Библиотека Survivors основана на языке Python и создана для анализа событий во времени

МОСКВА, 9 июня. /ТАСС/. Специалисты факультета вычислительной математики и кибернетики Московского государственного университета им. М. В. Ломоносова разработали библиотеку данных, помогающую спрогнозировать риски смерти пациентов при разных условиях, а также вероятность выхода из строя медоборудования. Об этом сообщила пресс-служба вуза.

Библиотека Survivors (англ. "Выжившие") основана на языке Python и создана для анализа событий во времени. Этот инструмент позволяет прогнозировать вероятность наступления событий с учетом сложных зависимостей в данных и работает даже с пропущенными значениями.

"Благодаря своей универсальности библиотека Survivors может применяться в самых разных областях. В медицине она может использоваться для прогнозирования рисков во времени и оценки продолжительности жизни пациентов на основе интерпретируемых правил, понятных эксперту. В CRM-cистемах ее можно применять для расчета вероятности оттока клиентов, а в промышленности - для предсказания деградации оборудования и мониторинга технического состояния систем", - говорится в сообщении.

Традиционные методы анализа выживаемости пациентов имеют ряд ограничений, требуя строгих предположений о распределении событий во времени и сложной предварительной обработки, уточнили в МГУ. Новое решение, которое можно внедрять в существующие аналитические системы, использует методы машинного обучения, позволяющие преодолеть многие из этих барьеров.

"Survivors позволяет решать задачи анализа выживаемости без предобработки данных, обеспечивая высокую точность прогнозов. Мы стремились создать инструмент, который поможет исследователям и практикам работать с реальными данными, учитывая их сложность и неопределенность", - отметил Юлий Васильев, сотрудник лаборатории технологий программирования факультета ВМК МГУ, чьи слова приводит пресс-служба вуза.

Алгоритмы в библиотеке адаптированы для работы с большими массивами данных, обеспечивая высокую вычислительную эффективность за счет параллельных вычислений и оптимизированных методов разбиения данных. Авторы протестировали решение на девяти открытых медицинских наборах данных, а также на промышленных датасетах. Результаты показали, что библиотека данных обеспечивает более стабильные и точные предсказания по сравнению с классическими моделями, требуя минимальной настройки со стороны пользователя, сообщили в МГУ.