatorlar va omiks ma’lumotlari asosida sintetik ma’lumotlarni generatsiya qilish metodlari ko‘rib chiqilgan. Ular statistik, mashinali o‘rganish va chuqur o‘rganish yondashuvlari asosida tahlil qilingan. Natijalar shuni ko‘rsatadiki, chuqur o‘rganishga asoslangan usullar yuqori samaradorlikka ega bo‘lib, ayniqsa GAN modellar keng qo‘llanilmoqda. Shuningdek, sintetik ma’lumotlar yordamida bemor maxfiyligini saqlagan holda, tibbiy tadqiqotlar samaradorligini oshirish, sun’iy intellekt modellarining aniqligini yaxshilash va sog‘liqni saqlash tizimlarida innovatsion yechimlarni joriy etish imkoniyati mavjud.
Adabiyotlar
- Shilo S, Rossman H, Segal E. Inqilob o‘qlari: sog‘liqni saqlashda katta ma’lumotlarning muammolari va istiqbollari. Nat Med 2020; vol. 26(1):29–38. https://doi.org/10.1038/s41591-019-0727-5.
- Agrawal R, Prabakaran S. Raqamli sog‘liqni saqlashda katta ma’lumotlar: umumiy amaliyot uchun olingan saboqlar va tavsiyalar. Heredity 2020; vol. 124(4):525–34. https://doi.org/10.1038/s41437-020-0303-2.
- Appenzeller A, Leitner M, Philipp P, Krempel E, Beyerer J. Tibbiy ma’lumotlar tahlili uchun shaxsiy sintetik ma’lumotlarning maxfiyligi va foydaliligi. Appl Sci 2022; vol. 12(23):12320. https://doi.org/10.3390/app122312320.
- S.M. Bellovin, P.K. Dutta, N. Reitinger, Maxfiylik va sintetik ma’lumotlar to‘plamlari, vol. 22.
- Yale A, Dash S, Dutta R, Guyon I, Pavao A, Bennett KP. Maxfiylikni saqlaydigan sintetik salomatlik ma’lumotlarini yaratish va baholash. Neurocomputing 2020; vol. 416:244–55. https://doi.org/10.1016/j.neucom.2019.12.136.
- Gonzales A, Guruswamy G, Smith SR. Sog‘liqni saqlashda sintetik ma’lumotlar: narrativ sharh. PLOS Digit Health 2023; vol. 2(1):e0000082. https://doi.org/10.1371/journal.pdig.0000082.
- Murtaza H, Ahmed M, Khan NF, Murtaza G, Zafar S, Bano A. Sintetik ma’lumotlar generatsiyasi: sog‘liqni saqlash sohasidagi zamonaviy holat. Comput Sci Rev 2023; vol. 48:100546. https://doi.org/10.1016/j.cosrev.2023.100546.
- J. Jordon va boshqalar, “Sintetik ma’lumotlar – nima, nima uchun va qanday?” arXiv, 2022-yil 6-may. Kirish sanasi: 2024-yil 28-may. [Onlayn]. Mavjud: 〈http://arxiv.org/abs/2205.03257〉.
- Figueira A, Vaz B. Sintetik ma’lumotlar generatsiyasi, baholash usullari va GANlar bo‘yicha tadqiqot. Mathematics 2022; vol. 10(15):2733. https://doi.org/10.3390/math10152733.
- O. Mendelevitch, “Metodlar va eksperimental natijalar sharhi”.
- Cheng V, Suriyakumar VM, Dullerud N, Joshi S, Ghassemi M. Haqiqiy bo‘lguncha soxtalashtira olasizmi?: Differensial maxfiylikdagi sintetik ma’lumotlarning tasniflash adolatliligiga ta’siri. Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, Virtual tadbir. Kanada: ACM; 2021. p. 149–60. https://doi.org/10.1145/3442188.3445879.
- Ferrara E. Sun’iy intellektdagi adolatlilik va tarafkashlik: manbalar, ta’sirlar va yumshatish strategiyalari bo‘yicha qisqacha sharh. Sci 2023; vol. 6(1):3. https://doi.org/10.3390/sci6010003.
- Smania G, Jonsson EN. Kovariatlar simulyatsiyasi uchun muqobil usul sifatida shartli taqsimotni modellashtirish: birgalikdagi ko‘p o‘lchovli normal va bootstrap usullari bilan taqqoslash. CPT Pharmacomet Syst Pharmacol 2021; vol. 10(4):330–9. https://doi.org/10.1002/psp4.12613.