Перспективи та виклики інженерії програмного забезпечення для інтелектуального опрацювання біомедичних показників

Вадим Анатолійович Мацієвський; Тетяна Миколаївна Нікітчук; Юлія В’ячеславівна Богоявленська

doi:10.26642/ten-2026-1(97)-241-248

Автор(и)

Вадим Анатолійович Мацієвський Державний університет «Житомирська політехніка», Україна https://orcid.org/0000-0003-3947-1363
Тетяна Миколаївна Нікітчук Державний університет «Житомирська політехніка», Україна https://orcid.org/0000-0002-9068-931X
Юлія В’ячеславівна Богоявленська Державний університет «Житомирська політехніка», Україна https://orcid.org/0000-0003-4101-7127

DOI:

https://doi.org/10.26642/ten-2026-1(97)-241-248

Ключові слова:

біомедичні дані, програмне забезпечення, Інтернет медичних речей (IoMT), машинне навчання, ентропійний аналіз, федеративне навчання, інтероперабельність

Анотація

У статті проведено системний аналіз сучасних архітектурних підходів та методів інженерії програмного забезпечення (ІПЗ) для інтелектуального опрацювання біомедичних показників. Досліджено трансформацію медичних інформаційних систем у розподілені комплекси на базі Інтернету медичних речей (IoMT) та Big Data. Систематизовано ключові виклики галузі, зокрема гетерогенність даних, кібербезпеку та проблему «чорної скриньки» алгоритмів штучного інтелекту. Обґрунтовано обмеженість лінійних методів аналізу та доведено ефективність застосування нелінійної динаміки (ентропійний та фрактальний аналіз) для виявлення латентних патологій у нестаціонарних біосигналах. Проведено порівняльний аналіз алгоритмів машинного та глибокого навчання, де гібридні архітектури CNN-LSTM визначено як найбільш перспективні для мультимодальної діагностики. Особливу увагу приділено принципам Privacy by Design, федеративному навчанню та інтеграції методів Explainable AI (XAI) для забезпечення клінічної верифікованості рішень відповідно до стандартів ISO/IEC 27001 та IEC 62304.

Посилання

Topol, E.J. (2019), «High-performance medicine: the convergence of human and artificial intelligence», Nature Medicine, Vol. 25, pp. 44–56.

Meskó, B. and Görög, M. (2020), «A short guide for medical professionals in the era of artificial intelligence», NPJ Digital Medicine, Vol. 3.

Esteva, A. et al. (2019), «A guide to deep learning in healthcare», Nature Medicine, Vol. 25, pp. 24–29.

He, J. et al. (2019), «The practical implementation of artificial intelligence technologies in medicine», Nature Medicine, Vol. 25, pp. 30–36.

Adadi, A. and Berrada, M. (2018), «Peeking inside the black-box: a survey on Explainable Artificial Intelligence (XAI)», IEEE Access, Vol. 6, pp. 52138–52160.

Cavoukian, A. (2009), Privacy by design: the 7 foundational principles, Information and Privacy Commissioner of Ontario, Toronto.

Obermeyer, Z. and Emanuel, E.J. (2016), «Predicting the future – big data, machine learning, and clinical medicine», New England Journal of Medicine, Vol. 375, pp. 1216–1219.

McMahan, B. et al. (2017), «Communication-efficient learning of deep networks from decentralized data», Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (AISTATS), pp. 1273–1282.

Rajkomar, A., Dean, J. and Kohane, I. (2019), «Machine learning in medicine», New England Journal of Medicine, Vol. 380, pp. 1347–1358.

Arrieta, A.B. et al. (2020), «Explainable Artificial Intelligence (XAI): concepts, taxonomies, opportunities and challenges toward responsible AI», Information Fusion, Vol. 58, pp. 82–115.

Sornmo, L. and Laguna, P. (2005), Bioelectrical signal processing in cardiac and neurological applications, Academic Press, Burlington.

Pincus, S.M. (1991), «Approximate entropy as a measure of system complexity», Proceedings of the National Academy of Sciences, Vol. 88, pp. 2297–2301.

ISO/IEC 27001:2022 Information security, cybersecurity and privacy protection – information security management systems – requirements (2022), ISO, Geneva.

Health informatics – information security management in health using ISO/IEC 27002 (2016), ISO, Geneva.

IEC 62304:2006+AMD1:2015 Medical device software – software life cycle processes (2015), IEC, Geneva.

ISO 13485:2016 Medical devices – quality management systems – requirements for regulatory purposes (2016), ISO, Geneva.

Mintser, O.P., Voronenko, Yu.V. and Krasnov, V.V. (2003), Obroblennia klinichnykh i eksperymentalnykh danykh u medytsyni, Vyshcha shkola, Kyiv.

Lupenko, S.A. (2010), Teoretychni osnovy ta metody matematychnoho i prohrаmnoho modeliuvannia fiziolohichnykh ta medychnykh tsyklichnykh syhnaliv, TNTU, Ternopil.

European Parliament and Council (2016) Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with regard to the processing of personal data (General Data Protection Regulation), Official Journal of the European Union, L 119.

IEC 82304-1:2016 Health software – part 1: general requirements for product safety (2016), IEC, Geneva.