MASHINALI O‘RGANISH YORDAMIDA GESTATSION DIABETNI ERTA BASHORAT QILISH: O‘ZBEKISTONDAGI KLINIK MA’LUMOTLAR BO‘YICHA TADQIQOT

##article.abstract##

Annotatsiya. Gestatsion qandli diabet (GQD) ona va homila salomatligidagi asosiy tashvish bo‘lib, global miqyosda kasallik darajasi ortib bormoqda. Ushbu tadqiqotda O‘zbekistonning oltita viloyatidan 2000 ga yaqin homilador ayolning ma’lumotlar to‘plami asosida GQDni erta aniqlash uchun mashinali o‘rganish yondashuvi taqdim etilgan. Ular orasida 10% ga GQD tashxisi qo‘yilgan. Biz oltita mashinali o‘rganish algoritmini ko‘rib chiqdik - Support Vector Machine (SVM), Naive Bayes, Random Forest, LDA, K-Nearest Neighbors (KNN) va Logistic Regression. Random Forest 99 foiz aniqlik bilan boshqalarni ortda qoldirdi. Sinflar nomutanosibligini bartaraf etish uchun oversampling orqali muvozanatli ma’lumotlar to‘plamini yaratdik. Glikemiya va vazn ortishi asosiy prognostik belgilar sifatida paydo bo‘ldi. Ushbu tadqiqot shuni ko‘rsatadiki, mashina o‘rganishi GQDni erta skrining qilishni qo‘llab-quvvatlashi, onalar va kelajak avlodlar salomatligi natijalarini yaxshilashi mumkin.

Аннотация. Гестационный сахарный диабет (ГСД) является серьезной проблемой здоровья матери и плода, заболеваемость которой растет во всем мире. В данном исследовании представлен подход машинного обучения для раннего выявления ГДЗ на основе набора данных около 2000 беременных женщин из шести регионов Узбекистана. Среди них у 10% диагностирована ГДЗ. Мы рассмотрели шесть алгоритмов машинного обучения - Support Vector Machine (SVM), Naive Bayes, Random Forest, LDA, K-Nearest Neighbors (KNN) и Logistic Regression. Random Forest превзошел остальных с точностью 99%. Для устранения классового дисбаланса мы создали сбалансированный набор данных путем oversampling. Главными прогностическими признаками стали гликемия и прибавка веса. Это исследование демонстрирует, что машинное обучение может способствовать раннему скринингу ГДЗ, улучшая здоровье матерей и будущих поколений.

Abstract. Gestational diabetes mellitus (GDM) is a major concern in maternal and fetal health, with rising incidence globally. This study presents a machine learning approach for early detection of GDM based on a dataset of about 2,000 pregnant women from six regions of Uzbekistan. Among them, 10% were diagnosed with GDM. We examined six machine learning algorithms—Support Vector Machine (SVM), Naive Bayes, Random Forest, LDA, K-Nearest Neighbors (KNN), and Logistic Regression. Random Forest outperformed others with 99% accuracy. To address class imbalance, we created a balanced dataset via oversampling. Glycemia and weight gain emerged as key predictive features. This research demonstrates that machine learning can support early screening of GDM, improving health outcomes for mothers and future generations.