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.
Анотація (англ.):
The article presents a systematic analysis of modern architectural approaches and software engineering (SIE) methods for the intelligent processing of biomedical indicators. The transformation of medical information systems into distributed complexes based on the Internet of Medical Things (IoMT) and Big Data is studied. Key challenges of the industry are systematized, in particular, data heterogeneity, cybersecurity, and the problem of the «black box» of artificial intelligence algorithms. The limitations of linear analysis methods are substantiated and the effectiveness of using nonlinear dynamics (entropy and fractal analysis) to detect latent pathologies in non-stationary biosignals is proven. A comparative analysis of machine and deep learning algorithms is conducted, where CNN-LSTM hybrid architectures are identified as the most promising for multimodal diagnostics. Special attention is paid to the principles of Privacy by Design, federated learning, and integration of Explainable AI (XAI) methods to ensure clinical verifiability of solutions in accordance with ISO/IEC 27001 and IEC 62304 standards.
