ПРОФИЛАКТИКА ЗДОРОВЬЯ

Оригинальная статья

УДК 613.62:616.12

Авторы: Л.И. Алибалаева, В.М. Савинова, 2025

ISSN 0041-5790 (Print) • ISSN 2412-8333 (Online) • Уголь №7-2025 /1195/

DOI: http://dx.doi.org/10.18796/0041-5790-2025-7-101-110

Название

Прогнозирование показателей здравоохранения в угледобывающих регионах России на основе ансамбля машинного обучения: методология комплексного анализа эпидемиологических индикаторов

Авторы

Алибалаева Л.И. канд. экон. наук, доцент кафедры, ФГБОУ ВО «Российский экономический университет имени Г.В. Плеханова», 115054, г. Москва, Россия, e-mail: Alibalaeva.li@rea.ru
Савинова В.М. старший преподаватель ФГБОУ ВО «Российский экономический университет имени Г.В. Плеханова», 115054, г. Москва, Россия, e-mail: Savinova.vm@rea.ru

Аннотации

Угледобывающие регионы России характеризуются специфическими условиями формирования системы здравоохранения, обусловленными воздействием производственных и экологических факторов риска на популяционное здоровье. Современные методы машинного обучения открывают новые возможности для точного прогнозирования эпидемиологических показателей и оптимизации ресурсного обеспечения медицинских учреждений. Цель исследования заключается в разработке и валидации ансамблевых моделей прогнозирования показателей здравоохранения населения угледобывающих регионов с учетом отраслевой специфики и экологических детерминант. Методологическая основа исследования включала интеграцию градиентного бустинга, случайного леса и нейронных сетей в единую ансамблевую архитектуру. Эмпирическая база сформирована данными официальной медицинской статистики по семи ключевым угледобывающим субъектам РФ за период 2010-2023 гг., дополненными показателями промышленного производства, экологического мониторинга и демографических процессов. Ансамблевая модель продемонстрировала высокую прогностическую точность с коэффициентом детерминации R2 = 0,847 для заболеваемости органов дыхания и R2 = 0,792 для сердечно-сосудистой патологии. Установлено превышение базовых показателей заболеваемости в угольных регионах на 23,4% для респираторных заболеваний и на 18,7% для онкологических новообразований. Прогнозные модели выявили критическую зависимость эпидемиологических трендов от объемов угледобычи с лагом 3-5 лет и концентрации атмосферных поллютантов. Разработанный алгоритм обеспечивает точность краткосрочного прогноза на уровне 89,3% и среднесрочного – 76,8%. Результаты исследования расширяют методологический инструментарий эпидемиологического прогнозирования и создают основу для научно обоснованного планирования здравоохранения в промышленных регионах. Практическая значимость заключается в возможности оптимизации ресурсного обеспечения медицинских учреждений и профилактических программ с учетом прогнозируемой эпидемиологической динамики.

Ключевые слова

Прогнозирование здравоохранения, угледобывающие регионы, ансамбль машинного обучения, профессиональная патология, экологические детерминанты здоровья, эпидемиологическое моделирование.

Список литературы

1. Wiens J., Shenoy E.S. Machine learning for healthcare: on the verge of a major shift in healthcare epidemiology. Clinical Infectious Diseases. 2018;66(1):149-153. DOI: 10.1093/cid/cix731.
2. Gavrilov D.V., Abramov R.V., Kirilkina A.V., Ivshin A.A., Novitskiy R.E. COVID-19 pandemic prediction model based on machine learning in selected regions of the Russian Federation. FARMAKOEKONOMIKA. Modern Pharmacoeconomics and Pharmacoepidemiology. 2021;14(3):342-356. DOI: 10.17749/2070-4909/farmakoekonomika. 2021.108.
3. Wang P., Zheng X., Ai G., Liu D., Zhu B. Time series prediction for the epidemic trends of COVID-19 using the improved LSTM deep learning method: Case studies in Russia, Peru and Iran. Chaos, Solitons & Fractals. 2020;(140):110214. DOI: 10.1016/j.chaos.2020.110214.
4. Reshetnikov A., Berdutin V., Zaporozhtsev A., Romanov S., Abaeva O., Prisyazhnaya N., Vyatkina N. Predictive algorithm for the regional spread of coronavirus infection across the Russian Federation. BMC Medical Informatics and Decision Making. 2023;(23):135. DOI: 10.1186/s12911-023-02135-1.
5. Muhammad L.J., Algehyne E.A., Usman S.S., Ahmad A., Chakraborty C., Mohammed I.A. Supervised Machine Learning Models for Prediction of COVID-19 Infection using Epidemiology Dataset. SN Computer Science. 2021;2(1):11. DOI: 10.1007/s42979-020-00394-7.
6. Altuntas S., Dereli T., Kusiak A. Advanced text-mining for trend analysis of Russia’s extractive industries. Futures. 2020;(115):102495. DOI: 10.1016/j.futures.2019.102495.
7. Chaurasia V., Pal S., Tiwari B.B. Baseline accuracies of forecasting COVID-19 cases in Russian regions on a year in retrospect using basic statistical and machine learning methods. Procedia Computer Science. 2021;(193):276-284. DOI: 10.1016/j.procs.2021.10.028.
8. Yu B., Wang B., Zhang Y. Application of artificial intelligence in coal mine ultra-deep roadway engineering – a review. Artificial Intelligence Review. 2024;(57):98. DOI: 10.1007/s10462-024-10898-w.
9. Qi C., Chang X., Haugen B., Rhee G., Do T. Prediction into the future: A novel intelligent approach for PM2.5 forecasting in the ambient air of open-pit mining. Atmospheric Pollution Research. 2021;12(9): 101084. DOI: 10.1016/j.apr.2021.101084.
10. Beeche C.A., Garcia M.A., Leng S., Roghanchi P., Pu J. Computational risk modeling of underground coal mines based on NIOSH employment demographics. Safety Science. 2023;(164):106170. DOI: 10.1016/j.ssci.2023.106170.
11. Martinez D.A., Hinson J.S., Klein E.Y., Irvin N.A., Liu H., Patel E.U., Fenstermacher K.Z.J., Levin S. Machine learning and artificial intelligence: applications in healthcare epidemiology. Antimicrobial Stewardship & Healthcare Epidemiology. 2021;1(1):e28. DOI: 10.1017/ash.2021.195.
12. Wieczorek M., Si?ka J., Wo?niak M. Neural network powered COVID- 19 spread forecasting mode. Chaos, Solitons & Fractals. 2020;(140):110203. DOI: 10.1016/j.chaos.2020.110203.
13. Arumugam K., Naved M., Shinde P.P., Leiva-Chauca O., Huaman-Osorio A., Gonzales-Yanac T. Multiple disease prediction using Machine learning algorithms. Materials Today: Proceedings. 2023;(80):3682-3685. DOI: 10.1016/j.matpr.2021.07.361.
14. Zheng N., Du S., Wang J., Zhang H., Cui W., Kang Z., Yang T., Lou B., Chi Y., Long H. Predicting COVID-19 in China using hybrid AI model. IEEE Transactions on Cybernetics. 2020;50(7):2891-2904. DOI: 10.1109/TCYB.2020.2990162.
15. Chen S., Yu J., Chamouni S., Wang Y., Li Y. Integrating machine learning and artificial intelligence in life-course epidemiology: pathways to innovative public health solutions. BMC Medicine. 2024;(22):354. DOI: 10.1186/s12916-024-03566-x.

Для цитирования

Алибалаева Л.И., Савинова В.М. Прогнозирование показателей здравоохранения в угледобывающих регионах России на основе ансамбля машинного обучения: методология комплексного анализа эпидемиологических индикаторов // Уголь. 2025;(7):101-110. DOI: 10.18796/0041-5790-2025-7-101-110.

Информация о статье

Поступила в редакцию: 03.06.2025
Поступила после рецензирования: 17.06.2025
Принята к публикации: 27.06.2025