Целью исследования является создание эффективной системы поддержки принятия врачебных решений с использованием алгоритмов глубокого обучения для диагностики и прогнозирования состояния пациента на основе рентгенографических снимков и эпидемиологических данных. Были решены следующие задачи: - Исследовать существующие технологии и решения; - Разработать модели прогнозирования состояния пациента на основе рентгенографических снимков и эпидемиологических данных; - Изучить возможности оптимизации использования этих технологий с учетом экономии затрат. Актуальность темы обусловлена увеличением объемов медицинских данных и необходимостью их анализа для ускорения и повышения точности диагностики. Кроме того, применение алгоритмов глубокого обучения позволяет автоматизировать процесс принятия врачебных решений и улучшить качество медицинского обслуживания. Источниками информации выступили научные статьи и монографии по глубокому обучению и медицинской диагностике, базы данных рентгенографических снимков, а также интервью с практикующими врачами. Результатом работы является разработанная система поддержки принятия врачебных решений, которая демонстрирует высокую точность диагностики и прогнозирования состояния пациента. Эта система может быть применена в клинической практике для поддержки врачей в процессе принятия решений.

The aim of the study is to create an effective decision support system using deep learning algorithms for diagnosis and prediction of the patients condition based on radiographic images and epidemiological data. The following objectives were accomplished: - investigation of existing technologies and solutions; - construction of predictive models for patient conditions using radiographic images and epidemiological data; - examination of potential strategies for optimizing the utilization of these technologies, with a focus on cost reduction. The relevance of the topic is underscored by the rising amounts of medical data, requiring their efficient analysis to expedite and enhance diagnostic accuracy. Additionally, the integration of deep learning algorithms facilitates the automation of medical decision-making processes, thereby contributing to an improvement in the quality of healthcare services. The sources of information comprised scientific articles and monographs about deep learning and medical diagnostics, databases containing radiographic images, and interviews with active physicians. The result of the work is the creation of a decision support system, which showcases high precision in both diagnosis and prediction of a patients condition. This system holds potential for integration into clinical practice, offering assistance to physicians during the decision-making process.