Оценка вероятности выявления соматических заболеваний у работников металлургического производства с помощью методов градиентного бустинга и нечеткой логики

Файл статьи: 
Иконка PDF health-risk-analysis-2026-3-9.pdf
УДК: 
613.6:669:616-036.22:004.8
DOI: 
10.21668/health.risk/2026.3.09
Авторы: 

Е.Р. Абдрахманова1,2, И.И. Зайдуллин1, А.И. Борисова1, Э.Т. Валеева1,2, Л.М. Масягутова1,2, Т.К. Валеев1

Организация: 

1Уфимский научно-исследовательский институт медицины труда и экологии человека, Российская Федерация, 450106, г. Уфа, ул. Степана Кувыкина, 94
2Башкирский государственный медицинский университет, Российская Федерация, 450008, г. Уфа, ул. Ленина, 3

Аннотация: 

Объектом исследования являлись работники металлургического производства, проходившие периодический медицинский осмотр в условиях воздействия комплекса факторов рабочей среды и трудового процесса. Оценена вероятность выявления соматической патологии у работников металлургического производства, занятых в условиях воздействия комплекса производственных и непроизводственных факторов, с использованием машинного обучения для научного обоснования подходов к формированию групп профилактического наблюдения.

Проведено одномоментное эпидемиологическое исследование с участием 1899 работников. В качестве исходных признаков использовали возраст, стаж работы во вредных условиях, статус табакокурения и 32 бинарно закодированных производственных фактора. Результаты клинико-лабораторных и инструментальных исследований, применявшиеся для верификации диагноза, в модель не включали, что позволило исключить искусственное завышение прогностической точности. Для прогнозирования использовали алгоритм CatBoost, для интерпретации вклада предикторов – SHAP-анализ, для формализации выявленных зависимостей – адаптивную нейро-нечеткую систему вывода ANFIS. Качество моделей оценивали по AUC-ROC, чувствительности и специфичности.

В структуре выявленной патологии преобладали болезни костно-мышечной системы и системы кровообращения. Наибольшую дискриминационную способность продемонстрировали модели для болезней уха и сосцевидного отростка (AUC-ROC = 0,820), костно-мышечной системы (0,746) и системы кровообращения (0,722). Для болезней органов дыхания, пищеварения, глаза и нервной системы прогностическая способность была недостаточной для практической интерпретации. По данным SHAP-анализа ведущий вклад в прогноз вносил возраст; среди производственных и поведенческих факторов наиболее значимыми были тяжесть трудового процесса, производственный шум и табакокурение. ANFIS-моделирование позволило построить стажевые профили риска и определить сочетания факторов, ассоциированные с повышенной вероятностью патологии органа слуха, костно-мышечной системы и системы кровообращения.

Предложенный подход может использоваться для предварительной риск-стратификации работников при периодических медицинских осмотрах, формирования групп диспансерного наблюдения и обоснования показаний к углубленному обследованию по соответствующему клиническому профилю.

Ключевые слова: 
металлургическое производство, условия труда, профессиональный риск, соматическая патология, периодический медицинский осмотр, машинное обучение, CatBoost, SHAP, ANFIS, нечеткая логика
Оценка вероятности выявления соматических заболеваний у работников металлургического производства с помощью методов градиентного бустинга и нечеткой логики / Е.Р. Абдрахманова, И.И. Зайдуллин, А.И. Борисова, Э.Т. Валеева, Л.М. Масягутова, Т.К. Валеев // Анализ риска здоровью. – 2026. – № 3. – С. 96–105. DOI: 10.21668/health.risk/2026.3.09
Список литературы: 
  1. Бухтияров И.В. Современное состояние и основные направления сохранения и укрепления здоровья работающего населения России // Медицина труда и промышленная экология. – 2019. – Т. 59, № 9. – С. 527–532. DOI: 10.31089/1026-9428-2019-59-9-527-532
  2. Факторы риска развития профессиональной непригодности у работающих во вредных условиях труда / Е.В. Зибарев, И.В. Бухтияров, С.М. Вострикова, О.К. Кравченко, О.Б. Умницына, А.К. Бессонова, К.С. Мухин // Гигиена и санитария. – 2025. – Т. 104, № 8. – С. 974–983. DOI: 10.47470/0016-9900-2025-104-8-974-983
  3. Чеботарев А.Г., Семенцова Д.Д. Комплексная оценка условий труда и состояния профессиональной заболеваемости работников горно-металлургических предприятий // Горная промышленность. – 2021. – № 1. – С. 114–119. DOI: 10.30686/1609-9192-2021-1-114-119
  4. Оценка условий труда и состояния здоровья работников предприятий цветной металлургии / П.З. Шур, С.В. Редько, А.Г. Фадеев, Д.В. Горяев, В.А. Фокин // Медицина труда и промышленная экология. – 2023. – Т. 63, № 8. – С. 537–544. DOI: 10.31089/1026-9428-2023-63-8-537-544
  5. Роль условий труда в формировании профессиональной заболеваемости работников металлургического производства / Л.М. Масягутова, Е.Р. Абдрахманова, А.Б. Бакиров, Г.Г. Гимранова, В.Т. Ахметшина, Л.Г. Гизатуллина, Э.Ф. Габдулвалеева, А.Д. Волгарева, А.С. Хафизова // Гигиена и санитария. – 2022. – Т. 101, № 1. – С. 47–52. DOI: 10.47470/0016-9900-2022-101-1-47-52
  6. Распространённость сердечно-сосудистой патологии у работников алюминиевой промышленности / Н.И. Панев, О.Ю. Коротенко, С.Н. Филимонов, Е.А. Семёнова, Р.Н. Панев // Гигиена и санитария. – 2019. – Т. 98, № 3. – С. 276–279. DOI: 10.18821/0016-9900-2019-98-3-276-279
  7. The exposome and health: Where chemistry meets biology / R. Vermeulen, E.L. Schymanski, A.-L. Barabási, G.W. Miller // Science. – 2020. – Vol. 367, № 6476. – P. 392–396. DOI: 10.1126/science.aay3164
  8. Potential applications and performance of machine learning techniques and algorithms in clinical practice: a systematic review / E.M. Nwanosike, B.R. Conway, H.A. Merchant, S.S. Hasan // Int. J. Med. Inform. – 2022. – Vol. 159. – P. 104679. DOI: 10.1016/j.ijmedinf.2021.104679
  9. Comparing different supervised machine learning algorithms for disease prediction / S. Uddin, A. Khan, M.E. Hossain, M.A. Moni // BMC Med. Inform. Decis. Mak. – 2019. – Vol. 19, № 1. – P. 281. DOI: 10.1186/s12911-019-1004-8
  10. The enlightening role of explainable artificial intelligence in medical and healthcare domains: a systematic literature review / S. Ali, F. Akhlaq, A.S. Imran, Z. Kastrati, S.M. Daudpota, M. Moosa // Comput. Biol. Med. – 2023. – Vol. 166. – P. 107555. DOI: 10.1016/j.compbiomed.2023.107555
  11. Czmil A. Comparative study of fuzzy rule-based classifiers for medical applications // Sensors (Basel). – 2023. – Vol. 23, № 2. – P. 992. DOI: 10.3390/s23020992
  12. CatBoost: unbiased boosting with categorical features / L. Prokhorenkova, G. Gusev, A. Vorobev, A.V. Dorogush, A. Gulin // NIPS'18: Proceedings of the 32nd International Conference on Neural Information Processing Systems. – Canada, Montréal, 2018. – P. 6639–6649.
  13. Lundberg S.M., Lee S.-I. A unified approach to interpreting model predictions // NIPS'17: Proceedings of the 31st In-ternational Conference on Neural Information Processing Systems. – Long Beach California USA, 2017. – P. 4768–4777.
  14. Walia N., Singh H., Sharma A. ANFIS: Adaptive Neuro-Fuzzy Inference System – A survey // International Journal of Computer Applications. – 2015. – Vol. 123, № 13. – P. 32–38. DOI: 10.5120/ijca2015905635
  15. Global prevalence and associated risk factors of work-related musculoskeletal disorders among steelworkers: a systematic review and meta-analysis / Y. Lan, X. Zhan, Z. Wang, D. Jiang, X. Li, C. Peng // Front. Public Health. – 2026. – Vol. 14. – P. 1718101. DOI: 10.3389/fpubh.2026.1718101
  16. Leino-Arjas P. Smoking and musculoskeletal disorders in the metal industry: a prospective study // Occup. Environ. Med. – 1998. – Vol. 55, № 12. – P. 828–833. DOI: 10.1136/oem.55.12.828
  17. Physical activity at work may not be health enhancing. A systematic review with meta-analysis on the association between occupational physical activity and cardiovascular disease mortality covering 23 studies with 655 892 participants / B. Cillekens, M.A. Huysmans, A. Holtermann, W. van Mechelen, L. Straker, N. Krause, A.J. van der Beek, P. Coenen // Scand. J. Work Environ. Health. – 2022. – Vol. 48, № 2. – P. 86–98. DOI: 10.5271/sjweh.3993
  18. Occupational noise exposure and hearing: a systematic review / A. Lie, M. Skogstad, H.A. Johannessen, T. Tynes, I.S. Mehlum, K.-C. Nordby, B. Engdahl, K. Tambs // Int. Arch. Occup. Environ. Health. – 2016. – Vol. 89, № 3. – P. 351–372. DOI: 10.1007/s00420-015-1083-5
  19. Ferrite S., Santana V. Joint effects of smoking, noise exposure and age on hearing loss // Occup. Med. (Lond.). – 2005. – Vol. 55, № 1. – P. 48–53. DOI: 10.1093/occmed/kqi002
  20. Relationship of cigarette smoking and hearing loss in workers exposed to occupational noise / J.H. Sung, C.S. Sim, C.-R. Lee, C.-I. Yoo, H. Lee, Y. Kim, J. Lee // Ann. Occup. Environ. Med. – 2013. – Vol. 25, № 1. – P. 8. DOI: 10.1186/2052-4374-25-8
  21. Методология оценки и прогнозирования персонифицированного профессионального риска для здоровья на основе адаптивной нейро-нечеткой сети распознавания образов / Н.В. Зайцева, А.А. Савочкина, М.А. Землянова, Д.В. Горяев, А.Г. Фадеев // Анализ риска здоровью. – 2025. – № 2. – С. 4–15. DOI: 10.21668/health.risk/2025.2.01
Получена: 
29.04.2026
Одобрена: 
01.06.2026
Принята к публикации: 
27.09.2026

Вы здесь

Главная