МЕТОДИ АНАЛІЗУ ІНДИВІДУАЛЬНИХ ВИМІРЮВАНЬ АРТЕРІАЛЬНОГО ТИСКУ: ТРЕНДИ, СЕЗОННІСТЬ ТА ПРОГНОЗУВАННЯ

Ключові слова: артеріальний тиск, часові ряди, лінійна регресія, сезонна декомпозиція, ARIMA, SARIMA, Holt- Winters, персоналізоване прогнозування

Анотація

У роботі досліджено підхід до аналізу індивідуальних щоденних вимірювань артеріального тиску з метою виявлення довгострокових тенденцій, періодичних коливань та прогнозування можливих змін у майбутньому. Розглянуто використання методів лінійної регресії, STL-декомпозиції, а також моделей ARIMA, SARIMA та Holt-Winters для аналізу артеріального тиску на основі часових рядів. Їх використання дало змогу здійснити оцінку змін у фізіологічних показниках пацієнта та визначити закономірності динаміки артеріального тиску. Аналіз показників проведено на даних довготривалого домашнього моніторингу 67-річного пацієнта з атеросклерозом. Досліджено, що лінійна регресія є ефективною у визначенні базових довгострокових трендів, що відображають поступові зміни середнього рівня артеріального тиску. Метод STL-декомпозиції дозволяє візуалізувати структуру часових рядів та виокремити ком- поненти тренду, сезонності й залишкових коливань. Аналіз отриманих результатів показав, що модель Holt-Winters забезпечує найкращу точність прогнозування як для систолічного, так і для діастолічного тиску у випадках відсутності або слабкої вираженості сезонних коливань. Натомість модель SARIMA виявилася більш придатною для даних із наявними періодичними патернами, тоді як ARIMA доцільно застосовувати як базовий інструмент для оцінки загальних тенденцій без акценту на сезонність. Для кількісного оцінювання точності моделей використано стандартні метрики – середню абсолютну похибку (MAE) та корінь середньоквадратичної помилки (RMSE). Зроблено висновок про доцільність застосування методів аналізу часових рядів у персоналізованій медичній аналітиці. Визначено, що якість і тривалість збору даних, а також розширення спектру вимірюваних параметрів є ключовими чинниками для створення точних індивідуальних профілів ризику, що відображають реальну динаміку фізіологічного стану пацієнта.

Посилання

1. Батурінець А. Г., Антоненко С. В. Ідентифікація складових часовго ряду гідрологічних даних. Актуальні проблеми автоматизації та інформаційних технологій. 2018. В. 22. С. 16–29.
2. Андрусенко Ю. О. Аналіз основних моделей прогнозування часових рядів. Кібернетика та системний аналіз. 2020. В. 3(65). С. 91–96. DOI: 10.30748/zhups.2020.65.14
3. Перцев Ю. О., Коротка Л. І. Порівняльний аналіз традиційних статистичних методів та нейромережевої моделі LSTM. Системні технології. 2025. В. 1(156), С. 65–77. DOI 10.34185/1562-9945-1-156-2025-08
4. Trends and seasonality extracting from Home Blood Pressure Monitoring readings. Mendeley data. 2017. URL: https://data.mendeley.com/datasets/pjcv33hpp7/1
5. Montgomery, D. C., Peck, E. A., & Vining, G. G. Introduction to Linear Regression Analysis (5th ed.). 2012. P. 12–13.
6. Cleveland R. B., Cleveland W. S., McRae J. E., Terpenning I. STL: A Seasonal-Trend Decomposition Procedure Based on Loess. 1990. Journal of Official Statistics. Vol. 6(1). P. 3–73.
7. Cao Y., et al. ARIMA model for short-term forecasting of blood pressure. Scientific Reports. 2020. Vol. 10(1). P. 3452.
8. Box G. E. P., Jenkins G. M., Reinsel G. C. Time Series Analysis: Forecasting and Control (5th ed.). Wiley. 2015. P. 712.
9. Holt C. C. "Forecasting seasonals and trends by exponentially weighted moving averages." International Journal of Forecasting. 2004. Vol. 20(1). P. 5–25.
Опубліковано
2025-12-30
Як цитувати
Надригайло, Т. Ж., & Перемітько, М. В. (2025). МЕТОДИ АНАЛІЗУ ІНДИВІДУАЛЬНИХ ВИМІРЮВАНЬ АРТЕРІАЛЬНОГО ТИСКУ: ТРЕНДИ, СЕЗОННІСТЬ ТА ПРОГНОЗУВАННЯ. Системи та технології, 70(2), 47-54. https://doi.org/10.32782/2521-6643-2025-2-70.5
Розділ
ПРИКЛАДНА МАТЕМАТИКА