Využití Machine Learningového algoritmu k předcházení nežádoucích stavů v rámci elektronické preskripce

Miroslav Lutovský

Diplomová práce

Use of Machine Learning algorithm to prevent undesirable conditions within electronic prescription

Anotace:

Hlavním cílem této diplomové práce je implementování Machine learningového algoritmu pro hledání anomálií ve spotřebě Antiinfektiv nad daty ze systému eRecept. K vytvoření řešení je nutné načerpat teoretické znalosti z oblastí spotřeby Antiinfektiv, eReceptu a Machine learningu. Dále je pro tvorbu řešení nezbytné vytvořit algoritmy pro získávání dat ve vhodné podobě pro použití ML algoritmy. Tyto algoritmy získávají data ze zdrojových systémů, transformují je a následně je čerpá vybraná technologie s ML algoritmem. Následně jsou nalezené anomálie vizualizovány v nástroji Power BI. V první části je popsána metodika CRISP-DM a TDSP, kterými se řídí diplomová práce. Dále je poskytnut vhled do problematiky spotřeby Antiinfektiv (je znázorněna spotřeba Antiinfektiv u nás a v Evropě). Jsou popsány principy, na kterých stojí navržená architektura, jako je Low-code princip, Machine Learning as Service a Self Service Business Inteligence. Následně je navržena architektura budoucího řešení. Následuje je analýza a zpracování dat pro ML algoritmy a jednotlivé zvolené technologie (Power BI, Signalligence a Azure Machine Learning Studio). Následně jsou zhodnoceny jednotlivé technologie a vybráno řešení. Následně jsou vizualizovány nalezené anomálie pomocí nástroje Power BI. Hlavní přínos práce spočívá v poskytnutí specifického pohledu na to, zda je možné data z eReceptu využít pro zpracování pomocí Machine Learningových algoritmů.Hlavním cílem této diplomové práce je implementování Machine learningového algoritmu pro hledání anomálií ve spotřebě Antiinfektiv nad daty ze systému eRecept. K vytvoření řešení je nutné načerpat teoretické znalosti z oblastí spotřeby Antiinfektiv, eReceptu a Machine learningu. Dále je pro tvorbu řešení nezbytné vytvořit algoritmy pro získávání dat ve vhodné podobě pro použití ML algoritmy. Tyto algoritmy získávají data ze zdrojových systémů, transformují je a následně je čerpá vybraná technologie s ML algoritmem. Následně jsou nalezené anomálie vizualizovány v nástroji Power BI. V první části je popsána metodika CRISP-DM a TDSP, kterými se řídí diplomová práce. Dále je poskytnut vhled do problematiky spotřeby Antiinfektiv (je znázorněna spotřeba Antiinfektiv u nás a v Evropě). Jsou popsány principy, na kterých stojí navržená architektura, jako je Low-code princip, Machine Learning as Service a Self Service Business Inteligence. Následně je navržena architektura budoucího řešení. Následuje je analýza a zpracování dat pro ML algoritmy a jednotlivé zvolené technologie (Power BI, Signalligence a Azure Machine Learning Studio). Následně jsou zhodnoceny jednotlivé technologie a vybráno řešení. Následně jsou vizualizovány nalezené anomálie pomocí nástroje Power BI. Hlavní přínos práce spočívá v poskytnutí specifického pohledu na to, zda je možné data z eReceptu využít pro zpracování pomocí Machine Learningových algoritmů.

Abstract:

The main goal of this diploma thesis is to implement a Machine learning algorithm for finding anomalies in the consumption of anti-infectives over data from the ePrescription system. To create a solution, it is necessary to gain theoretical knowledge in the areas of consumption of Anti-infectives, ePrescription and Machine Learning. Furthermore, in order to create a solution, it is necessary to create algorithms for data acquisition in a suitable form for the use of ML algorithms, these algorithms obtain data from source systems, transform them and then draw them on selected technology with ML algorithm. Subsequently, the found anomalies are visualized. The first part describes the CRISP-DM methodology, which is governed by the thesis. Furthermore, an insight into the issue of consumption of Anti-infective is provided (consumption of Anti-infectives in our country and in Europe is shown). The principles on which the proposed architecture is based are described, such as the Low-code principle, Machine Learning as Service and Self Service Business Intelligence. Subsequently, the architecture of the future solution is proposed. The next section describes data processing for ML agencies and individual selected technologies (Power BI, Signalligence and Azure Machine Learning Studio). Subsequently, the individual technologies are evaluated and one solution is selected, which is then verified with the State Institute for Drug Control that it is possible to use the technology in the existing architecture. Subsequently, the found anomalies are visualized. The main benefit of this work is to provide a specific view of whether the data from the ePrescription can be used for processing using Machine Learning algorithms.

Klíčová slova

CRISP-DM, Signalligence, Antiinfektiva, Datová analýza, Hledání anomálií, eRecept, Power BI, Časové řady, Machine learning, Azure Machine Learning studio

Keywords

Antiinfectives, Anomaly detection, Azure Machine Learning studio, ePrescription, Machine learning, Time series, CRISP-DM, Data analysis, Power BI, Signalligence

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 28. 6. 2021

Obhajoba závěrečné práce

• Obhajoba proběhla 12. 10. 2021
• Vedoucí: Martin Potančok
• Oponent: Pavel Zimmermann

Vysoká škola ekonomická v Praze

Magisterský studijní program / obor:
Aplikovaná informatika / Informační systémy a technologie