Использование индуктивного типа машинного обучения для выявления факторов риска инфицирования медицинских работников высококонтагиозными вирусами (на модели COVID-19)

Эпидемическое и пандемическое распространение высококонтагиозных вирусов (SARS-CoV, вирус гриппа А, вирус Эбола, MERS-CoV, SARS-CoV-2) - тенденция прошедших двух десятилетий XXI в. Преимущественное воздействие биологического фактора производственной среды на медицинских работников определяет высокий профессиональный риск заражения, тяжелого течения болезни и летального исхода. Интеллектуальная обработка эпидемиологических данных, основанная на алгоритмах машинного обучения, находит успешное применение в эпидемиологической практике для выявления факторов, способствующих инфицированию (предикторов), у различных контингентов риска. В ходе исследования проведен интеллектуальный анализ базы данных, сформированной по результатам анкетного опроса 1312 медицинских работников. Всего обучено 6912 моделей машинного обучения. Установлено, что инфицированию SARS-CoV-2 способствовало оказание медицинской помощи пациенту с COVID-19, использование полного комплекта СИЗ после непосредственного контакта с больным COVID-19, прямой контакт с предметами внешней (больничной) среды, вакцинация от COVID-19 после непосредственного контакта с больным COVID-19, выполнение функций младшего медицинского персонала (уборщиков), присутствие при проведении процедур, генерирующих аэрозоль. Установлено четыре группы предикторов, определяющих инфицирование SARS-CoV-2 медицинских работников, - контакт с больным COVID-19 и предметами окружающей его среды, качество и комплексность СИЗ, профессиональная принадлежность медицинских работников и показатели ИМТ. Наличие одного предиктора установлено у 56,2 % медицинских работников, двух - у 19,2 %, трех - у 16,4 %, четырех - у 5,5 %, пяти - у 2,7 %. Таким образом, интеллектуальная обработка эпидемиологических данных является современным этапом эпидемиологического анализа. Применение методов машинного обучения позволяет провести многофакторную оценку рисков инфицирования медицинских работников SARS-CoV-2, выявить и достоверно оценить наиболее значимые предикторы. Гибкость архитектуры интеллектуального анализа данных позволяет проводить как корректировку изучаемой модели, так и динамически дополнять сформированную базу новыми данными, улавливать изменения эпидемиологической ситуации и проводить актуальные профилактические и противоэпидемические мероприятия.