ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПРОФИЛАКТКИ ЗДОРОВЬЯ БЕРЕМЕННЫХ ЖЕНЩИН

INTERNATIONAL SCIENTIFIC JOURNAL SCIENCE AND INNOVATION SPECIAL ISSUE “MODERN PROBLEMS AND PROSPECTS FOR THE DEVELOPMENT OF DIGITAL TRANSFORMATION IN ENERGY” SEPTEMBER 24, 2025 141 ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПРОФИЛАКТКИ ЗДОРОВЬЯ БЕРЕМЕННЫХ ЖЕНЩИН Саидова Гулчехра Эркиновна1, Саидова Гулчехра Алишеровна2 1,2 Старший преподователь кафедры Система энергообеспечения, Ташкентский университет информационных технологий имени Мухаммада ал-Хоразмий https://doi.org/10.5281/zenodo.17558626 Аннотатция. Искусственный интеллект (AI) в медицине становится все более распространенным и эффективным инструментом для диагностики здоровья беременных женщин. С помощью AI можно автоматизировать и ускорить процесс диагностики, а также улучшить точность и надежность результатов. В этой статье исследуются вопросы, применения технологий AI в решения задач диагностики здоровья беременной женщины. Ключевые слова. Диагностика риска развития преэклампсии. Введение Охрана здоровья матери и ребёнка является одним из важнейших приоритетов современной медицины и здравоохранительной политики. Беременность — это физиологический процесс, который сопровождается существенными изменениями в организме женщины и может быть связан с риском развития осложнений как для матери, так и для плода. Своевременная профилактика, мониторинг и индивидуальный подход к каждой беременной женщине играют ключевую роль в снижении материнской и перинатальной заболеваемости и смертности. В условиях цифровизации здравоохранения всё более широкое распространение получают технологии искусственного интеллекта (ИИ). Благодаря анализу больших данных, применению алгоритмов машинного обучения и интеллектуальных систем поддержки принятия решений, появляется возможность прогнозировать риски осложнений, выявлять скрытые закономерности в состоянии здоровья и формировать персонализированные рекомендации. Использование ИИ в профилактике здоровья беременных женщин позволяет: • проводить круглосуточный мониторинг физиологических параметров с помощью носимых устройств; • анализировать результаты лабораторных и инструментальных исследований; • своевременно выявлять отклонения от нормы и предупреждать возможные осложнения; • повышать эффективность врачебных решений и качество медицинской помощи. Таким образом, интеграция искусственного интеллекта в акушерскую практику открывает новые перспективы для развития профилактической медицины, способствует снижению рисков при беременности и формированию концепции «умного» здравоохранения. 1. Диагностика риска развития преэклампсии. Преэклампсия является одним из наиболее опасных осложнений беременности, которое может привести к серьезным последствиям для матери и ребенка. AI может быть использован для анализа различных INTERNATIONAL SCIENTIFIC JOURNAL SCIENCE AND INNOVATION SPECIAL ISSUE “MODERN PROBLEMS AND PROSPECTS FOR THE DEVELOPMENT OF DIGITAL TRANSFORMATION IN ENERGY” SEPTEMBER 24, 2025 142 клинических данных, таких как возраст, вес, артериальное давление, уровень белка в моче и другие факторы, чтобы определить риск развития преэклампсии у беременной женщины (рис.1.). Рис.1. Патогенетические аспекты преэклампсии [1]. (Примечание: ВТЭ – венозная тромбоэмболия; sFlt-1 – растворимая fms-подобная тирозинкиназа 1; sEng – растворимый эндоглин; VEGF – фактор роста эндотелия сосудов; PlGF – плацентарный фактор роста.). 2. Диагностика риска развития гестационного диабета. Гестационный диабет является еще одним распространенным осложнением беременности, которое может привести к серьезным последствиям для матери и ребенка. AI может быть использован для анализа различных клинических данных, таких как возраст, вес, уровень сахара в крови и другие факторы, чтобы определить риск развития гестационного диабета у беременной женщины. 3. Диагностика риска преждевременных родов. Преждевременные роды могут привести к серьезным осложнениям для ребенка, включая проблемы с дыханием, питанием и развитием. AI может быть использован для анализа различных клинических данных, таких как возраст, вес, история беременности и другие факторы, чтобы определить риск преждевременных родов у беременной женщины. 4. Диагностика риска развития других осложнений беременности. AI также может быть использован для анализа других клинических данных, таких как уровень железа в крови, уровень витамина D, наличие инфекций и другие факторы, чтобы определить риск развития других осложнений беременности у беременной женщины. Рис.2. Риск развития гестационного диабета [2]. INTERNATIONAL SCIENTIFIC JOURNAL SCIENCE AND INNOVATION SPECIAL ISSUE “MODERN PROBLEMS AND PROSPECTS FOR THE DEVELOPMENT OF DIGITAL TRANSFORMATION IN ENERGY” SEPTEMBER 24, 2025 143 5. Оптимизация лечения и ухода за беременными женщинами. AI может быть использован для анализа данных о лечении и уходе за беременными женщинами, чтобы оптимизировать процесс лечения и улучшить результаты. К примеру, AI может быть использован для предсказания эффективности различных лекарств и процедур, а также для определения наилучшего времени для проведения различных медицинских процедур. Моделирование задач классификации ультразвуковых изображений у беременных женщин. К сегоднещнему днью сеществует большое количество алгоритм AI позволяющих вести интелекуальный мониторинг здаровья беременных женщин значительно облегчающие врачей освобождая от рутийных забот обработки большого количествор биомедецинских даных. Одним из премеров таких алгоритмов AI, является СNN (Convolutional Neural Network, сокращенно ConvNet/CNN, сверточная нейронная сеть) — это Deep Learning-алгоритм, который может принимать входное изображение, присваивать важность (усваиваемые веса и смещения) различным областям/объектам в изображении и может отличать одно от другого.) для решения задач диагностики здаровья беременной женщины. CNN также может быть использован для решения задач диагностики здоровья беременной женщины. Одним из примеров применения сверточная нейронная сеть может послужить задачи классификации ультразвуковых изображений плода на наличие патологий. Алгоритм создания модели состоит из следующих шагов: Модель CNN может быть использован следующим образом: 1. Подготовка данных: ультразвуковые изображения плода разбиваются на обучающий, тестовый и валидационный наборы. Каждое изображение должно быть нормализовано. 2. Создание модели CNN: модель состоит из нескольких сверточных слоев, слоев пулинга и полносвязных слоев. Каждый сверточный слой выделяет определенные признаки на ультразвуковых изображениях, а слои пулинга уменьшают размерность данных. Полносвязные слои объединяют выделенные признаки для определения наличия патологий. 3. Обучение модели: модель обучается на обучающем наборе данных с использованием метода обратного распространения ошибки. В процессе обучения модель оптимизирует веса для минимизации ошибки. 4. Оценка модели: после обучения модель оценивается на тестовом наборе данных для определения ее точности. На основе CNN построим модель с тремя сверточными слоями и двумя полносвязными слоями для классификации ультразвуковых изображений плода на наличие патологий. Рис. 3. Структура формальной модели CNN для решения задач классификации ультразвуковых изображений у беременных женщин. [3] INTERNATIONAL SCIENTIFIC JOURNAL SCIENCE AND INNOVATION SPECIAL ISSUE “MODERN PROBLEMS AND PROSPECTS FOR THE DEVELOPMENT OF DIGITAL TRANSFORMATION IN ENERGY” SEPTEMBER 24, 2025 144 Модель состоит из трех сверточных слоев, каждый из которых использует ядро размером 3x3 и функцию активации ReLU. Затем следуют слои пулинга с размером окна 2x2. После третьего сверточного слоя используется слой Flatten для преобразования данных в одномерный вектор. Затем следует два полносвязных слоя, каждый из которых имеет 64 нейрона и функцию активации ReLU. Наконец, последний полносвязный слой имеет один нейрон и функцию активации sigmoid, что позволяет получить вероятность наличия патологии на ультразвуковом изображении плода. Общее количество параметров в модели составляет 1 173 121, что достаточно мало для обучения на больших наборах данных. Программная реализация. Примером программного кода созданной модели CNN на языке программирования Python с использованием библиотеки Keras можно представить в следующем виде: ``` from keras.models import Sequential from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense model = Sequential() model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(256, 256, 3))) model.add(MaxPooling2D((2, 2))) model.add(Conv2D(64, (3, 3), activation='relu')) model.add(MaxPooling2D((2, 2))) model.add(Conv2D(64, (3, 3), activation='relu')) model.add(Flatten()) model.add(Dense(64, activation='relu')) model.add(Dense(1, activation='sigmoid')) model.summary() ``` Заключение. В заключении можно сказать, что использование AI для диагностики здоровья беременной женщины может значительно улучшить точность и надежность результатов, а также ускорить процесс диагностики. Однако необходимо помнить, что AI не заменяет человеческого врача и его экспертизы, а служит лишь инструментом для поддержки принятия решений в медицине. СПИСОК ЛИТЕРАТУРЫ. 1. Raia-Barjat T., Edebiri O., Ni Ainle F. Preeclampsia and venous thromboembolism: pathophysiology and potential therapy. Front Cardiovasc Med. 2022;9:856923. https://doi.org/10.3389/fcvm.2022.856923. 2. Plows J.F., Stanley J.L., Baker P.N., Reynolds C.M., Vickers M.H. The Pathophysiology of Gestational Diabetes Mellitus // Int J Mol Sci. — 2018; 19 (11). 3. Tallon-Ballesteros, A.J.; Riquelme, J.C. Data mining methods applied to a digital forensics task for supervised machine learning. In Computational Intelligence in Digital Forensics: Forensic Investigation and Applications, 1st ed.; Muda, A.K., Choo, Y.H., Abraham, A., Srihari, S.N., Eds.; Springer: Cham, Switzerland, 2014; Volume 555, pp. 413–428.