Географические информационные системы для мониторинга заболеваемости неинфекционными заболеваниями: методические подходы (систематический обзор)

Мазилов С.И. Осипов Н.О. Комлева Н.Е. Поздняков М.В. Чехонацкий А.А. Пучиньян Д.М.

Журнал: Саратовский научно-медицинский журнал @ssmj

Рубрика: Общественное здоровье, организация и социология здравоохранения

Статья в выпуске: 3 т.22, 2026 года.

Бесплатный доступ

Цель: систематизировать методологические подходы к применению геоинформационных систем в мониторинге заболеваемости неинфекционными заболеваниями и выявить условия, необходимые для перехода от разрозненных исследовательских проектов к системному инструменту поддержки управленческих решений в общественном здравоохранении. Методика написания обзора. Проведен поиск литературы в базах PubMed, Google Scholar, eLibrary.ru, «КиберЛенинка» за 2018–2025 гг. После скрининга в итоговый анализ включено 32 полнотекстовые публикации, отобранные в соответствии с блок-схемой PRISMA (Preferred reporting items for systematic reviews and meta-analyses — «Предпочтительные элементы отчетности для систематических обзоров и метаанализов»). Заключение. Методология геоинформационных систем в мониторинге неинфекционных заболеваний эволюционировала от картографирования до геопространственного искусственного интеллекта, а международный опыт показывает, что успех определяется стандартизацией данных и централизацией платформ, а не сложностью алгоритмов. В России, несмотря на методологический задел, геоинформационные системы не стали системным инструментом, и для перехода необходимы стандарты пространственных данных в Единой государственной информационной системе здравоохранения, пилотная интеграция данных Федеральной службы по надзору в сфере защиты прав потребителей и благополучия человека (Роспотребнадзора) и медицинской статистики, подготовка кадров в области геоинформатики.

геоинформационная система \ неинфекционное заболевание \ пространственный анализ \ эпидемиология

Короткий адрес: https://sciup.org/149152406

IDS: 149152406   |   УДК: 614.2:004:528.9   |   DOI: 10.15275/ssmj2203391

Geographic information systems for monitoring non-communicable diseases: Methodological approaches (systematic review)

Objective: to systematize methodological approaches to the use of geographic information systems in monitoring non-communicable diseases and to identify the conditions required to move from fragmented research projects to a systematic decision‑support tool in public health. Review methodology. A literature search was conducted in PubMed, Google Scholar, eLIBRARY.RU and CyberLeninka for 2018–2025. After screening, 32 full-text publications were included in the final analysis; studies were selected in accordance with the PRISMA flow diagram (Preferred reporting items for systematic reviews and meta-analyses). Conclusion. The methodology of geographic information systems in the monitoring of non-communicable diseases has evolved from cartography to geospatial artificial intelligence, and international experience shows that success is determined by data standardization and platform centralization rather than by algorithmic complexity. In Russia, despite a methodological foundation, geographic information systems have not been adopted as a systemic tool; a transition requires standards for spatial data in the Unified State Health Information System, pilot integration of data from Federal Service for Surveillance on Consumer Rights Protection and Human Wellbeing (Rospotrebnadzor) and medical statistics, and the training of personnel in geoinformatics.

Текст научной статьи Географические информационные системы для мониторинга заболеваемости неинфекционными заболеваниями: методические подходы (систематический обзор)

EDN: QUVKSW                                                                Review

Введение. В современной эпидемиологической ситуации хронические неинфекционные заболевания (НИЗ) являются ведущей причиной смертности и инвалидизации населения в мировом масштабе [1, 2]. Согласно данным Всемирной организации здравоохранения, к НИЗ относятся болезни системы кровообращения (БСК), хронические заболевания легких, сахарный диабет (СД) 2-го типа (СД 2), онкологические заболевания и ожирение, и на их долю ежегодно приходится примерно 74% всех смертей, причем основное бремя ложится на страны с низким и средним уровнями дохода [1]. Существенную роль в развитии НИЗ играют факторы окружающей среды: загрязнение атмосферного воздуха, воды, воздействие тяжелых металлов и рост заболеваемости бронхиальной астмой, онкологическими заболеваниями и врожденными аномалиями [3]. Данные о здоровье населения и факторах среды имеют четкую географическую привязку, а их распределение часто носит кластерный характер. Традиционные статистические методы, не учитывающие пространственного контекста, недостаточны для выявления скрытых закономерностей. Геоинформационные системы (ГИС) позволяют интегрировать, визуализировать и анализировать разнородные данные в их географической проекции [4]. ГИС объединяет картографию и многомерный статистический анализ, представляя информацию в наглядной форме [5].

Современные ГИС поддерживают сложные методы пространственно-временного анализа, включая идентификацию «горячих точек» (hot spot analysis) заболеваемости, геостатистическое моделирование распространения загрязняющих веществ и оценку

доступности медицинской помощи для населения [6]. Это превращает ГИС в незаменимый инструмент для органов здравоохранения и исследователей, позволяя перейти от констатации фактов к проактивному выявлению территорий повышенного риска, планированию целевых профилактических мероприятий и обоснованию управленческих решений в области санитарно-эпидемиологического благополучия и экологической политики [7]. Следовательно, разработка и совершенствование методических подходов к использованию ГИС для мониторинга НИЗ является высокоактуальной междисциплинарной задачей, направленной на снижение глобального бремени хронической патологии.

Ранее уже предпринимались попытки обобщить опыт применения ГИС в медицине и общественном здоровье, однако существующие обзоры имеют ряд ограничений, не позволяющих считать проблему методического обеспечения мониторинга НИЗ решенной. Так, работа 2018 г. У.С. Джамединовой и соавт. [5] представляет собой вводный, ознакомительный обзор на тему ГИС в здравоохранении, в ней отсутствует систематическое описание ключевых методов пространственной эпидемиологии, не учитывается специфика различных групп НИЗ, а также не обсуждаются ограничения рассматриваемых методов. Более поздний обзор, выполненный в 2023 г. П.И. Анан-ченковой [4], посвящен зарубежному опыту и сфокусирован преимущественно на инструментах планирования и управления в организации здравоохранения, не раскрывая методические аспекты пространственного анализа заболеваемости. Публикация 2026 г. N. Stasinos и соавт. [6] охватывает применение ГИС в сфере общественного здоровья в целом, без специального акцента на методологии мониторинга именно НИЗ. Обзор 2025 г. H.S. Iyer и соавт. [8] ограничен узкой, хотя и перспективной областью — использованием геопространственного искусственного интеллекта (geospatial artificial intelligence — GeoAI) для оценки воздействия окружающей среды на здоровье, и не дает общей картины методических подходов.

Таким образом, ни один из опубликованных к настоящему времени обзоров не содержит структурированного анализа всего спектра методических подходов — от описательной визуализации до аналитических систем GeoAI — применительно к задачам мониторинга НИЗ. Настоящая работа призвана восполнить этот пробел, систематизировав как отечественные, так и зарубежные исследования.

Цель — систематизировать методологические подходы к применению ГИС в мониторинге заболеваемости НИЗ и выявить условия, необходимые для перехода от разрозненных исследовательских проектов к системному инструменту поддержки управленческих решений в общественном здравоохранении.

Методика написания обзора. Проведен систематический обзор литературы в соответствии с рекомендациями PRISMA (Preferred reporting items for systematic reviews and meta-analyses — «Предпочтительные элементы отчетности для систематических обзоров и метаанализов»). Поиск публикаций проводили в научных базах и онлайн-библиотеках PubMed (включая Medline), Google Scholar, eLibrary.ru, «КиберЛенинка» за период c 2018 по 2025 г. с использованием следующих ключевых слов и их комбинаций: «геоинформационные системы в общественном здравоохранении» (geographic information systems), «геоинформационные системы в медицине» (health information systems), «мониторинг заболеваемости» (public health surveillance), «пространственный анализ заболеваемости» (spatial analysis), «факторы окружающей среды» (environmental exposure), «гео-статистическое моделирование» (geostatistics). При выборе нозологий руководствовались рекомендациями отечественной и зарубежной литературы, в соответствии с которыми к основным хроническим НИЗ относятся БСК, злокачественные новообразования, болезни органов дыхания (хроническая обструктивная болезнь легких и бронхиальная астма) и СД 2 [1, 9]. В перечень анализируемых НИЗ не вошли онкологические, которые являются отдельной масштабной проблемой и в данной работе не рассматривались.

Критерии включения: оригинальные исследования, систематические обзоры и метаанализы, опубликованные в рецензируемых изданиях с 2018 по 2025 г.; работы, в которых ГИС использовались для мониторинга, анализа или прогнозирования заболеваемости хроническими НИЗ; исследования, содержащие пространственный анализ данных; публикации на русском или английском языках, доступ к которым открыт либо возможен через библиотечные системы.

Критерии исключения: исследования, посвященные исключительно инфекционным заболеваниям или онкологическим заболеваниям (как отдельной группе НИЗ); работы, в которых ГИС применялись только для визуализации без какого-либо пространственно-статистического анализа; публикации с дублирующимися данными; работы с низким качеством описания методологии (не позволяющим воспроизвести анализ) или отсутствием количественных результатов.

В первоначальную выборку из 1764 найденных статей были отобраны 421. Далее были исключены 350 статей, не включающих ключевые слова в лексическом значении, соответствующем тематике данной работы, и 39 неполнотекстовых статей. В результате отобрано 32 полнотекстовые публикации, удовлетворяющие указанным критериям. Схема отбора публикаций для проведения данного обзора приведена на рис. 1.

Рис. 1. Схема отбора публикаций для проведения обзора

Результаты обзора. Одним из фундаментальных применений ГИС в мониторинге НИЗ является визуализация пространственного распределения заболеваемости и выявление «горячих точек» (кластеров). Современные пространственно-статистические методы позволяют не только отображать показатели заболеваемости на карте, но и статистически оценивать достоверность кластеризации, поэтому ГИС служат незаменимым инструментом в эпидемиологии НИЗ, позволяя перейти от анализа усредненных показателей к исследованию пространственных закономерностей и детерминант здоровья на уровне конкретных территорий, открывают перспективы пространственно-ориентированного прогнозирования и превентивного управления.

Ряд исследований, выполненных в разных странах, воспроизводит единую закономерность: интеграция в ГИС эпидемиологических, демографических и социально-экономических данных позволяет выявлять территории с повышенным бременем НИЗ. В Бразилии A.B.D. Santos и соавт. в 2023 г. установили пространственно-временные кластеры смертности от БСК [10], В Саудовской Аравии A. Murad и B.F. Khashoggi в 2020 г. выявили районы с высокой распространенностью диабета, астмы и гипертонии [11]. Вместе с тем исследование с применением многомасштабной географически взвешенной регрессии (MGWR) в США показало, что ведущие факторы риска не универсальны: ожирение ассоциировано с диабетом на востоке и юге страны, тогда как курение и употребление алкоголя характерны преимущественно на ее севере [12]. Таким образом, ГИС-анализ подтверждает пространственную неоднородность НИЗ, но подчеркивает, что значимость конкретных факторов зависит от регионального контекста.

Отечественные исследования подтверждают ту же закономерность: в Воронежской области пространственный анализ позволил классифицировать районы по уровню цереброваскулярных заболеваний и выявить территории повышенного риска [13], а в Камчатском крае выявлен устойчивый рост доли БСК в структуре общей заболеваемости взрослого населения с выраженными территориальными различиями [14]. Аналогичная неоднородность смертности от БСК зафиксирована в Перу [15].

Воспроизводимость подобных результатов в разных социально-экономических и географических условиях указывает на то, что пространственная кластеризация БСК является не случайным артефактом, а фундаментальной характеристикой эпидемиологического процесса, которую необходимо учитывать при планировании профилактических программ.

Исследования различаются по пространственному масштабу, что позволяет оценить универсальность закономерностей. На локальном уровне (Северная Калифорния) кластеры высокой распространенности преддиабета ассоциированы с низким уровнем дохода, низким уровнем образования, а также высоким уровнем безработицы и доли населения, получающего Medicaid [16]. На глобальном уровне анализ смертности от СД 2 в 203 странах выявил кластеризацию высоких показателей преимущественно в островных и малых государствах, а пространственная регрессия показала значимое влияние расходов на здравоохранение, обеспеченности врачами и загрязнения воздуха внутри помещений. При всем том на страновом уровне обнаружены неожиданные обратные корреляции с атмосферным загрязнением и потреблением алкоголя [17], что противоречит ряду локальных исследований и подчеркивает опасность прямой экстраполяции выводов между разными уровнями агрегирования данных. Однако оба исследования показали, что плохое социально-экономическое положение (бедность, низкое образование, ограниченный доступ к ресурсам) надежно предсказывает возникновение географически сконцентрированных очагов НИЗ.

Значительная часть исследований посвящена оценке влияния атмосферных загрязнителей на здоровье, и в большинстве из них подтверждается связь между качеством воздуха и неблагоприятными исходами. Интеграция данных мониторинга окружающей среды, клинико-эпидемиологических показателей и географической привязки в ГИС позволила выявить локальные зоны экологического риска для здоровья в Дели [18], пространственные связи между промышленным загрязнением воздуха и рисками низкой массы тела при рождении в США [19], а также возможное влияние пер-и полифторалкильных веществ на сердечно-сосудистые риски [20]. Эти результаты согласуются между собой, указывая на то, что точечные источники загрязнения формируют повышенный риск в непосредственной близости, однако специфические загрязнители и сила эффекта варьируют в зависимости от состава выбросов и характеристик популяции.

Китайские исследования демонстрируют эволюцию методологических подходов: от интегрированных пространственных моделей городской среды до гибридных решений с применением машинного обучения. В одном из таких исследований показано, что увеличение зеленых зон и снижение загрязнения воздуха коррелируют с уменьшением распространенности гипертонии и СД 2, тогда как высокая плотность дорожной сети, напротив, повышает риск хронических болезней [21]. В другой работе объединили пространственные индикаторы с моделями машинного обучения и построили прогнозные модели распространенности СД 2, гипертонии и дислипидемии

  • [22]. Сопоставление этих работ свидетельствует о постепенном смещении акцента от констатации связей к построению прогностических моделей, что повышает практическую ценность ГИС-анализа.

Отечественные работы подтверждают воспроизводимость выявленных закономерностей. Так, в исследовании 2019 г. Ю.В. Кольдибековой и соавт. с помощью ГИС установлено, что хроническая экспозиция промышленных выбросов (включая взвешенные частицы — PM10, PM25 и оксиды металлов) повышает заболеваемость орг,анов дыхания у детей в 1,8 раза по сравнению с контрольной территорией [23]. Аналогичные подходы применены и в исследовании, выполненном на базе Воронежского государственного университета для оценки динамики заболеваемости во Вьетнаме [24]. Таким образом, связь загрязнения воздуха с респираторной патологией подтверждается в разных географических и социально-экономических условиях, что усиливает доказательную базу.

Перспективным направлением является использование ГИС не только для анализа текущей ситуации, но и для сценарного моделирования эффекта экологических вмешательств. В работе 2022 г. Н.В. Звонковой и соавт. данные о выбросах загрязняющих веществ промышленными объектами Москвы сопоставлялись с индексами сравнительной неканцерогенной опасности и показателями заболеваемости органов дыхательной системы, что позволило построить математическую модель, пригодную для ориентировочного прогнозирования эффекта экологической модернизации в разных возрастных группах [25]. Подобные модели могут быть адаптированы к разным органам и системам, что позволяет заранее планировать и внедрять профилактические меры, направленные на изменения в окружающей среде.

Исследование 2020 г. Б.З. Белашева и соавт. расширяет спектр анализируемых факторов, включая геомагнитные возмущения и загрязнение городских почв. Авторы обнаружили, что магнитные бури ассоциированы с увеличением числа вызовов скорой помощи по поводу инфаркта миокарда и стенокардии, а суточные циклы обращаемости могут объясняться влиянием транспортных выхлопов, однако связи с загрязнением городских почв тяжелыми металлами не выявлено [26]. Этот результат подчеркивает, что не все факторы окружающей среды одинаково значимы, и ГИС-анализ должен быть дополнен тщательным отбором потенциальных предикторов с учетом их биологической правдоподобности.

В масштабном российском исследовании, включавшем 83 региона, проведенном в 2008–2017 гг., установлены более чем 20-кратные межрегиональные различия заболеваемости СД 1 и выявлены значимые корреляции с плотностью дорожной сети, объемами атмосферных выбросов и количеством автобусов [27]. Авторы интерпретируют эти связи через роль твердых пылевых частиц, содержащих алюмосиликаты и другие иммуномодулирующие компоненты, способных усиливать аутоиммунные реакции [27]. Работа демонстрирует то, что ГИС-анализ применим не только для анализа заболеваемости основных социально значимых хронических НИЗ, но и для изучения пространственных закономерностей болезней с менее очевидной средовой детерминацией.

В исследовании на уровне отдельного района города Томска в пространственную модель были включены как данные о концентрациях атмосферных загрязнителей, так и данные об уровнях переменных электрических полей промышленной частоты. Наиболее значимая связь заболеваемости БСК выявлена именно с электрической составляющей электромагнитного поля [28]. Это указывает на то, что спектр средовых факторов, потенциально влияющих на развитие НИЗ, шире, чем обычно рассматривается, и ГИС позволяют интегрировать нетрадиционные виды экспозиций для проверки новых гипотез.

Помимо экологических, существенную роль играют социальные и поведенческие факторы, и ГИС позволяют оценить их пространственную неоднородность. В Эфиопии пространственное моделирование выявило значимые ассоциации распространенности НИЗ у мужчин с возрастом, регионом, уровнем образования, семейным положением, религией, родом занятий и доступом к средствам массовой информации [29]. Этот результат показывает, что социальные факторы здоровья распределены неравномерно и могут формировать территории повышенного риска. Такие районы следует учитывать при разработке и планировании профилактических мер.

Исследование в США демонстрирует, как характеристики среды могут влиять на поведенческие факторы риска: кластеры высокой распространенности ожирения и низкой физической активности локализованы преимущественно в сельских округах, тогда как городские районы характеризуются лучшей доступностью медицинских учреждений и возможностей для физических упражнений. Регрессионный анализ подтвердил отрицательную связь ожирения с плотностью врачей первичной помощи и наличием мест для занятий спортом, положительную — с гиподинамией [30]. Эти данные подчеркивают роль пространственного планирования городской среды в формировании рисков НИЗ.

В африканских странах выявлены сходные ассоциации: в Замбии вероятность ожирения у женщин репродуктивного возраста повышали возраст, высокий уровень благосостояния, проживание в городе, наличие автомобиля и использование контрацептивов, причем распространенность метаболических нарушений имела выраженную пространственную неоднородность [31]. Исследование, охватившее все страны Африки к югу от Сахары, воспроизвело эти результаты в более широком масштабе [32]. Согласованность данных из разных регионов Африки указывает на устойчивость социально-экономических предикторов ожирения и целесообразность использования ГИС для мониторинга факторов риска НИЗ в условиях ограниченных ресурсов.

ГИС применимы и для изучения распространенности самих поведенческих факторов риска. Значимым психосоциальным фактором риска развития многих хронических НИЗ считаются расстройства сна [33]. В Бангладеш во время пандемии COVID-19 пространственный анализ выявил региональную неоднородность продолжительности сна, причем в районах с высокой заболеваемостью чаще наблюдались отклонения от рекомендуемых норм, ассоциированные с безработицей, социальной изоляцией, экономическими трудностями и депрессией [34]. Это демонстрирует возможность использования ГИС для косвенной оценки психосоциальных рисков, которые традиционно сложно картографировать.

Примером нетрадиционного использования ГИС является мониторинг злоупотребления опиоидами на основе анализа сточных вод и пространственного моделирования канализационной сети [35]. Такой подход позволяет выявлять локальные паттерны потребления наркотиков и применения антидотов на уровне городских районов, что может быть адаптировано для оценки распространенности поведенческих факторов риска НИЗ в режиме, близком к реальному времени.

ГИС также эффективны для анализа географических неравенств в доступе к медицинской помощи при НИЗ. Так, байесовское геостатистическое моделирование в Перу показало значительные разрывы в охвате медико-санитарной помощью между прибрежными и джунглевыми провинциями, причем внутрирегиональные различия оказались сопоставимы с межрегиональными [36]. Подобный подход может быть использован для мониторинга охвата программами профилактики и лечения НИЗ и для выявления территорий, где доступ к помощи ограничен, что особенно важно в странах с выраженным социальноэкономическим неравенством.

Современные ГИС-методы позволяют перейти от описания текущей ситуации к прогнозированию будущих тенденций распространенности НИЗ. Ключевым инструментом служит географически взвешенная регрессия (geographically weighted regression — GWR) и ее многомасштабный вариант (MGWR), который продемонстрировал свою эффективность при анализе пространственной нестационарности факторов риска БСК и СД 2 в США. [12]. Именно MGWR позволил выявить, что значимость отдельных факторов (ожирение, курение, алкоголь) существенно различается по регионам, что невозможно уловить стандартными глобальными моделями.

Байесовское моделирование в сочетании с пространственной автокорреляцией использовано для проекции бремени СД в Китае на 2020–2030 гг. Прогнозируется рост распространенности с 8,2 до 9,7%, причем выявлены устойчивые географические кластеры высокого и низкого бремени данной болезни [37]. Такие проекции позволяют заранее определить регионы, требующие усиления профилактических программ, и оценить будущие экономические затраты на их реализацию.

Новым этапом развития является внедрение в геопространственный анализ методов машинного обучения и инструментов анализа больших данных для пространно-временного моделирования воздействия факторов окружающей среды на здоровье, что создает новое междисциплинарное направление — GeoAI. Последний позволяет интегрировать разнородные источники — спутниковые и наземные наблюдения, данные о качестве воздуха и воды, картографию городской среды и электронные медицинские записи –и строить высокоразрешенные карты экспозиции и прогнозы зон экологического риска. За счет применения современных алгоритмов обучения системы могут выявлять скрытые и нелинейные связи между характеристиками урбанизированной среды и показателями заболеваемости. Вместе с тем методы GeoAI требуют тщательной валидации, учета пространственных и временных смещений, прозрачности моделей и строгого соблюдения этических норм при работе с персональными и чувствительными данными [8]. Эта оговорка важна, поскольку подчеркивает, что переход к автоматизированным прогнозным системам не отменяет необходимости эпидемиологической интерпретации результатов.

Развитие веб-ориентированных ГИС-платформ открывает новые возможности для мониторинга НИЗ в реальном времени. Опыт пандемии COVID-19 ускорил внедрение таких систем на глобальном уровне, продемонстрировав их способность отслеживать распространение заболеваний в режиме реального времени, интегрировать разнородные данные для комплексной оценки ситуации, моделировать сценарии вмешательств и оценивать их эффективность, а также прогнозировать «горячие точки» с использованием геостатистики и машинного обучения [38]. Вместе с тем, как отмечается в обзоре X. Shi и H. Lin, несмотря на значительное расширение геопространственных приложений в здравоохранении, сохраняются нерешенные проблемы: интеграция разнородных источников, защита конфиденциальности и доступность технологий для стран с ограниченными ресурсами [39]. Это ограничивает глобальное внедрение таких систем и подчеркивает необходимость стандартизации применяемых подходов.

Основные методы применения ГИС для мониторинга заболеваемости ХНИЗ приведены в таблице.

Проведенный анализ демонстрирует отчетливую методологическую эволюцию применения ГИС в мониторинге НИЗ: от дескриптивного картографирования и выявления кластеров к комплексному пространственному моделированию и использованию GeoAI. Этот сдвиг согласуется с выводами K. Hu и соавт., которые отмечают, что за последние 5 лет (2020–2025 гг.) методы пространственной эпидемиологии, ранее ориентированные преимущественно на инфекционные заболевания, все активнее применяются для анализа хронических болезней [40]. При этом важно сопоставить возможности разных методологических подходов. Дескриптивные методы (пространственная автокорреляция, LISA, Getis-Ord Gi) эффективны для выявления территорий повышенного риска и генерации гипотез, но не позволяют оценивать причинно-следственные связи. Географически взвешенная регрессия (GWR/MGWR) частично решает эту задачу, однако ее результаты чувствительны к выбору пространственного масштаба и набора предикторов. Методы машинного обучения и GeoAI обеспечивают высокую прогностическую точность и способность улавливать нелинейные взаимодействия, но часто выступают как «черный ящик», что затрудняет интерпретацию для эпидемиологов и лиц, принимающих решения. Таким образом, выбор подхода должен определяться конкретной задачей: для поиска кластеров достаточно дескриптивных методов, для оценки вклада факторов — GWR, а для прогнозирования и автоматизированного мониторинга оправдано применение GeoAI при условии валидации и прозрачности моделей.

Современные пространственные модели действительно позволяют интегрировать данные об окружающей среде, социально-экономических факторах и образе жизни в единые прогностические системы, что создает основу для адресной профилактики, учитывающей локальную комбинацию факторов риска. Однако следует подчеркнуть, что переход от аналитических моделей к реальным системам поддержки принятия решений требует не только технической готовности, но и наличия качественных сопоставимых данных, а также институциональных механизмов их использования.

Необходимость осторожного отношения к результатам автоматизированных моделей наглядно иллюстрирует работа 2022 г. B. Borman и соавт. Авторы проанализировали несколько сценариев, смоделированных активно внедряемой властями Новой Зеландии системой Environmental Health Intelligence New Zealand (EHINZ), и показали, что при определенных допущениях модель выдавала биологически малоправдоподобные или даже абсурдные результаты,

Характеристика основных геоинформационных систем для мониторинга неинфекционных заболеваний

Анализируемые данные

Основные методы анализа, ссылка на источник

Изучаемые заболевания

Медико-демографические данные заболеваемости и смертности

Тематическое картографирование [13], пространственно-временной анализ [10, 14, 17], анализ динамики [13, 15], Moran’s I [10, 17], LISA [10], Joinpoint-регрессия [10, 17], байесовское сглаживание [10], ArcGIS [15, 17], QGIS [10, 14], TerraView [10] / Thematic mapping, spatiotemporal analysis, time course analysis, Moran’s I, LISA, Joinpoint regression, Bayesian smoothing, ArcGIS, QGIS, TerraView

БСК [14], цереброваскулярные заболевания [10, 13], ишемическая болезнь сердца [10], гипертоническая болезнь [10], СД 2[17]

Клинические данные пациентов

Картографирование случаев [16], hot spot analysis [16, 20], Getis-Ord Gi [16, 20], корреляционный и регрессионный анализ [20, 26], Global Moran’s I [16, 20], ArcGIS [16, 20], QGIS [26] / Case mapping, hot spot analysis, Getis-Ord Gi, Global Moran’s I, correlation and regression analysis, ArcGIS, QGIS

Ишемическая болезнь сердца [26], СД 2 [16], гиперхолестеринемия, атеросклероз [20]

Экологические данные мониторинга

Оценка экспозиции [19], IDW-интерполяция [18], гигиеническая оценка риска [23], HQ/HI [23], HRI [25], корреляционный анализ и регрессионный анализ [18, 19, 25, 27], сценарное моделирование [25], ArcGIS [18, 25]

БСК, болезни органов дыхания [23, 25], бронхит [23], бронхиальная астма [23], СД 1 [27], низкая масса тела при рождении [19], острые респираторные симптомы [18]

Социально-демографические и поведенческие данные

Пространственное картографирование [30, 31, 34], Global Moran’s I [29, 32], Anselin Local Moran’s I [30], SaTScan [29, 32], Getis-Ord Gi [32], Kriging [32], OLS-регрессия [30], многоуровневая логистическая регрессия [32], GSEM [29], ArcGIS [29, 30, 32, 34], QGIS [31]

Ожирение, избыточная масса тела, недостаточная масса тела, анемия, физическая неактивность, нарушения сна, употребление алкоголя и табака как факторы риска НИЗ [29, 30, 31, 32, 34]

Спутниковые и дистанционные данные

NDVI-анализ [21], 5D-модель городской среды [21], сеточный анализ, пространственная автокорреляция [21], интерполяция [28], корреляционный анализ [21, 28], метод главных компонент [28], регрессионное моделирование [21, 28], QGIS [28]

БСК, гипертоническая болезнь [21], СД 2 [21], инсульт [28], инфаркт мозга [28], дислипидемия, метаболические нарушения

Разнородные пространственные данные и GeoAI

Машинное обучение [22, 8], XGBoost [22, 8], Random Forest [22, 8], LightGBM [22], MLP [22], SHAP [22], PCA [22], k-means [22], spatial lag model, StoryMap [41], dashboards [41], ArcGIS [35, 41], QGIS [24]

НИЗ [8], СД 2 [22], гипертоническая болезнь [22], дислипидемия [22], болезни органов дыхания [24], нарушения сна [8], опиоидная экспозиция [35], метаболические нарушения [22], экологически обусловленные риски здоровья [41]

которые, будучи принятыми некритично, могли бы привести к ошибочным управленческим решениям [41]. Этот пример подчеркивает, что любые прогнозные ГИС-модели должны проходить внешнюю валидацию на независимых данных, а их допущения — явно анализироваться на предмет соответствия эпидемиологическим знаниям. Таким образом, доверие к инструментам GeoAI должно быть условным и сопровождаться обязательной интерпретацией результатов специалистом.

Несмотря на значительный прогресс, практическая ценность ГИС-мониторинга НИЗ ограничена рядом фундаментальных проблем, которые необходимо учитывать как при интерпретации опубликованных результатов, так и при планировании новых систем. Во-первых, сохраняется проблема качества и сопоставимости исходных данных: различия в классификациях, стандартах регистрации, полноте охвата и точности геокодирования могут вносить систематические ошибки, которые способны искажать результаты даже самых сложных пространственных моделей. Во-вторых, выраженная пространственная нестационарность факторов риска, выявленная в нескольких исследованиях, ограничивает возможность переноса моделей из одного региона в другой без их адаптации. В-третьих, методы GeoAI и машинного обучения, обладая высокой прогностической точностью, часто не обеспечивают достаточной интерпретируемости, что затрудняет их использование в клинической и управленческой практике. В-четвертых, этические и правовые аспекты работы с персональными геопривязанными данными до сих пор не решены, особенно в странах с недостаточно развитым законодательством о защите информации. В-пятых, неравномерность технологического развития и доступности вычислительных ресурсов создает барьер для внедрения сложных геопространственных моделей в странах с низким и средним уровнем дохода, где бремя НИЗ часто наиболее велико.

Приведенные ограничения не отменяют высокого потенциала ГИС, но определяют условия, при которых он может быть реализован на практике. Во-первых, для преодоления фрагментации данных и повышения их сопоставимости необходима интеграция разрозненных ведомственных источников в единые межведомственные платформы. Опыт создания таких систем уже имеется: One CDC Data Platform (США), NHS Digital (Великобритания), Nationale Gesundheitsdatenplattform (Германия), а также Единая государственная информационная система в сфере здравоохранения (ЕГИСЗ, Российская Федерация). Однако само по себе наличие платформы не гарантирует качества пространственного анализа: необходима стандартизация методик геокодирования, гармонизация классификаций и протоколов обмена данными. Во-вторых, методы пространственного анализа должны быть включены в рутинный инструментарий эпидемиологических служб не как экзотическое дополнение, а как обязательный компонент при планировании и оценке профилактических программ. Это требует разработки методических рекомендаций и обучения специалистов практическому применению ГИС. В-третьих, для ответственного внедрения GeoAI необходимо сформулировать принципы валидации и интерпретируемости моделей, а также этические нормы использования геопривязанных персональных данных, особенно в межведомственном обмене. Только при соблюдении этих условий ГИС смогут трансформироваться из исследовательского инструмента в реальный механизм поддержки управленческих решений, направленных на снижение бремени НИЗ и устранение неравенства в здоровье.

Заключение. Проведенный обзор показал, что методология применения ГИС в мониторинге НИЗ прошла несколько этапов — от картографирования заболеваемости до пространственно-временного моделирования и попыток интеграции методов машинного обучения. Накопленный в Канаде, Новой Зеландии и США опыт свидетельствует: решающую роль играет не сложность алгоритмов, а качество инфраструктуры — единые стандарты геокодирования, централизованные платформы и подготовленные кадры. Именно это, а не отдельные аналитические инструменты, позволяет встроить пространственный анализ в повседневную работу органов здравоохранения.

В России, несмотря на наличие методологического задела, формируемого в научных центрах Федеральной службы по надзору в сфере защиты прав потребителей и благополучия человека (Роспотребнадзора), ГИС пока не стали системным инструментом. Разрозненность ведомственных данных, отсутствие единой платформы, сопоставимой с CDC/ ATSDR OneMap, и ограниченная подготовка специалистов в области пространственной эпидемиологии — эти барьеры носят преимущественно организационный, а не технологический характер.

Представляется, что первоочередными шагами должны стать следующие: утверждение стандартов представления пространственных данных в ЕГИСЗ, запуск пилотных проектов по интеграции данных Роспотребнадзора и медицинской статистики на региональном уровне, а также включение основ геоинформатики в программы подготовки организаторов здравоохранения и эпидемиологов. Без этих мер даже наиболее совершенные аналитические методы останутся инструментом отдельных исследовательских групп, не влияя на принятие решений.