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

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.