Прогноз потенциала роста ожидаемой продолжительности жизни населения Российской Федерации на основе сценарного изменения социально-гигиенических детерминант с использованием искусственной нейронной сети

Файл статьи: 
Иконка PDF health-risk-analysis-2022-2-1.pdf
УДК: 
613; 614
DOI: 
10.21668/health.risk/2022.2.01
Авторы: 

Н.В. Зайцева1, С.В. Клейн1,3, М.В. Глухих1, Д.А. Кирьянов1,2, М.Р. Камалтдинов1

Организация: 

1Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения, Россия, 614045, г. Пермь, ул. Монастырская, 82
2Пермский государственный национальный исследовательский университет, Россия, 614990, г. Пермь, ул. Букирева, 15
3Пермский государственный медицинский университет имени академика Е.А. Вагнера, Россия, 614000, г. Пермь, ул. Петропавловская, 26

Аннотация: 

Представлены результаты прогноза потенциала роста ожидаемой продолжительности жизни (ОПЖ) населения РФ на основе сценарного изменения социально-гигиенических детерминант (СГД) с использованием искусственной нейронной сети (ИНС). Актуальность исследования обусловлена текущей социальной политикой в области улучшения медико-демографической ситуации на территории РФ, предполагающей достижение целевых значений показателей национальных и федеральных проектов. Получена оптимальная структура ИНС, базирующаяся на четырехслойном персептроне с двумя внутренними слоями, содержащими по 8 и 3 нейрона соответственно, позволяющая получать результаты при наибольшем коэффициенте детерминации (R2 = 0,78). Различия между фактическими значениями показателя ОПЖ и прогнозными значениями, полученными по модели, составили не более 1,1 % (или 0,8 г.). Установлено, что при условии восстановления в ближайшее время демографической ситуации и значения ОПЖ до уровня 2018–2019 гг. и полного достижении значений СГД согласно установленному целевому сценарию (к 2024 г.) значение ОПЖ в среднем по РФ составит 75,06 г., потенциал роста относительно 2018 г. составит 3,0 г. (1095 дней). Наибольший эффект на потенциал роста ОПЖ к 2024 г. оказывают «Показатели образа жизни» (461 день). Установлены эффекты влияния таких групп СГД, как: «Показатели санитар-но-эпидемиологического благополучия территорий» (212 дней), «Показатели социально-демографической сферы» (196 дней), «Показатели экономической сферы» (131 день), «Показатели системы здравоохранения» (70 дней). Наиболее значимой детерминантой, оказавшей наибольший эффект на потенциал изменения ОПЖ, являлся показатель, характеризующий «Долю населения, занимающегося физической культурой и спортом»: в случае его увеличения до 55,0 % потенциал роста ОПЖ составит 243,5 дня. Прогнозирование изменения демографической ситуации к 2030 г. при регистрируемых в настоящее время тенденциях без учета COVID-обусловленных процессов предполагает возможность дополнительного к 3 годам роста ОПЖ на 286 дней. Разработанный алгоритм определения потенциала роста ОПЖ населения может использоваться в качестве инструмента определения и ранжирования приоритетных факторов риска здоровью населения.

Ключевые слова: 
ожидаемая продолжительность жизни, социально-гигиенические детерминанты, искусственные нейронные сети, факторный анализ, прогнозирование медико-демографической ситуации, потенциал роста, национальные проекты, образ жизни
Прогноз потенциала роста ожидаемой продолжительности жизни населения Российской Федерации на основе сценарного изменения социально-гигиенических детерминант с использованием искусственной нейронной сети / Н.В. Зайцева, С.В. Клейн, М.В. Глухих, Д.А. Кирьянов, М.Р. Камалтдинов // Анализ риска здоровью. – 2022. – № 2. – С. 4–16. DOI: 10.21668/health.risk/2022.2.01
Список литературы: 
  1. Доклад о человеческом развитии 2019. За рамками уровня доходов и средних показателей сегодняшнего дня: неравенство в человеческом развитии в ХХI веке [Электронный ресурс] // ПРООН. – URL: http://www.hdr.undp.org/sites/default/files/hdr_2019_overview_-_russian.pdf (дата обращения: 13.04.2022).
  2. Индексы и индикаторы человеческого развития. Обновленные статистические данные 2018 [Электронный ре-сурс] // ПРООН. – URL: http://hdr.undp.org/sites/default/files/2018_human_development_statistic... (дата об-ращения: 13.04.2022).
  3. Щербакова Е.М. Старение населения мира по оценкам ООН 2019 года [Электронный ресурс] // Демоскоп Weekly. – 2019. – № 837–838. – URL: http://demoscope.ru/weekly/2019/0837/barom01.php (дата обращения: 31.04.2022).
  4. Modig K., Rau R., Ahlbom A. Life expectancy: what does it measure? // BMJ Open. – 2020. – Vol. 10, № 7. – P. e035932. DOI: 10.1136/bmjopen-2019-035932
  5. Доклад о человеческом развитии 2020: Следующий рубеж – Человеческое развитие и антропоцен [Электронный ресурс] // ПРООН. – 2020. – URL: http://hdr.undp.org/sites/default/files/hdr2020_ru.pdf (дата обращения: 13.04.2022).
  6. Здоровая и благополучная жизнь для всех. Доклад о ситуации с обеспечением справедливости в отношении здоровья в Европейском регионе ВОЗ [Электронный ресурс] // Европейское региональное бюро ВОЗ. – 2020. – URL: https://apps.who.int/iris/bitstream/handle/10665/330667/9789289054768-ru... (дата обращения: 13.04.2022).
  7. Мировая статистика здравоохранения, 2020 г.: мониторинг показателей здоровья в отношении ЦУР, целей в области устойчивого развития [Электронный ресурс] // ВОЗ. – 2020. – URL: https://apps.who.int/iris/bitstream/handle/10665/332070/9789240011977-ru... (дата обращения: 13.04.2022).
  8. OECD and European Union. Health at a Glance: Europe 2020. State of Health in the EU Cycle. – Paris: OECD Pub-lishing, 2020. – 237 p.
  9. World health statistics 2019: monitoring health for the SDGs, sustainable development goals [Электронный ресурс] // WHO. – 2019. – URL: https://apps.who.int/iris/bitstream/handle/10665/324835/9789241565707-en... (дата обращения: 13.04.2022).
  10. Arias E., Heron M., Xu J. United States Life Tables, 2014 // Natl Vital Stat. Rep. – 2017. – Vol. 66, № 4. – P. 1–64.
  11. GBD 2016 Mortality Collaborators. Global, regional, and national under-5 mortality, adult mortality, age-specific mor-tality, and life expectancy, 1970–2016: a systematic analysis for the Global Burden of Disease Study 2016 // Lancet. – 2017. – Vol. 390, № 10100. – P. 1084–1150. DOI: 10.1016/S0140-6736(17)31833-0
  12. Preston S.H., Heuveline P., Guillot M. Demography: measuring and modeling population processes. – USA: Wiley-Blackwell, 2001, 320 p.
  13. Chandrasekaran C. Assessing the effect of mortality change in an age group on the expectation of life at birth // Ja-nasamkhya. – 1986. – Vol. 4, № 1. – P. 1–9.
  14. Андреев Е.М. Метод компонент в анализе продолжительности жизни // Вестник статистики. – 1982. – № 9. – С. 42–47.
  15. Методика оценки нагрузки смертности от различных причин на ожидаемую продолжительность жизни / А.А. Миронова, А.Н. Наркевич, К.А. Виноградов, Р.Б. Курбанисмаилов, А.М. Гржибовский // Экология человека. – 2020. – № 5. – С. 57–64. DOI: 10.33396/1728-0869-2020-5-57-64
  16. Колосницына М.Г., Коссова Т.В., Шелунцова М.А. Факторы роста ожидаемой продолжительности жизни: кластерный анализ по странам мира // Демографическое обозрение. – 2019. – Т. 6, № 1. – С. 124–150.
  17. Коссова Т.В., Коссова Е.В., Шелунцова М.А. Анализ факторов, определяющих различие в ожидаемой про-должительности жизни мужчин и женщин в регионах России // ЭКО. – 2018. – № 4. – С. 116–132.
  18. Карпенко Е.М., Карпенко В.М., Голуб В.Н. Исследование влияния на продолжительность жизни населения различных социально-экономических факторов // Экономический вестник университета. – 2016. – № 30–1. – С. 57–63.
  19. Разводовский Ю.Е., Голенков А.В. Макроэкономические показатели и ожидаемая продолжительность жизни в России // Acta Medica Eurasia. – 2020. – № 2. – С. 36–42.
  20. Системный подход к достижению общенациональной цели по увеличению ожидаемой продолжительности жизни до 78 лет к 2024 году / Г.Э. Улумбекова, Н.Ф. Прохоренко, А.Б. Гиноян, А.В. Калашникова // Экономика. Налоги. Право. – 2019. – Т. 12, № 2. – С. 19–30. DOI: 10.26794/1999-849X-2019-12-2-19-30
  21. Григорьев Ю.А., Баран О.И. Опыт многомерного статистического анализа в медико-демографических ис-следованиях // Вестник РАЕН. Западно-Сибирское отделение. – 2017. – № 20. – С. 169–175.
  22. Modeling causes of death: an integrated approach using CODEm / K.J. Foreman, R. Lozano, A.D. Lopez, C.J. Murray // Popul. Health Metr. – 2012. – Vol. 10. – P. 1. DOI: 10.1186/1478-7954-10-1
  23. Jayasinghe S. Conceptualising population health: from mechanistic thinking to complexity science // Emerg. Themes Epidemiol. – 2011. – Vol. 8, № 1. – P. 2. DOI: 10.1186/1742-7622-8-2
  24. The need for a complex systems model of evidence for public health / H. Rutter, N. Savona, K. Glonti, J. Bibby, S. Cummins, D.T. Finegood, F. Greaves, L. Harper [et al.] // Lancet. – 2017. – Vol. 390, № 10112. – P. 2602–2604. DOI: 10.1016/S0140-6736(17)31267-9
  25. Величковский Б.Т. Социальная биология человека // Вестник РГМУ. – 2013. – № 5–6. – C. 9–18.
  26. Основные социально-гигиенические факторы, определяющие состояние здоровья населения России / Н.Н. Заброда, М.А. Пинигин, Б.Т. Величковский // Вестник Российского государственного медицинского университета. – 2013. – № 5-6. – С. 23–26
  27. Оценка влияния социально-экономических факторов на состояние здоровья населения Свердловской области в системе социально-гигиенического мониторинга / Т.М. Дерстуганова, Б.Т. Величковский, А.Н. Вараксин, В.Б. Гурвич, О.Л. Малых, Н.И. Кочнева, С.В. Ярушин // Гигиена и санитария. – 2013. – Т. 92, № 6. – С. 87–89.
  28. Li Z., Li Y. A comparative study on the prediction of the BP artificial neural network model and the ARIMA model in the incidence of AIDS // BMC Med. Inform. Decis. Mak. – 2020. – Vol. 20, № 1. – P. 143. DOI: 10.1186/s12911-020-01157-3
  29. Renganathan V. Overview of artificial neural network models in the biomedical domain // Bratisl. Lek. Listy. – 2019. – Vol. 120, № 7. – P. 536–540. DOI: 10.4149/BLL_2019_087
  30. Comparison of artificial neural network and logistic regression models for prediction of mortality in head trauma based on initial clinical data / B. Eftekhar, K. Mohammad, H.E. Ardebili, M. Ghodsi, E. Ketabchi // BMC Med. Inform. Decis. Mak. – 2005. – Vol. 5. – P. 3. DOI: 10.1186/1472-6947-5-3
  31. Comparison of artificial neural network and logistic regression models for predicting in-hospital mortality after pri-mary liver cancer surgery / H.-Y. Shi, K.-T. Lee, H.-H. Lee, W.-H. Ho, D.-P. Sun, J.-J. Wang, C.-C. Chiu // PLoS One. – 2012. – Vol. 7, № 4. – P. e35781. DOI: 10.1371/journal.pone.0035781
  32. Аверьянова О.А., Коршак В.И. Искусственный интеллект в условиях современной медицины // Естественные и математические науки в современном мире. – 2016. – № 42. – С. 34–38.
  33. Выучейская М.В., Крайнова И.Н., Грибанов А.В. Нейросетевые технологии в диагностике заболеваний (об-зор) // Журнал медико-биологических исследований. – 2018. – Т. 6, № 3. – С. 284–294. DOI: 10.17238/issn2542-1298.2018.6.3.284
  34. Ганцев Ш.Х., Франц М.В. Искусственный интеллект как инструмент поддержки в принятии решений по диагностике онкологических заболеваний // Медицинский вестник Башкортостана. – 2018. – Т. 13, № 4 (76). – С. 67–71.
  35. Гусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения // Врач и информационные технологии. – 2017. – № 3 – С. 92–105.
  36. Жариков О.Г., Ковалев В.А., Литвин А.А. Современные возможности использования некоторых экспертных систем в медицине // Врач и информационные технологии. – 2008. – № 5. – С. 24–30.
  37. Поряева Е.П., Евстафьева В.А. Искусственный интеллект в медицине // Вестник науки и образования. – 2019. – Т. 60, № 6–2. – С. 15–18.
  38. Симанков В.С., Халафян А.А. Системный подход к разработке медицинских систем поддержки принятия решений // Известия вузов. Северо-Кавказский регион. Серия: Технические науки. – 2010. – Т. 157, № 1. – С. 29–36.
Получена: 
09.06.2022
Одобрена: 
18.06.2022
Принята к публикации: 
27.06.2022

Вы здесь

Главная