Математическое и алгоритмическое моделирование комплексного медико-социального интегрального показателя для работников АПК

Автор: Гладских Н.А., Устимов М.Г., Левицкий Е.Н.

Журнал: Вестник Воронежского государственного университета инженерных технологий @vestnik-vsuet

Рубрика: Пищевая биотехнология

Статья в выпуске: 4 (98) т.85, 2023 года.

Бесплатный доступ

Качественная и количественная оценка состояния здоровья в том числе работников АПК является важной и актуальной задачей. При разработке методики расчета вероятности утраты работником трудоспособности в зависимости от состояния условий труда на рабочем месте было показано, что в контексте решения задач по оценке влияния условий труда на здоровье работника, в том числе, в процедурах оценки профессионального риска, вероятность утраты трудоспособности представляет собой не что иное, как количественную оценку вероятности развития профессионального заболевания или производственной травмы в конкретных условиях труда, что, на первый взгляд, можно было бы охарактеризовать показателями частоты профессиональной заболеваемости и травматизма с учетом условий труда. На базе участковых отделений городских поликлиник было проведено обследование состояния здоровья работников АПК. Для сбора информации о пациентах использовалась «Анкета о здоровье», которая по решению Всемирной Организации Здравоохранения введена во всех медицинских учреждениях анкета о здоровье пациента. Было собрано и проанализировано 156 анкет. На первом этапе обработки информации исследована структура медико-социальных характеристик работников АПК. На втором этапе применялся метод априорного ранжирования, использующий экспертную информацию для ранговой оценки каждого значения признака. В ходе исследования были рассчитаны балльные оценки, необходимые для последующего расчета комплексного интегрального медико-социального показателя здоровья. Результаты исследования свидетельствуют о наличии отрицательной тенденции в динамике состояния здоровья работников АПК, что в первую очередь связано с нерациональным питанием, недостатком двигательной активности, самолечением, редкими обращениями к медицинским специалистам. В связи с этим важными задачами являются, прежде всего, разработка и внедрение профилактических, лечебно-реабилитационных технологий и приоритетных программ в работу предприятий АПК, в частности, рациональная организация питания в предприятиях АПК, оптимизация двигательного режима.

Еще

Интегральный показатель, реабилитационный потенциал, априорное ранжирование, экспертное оценивание, балльные оценки, коэффициент конкордации

Короткий адрес: https://sciup.org/140304434

IDR: 140304434   |   DOI: 10.20914/2310-1202-2023-4-109-114

Текст научной статьи Математическое и алгоритмическое моделирование комплексного медико-социального интегрального показателя для работников АПК

Качественная и количественная оценка состояния здоровья в том числе работников АПК является важной и актуальной задачей. При разработке в 2008 году Методики расчета вероятности утраты работником трудоспособности в зависимости от состояния условий труда на рабочем месте было показано, что в контексте решения задач по оценке влияния условий труда на здоровье работника, в том числе, в процедурах оценки профессионального риска, вероятность утраты трудоспособности представляет собой не что иное, как количественную оценку вероятности развития профессионального заболевания или производственной травмы в конкретных условиях труда, что, на первый взгляд, можно было бы охарактеризовать показателями частоты профессиональной заболеваемости и травматизма с учетом условий труда [1-5]. В нашем исследовании использовалась Анкета о здоровье, которые работники АПК заполняли. Было собрано и проанализировано 156 анкет.

Материалы и методы

На базе участковых отделений городских поликлиник было проведено обследование состояния здоровья работников АПК. Для сбора информации о пациентах использовалась «Анкета о здоровье», которая по решению Всемирной Организации Здравоохранения введена во всех медицинских учреждениях анкета о здоровье пациента [6-10].

На первом этапе обработки информации исследована структура медико-социальных характеристик работников АПК. На втором этапе применялся метод априорного ранжирования, использующий экспертную информацию для ранговой оценки каждого значения признака. При сборе априорной информации экспертам (8 врачей участковых терапевтов со стажем работы от 3-x до 20 лет) предложили заполнить анкеты из показателей, по их мнению, наиболее влияющие на здоровье пациентов. Показатели ранжированы от 1 (наиболее значимый признак) до 16 (наименее влияющий признак). Для каждого показателя была разработана система балльных оценок от 1 до 10. Согласованность мнений специалистов определялась исчислением коэффициента конкордации, который составил 0,79, что подтверждает гипотезу о согласованности экспертов. По данным матрицы ранжирования были определены значения весов wi отдельных показателей, влияющих на показатель здоровья.

По сформированной матрице ранжирования на следующем этапе производится оценка согласованности экспертов на основе использования коэффициента конкордации:

S ( d 2)

±m ’( n ’ - 1 ) - m J r,

W=

где S(d)2 - сумма квадратов разностей d = Е a л

< , = 1     7

- mm ( n + 1);

где a ji - обобщенная сумма рангов j-того показателя; T j - величина, определяемая по формуле

n

T =E(t 3 -1,); j 12 J j j tj - число повторений i-го ранга в j-той строке матрицы.

В случае, если матрица ранжирования не содержит совпавших рангов коэффициент конкордации определяется по следующей формуле:

W= 12 S(d 2 ) m2 (n 3 -1 )

.

Величина W находится в пределах [0..1]. При W =1 эксперты единодушны в оценке значимости показателей, при W =0 согласие отсутствует.

Оценка значимости коэффициента конкордации W осуществляется с помощью критерия Пирсона. Для этого рассчитывается X рас : X рс =m(n - 1 W .

Если при числе степеней свободы f = n-1 и установленном уровне значимости критическое 22 значение  Хкр  меньше расчетного Xрас , то гипотеза о наличии согласия экспертов принимается, в противном случае - отклоняется.

Значения весов w i , в формуле для расчета интегрального показателя, рассчитываются следующим образом:

m

m • n-Е r j=1

w = ------7---------Л , i = 1 ,n .

I   mJ n • m • n1

I    2

Здесь r,  (j = 1 ,m) - ранг, поставленный j-м экспертом, причем Jw = 1 • i=1

В связи с тем, что сумма W i равна 1, а параметры, входящие в интегральный показатель, оцениваются по 22-балльной шкале, максимально возможное значение интегрального показателя равно максимально возможному баллу (22), а минимальное - минимально возможному баллу.

Интегральный медико-социальный показатель определялся следующим образом:

n

П з = w i X iб

=1

где w i – вес (значимость) i-го показателя, X iб – балльная оценка i-го показателя.

По каждому показателю, выявленному с помощью метода «дискретных корреля- ционных плеяд», была разработана система балльных оценок (таблица 1).

Результаты

В ходе исследования были рассчитаны балльные оценки, необходимые для последующего расчета комплексного интегрального медико-социального показателя здоровья

Таблица 1.

Балльные оценки интегрального медико-социального показателя здоровья работников АПК

Scores of the integral medical and social indicator of health of agricultural workers

Table 1.

Таблица 2.

Оценки экспертов.

Expert ratings

Table 2.

Показатель Index

Оценки экспертов | Grades

11

22

23

44

55

66

77

88

XXI

11

12

11

13

11

12

13

11

ХХ2

22

22

22

22

22

22

22

22

ХХ3

32

33

33

33

32

33

33

32

ХХ4

44

43

44

43

44

43

43

44

ХХ5

Х5

Х4

Х5

Х5

Х5

Х4

Х5

Х5

ХХ6

66

66

66

65

66

66

65

66

ХХ7

77

76

77

76

77

76

76

77

ХХ8

Х8

Х7

Х8

Х8

Х8

Х7

Х8

Х8

ХХ9

99

99

99

77

99

99

77

99

ХХ10

110

111

110

110

110

111

110

110

XXII

111

110

111

111

19

110

111

19

ХХ12

112

111

112

112

112

111

112

112

ХХ13

111

110

112

113

111

110

113

111

ХХ14

114

110

112

114

114

110

114

114

ХХ15

115

11

115

111

115

11

111

115

ХХ16

116

116

115

116

116

115

116

115

ХХ17

117

117

117

117

116

117

117

116

ХХ18

121

116

118

118

121

116

118

121

ХХ19

119

119

119

119

119

119

119

119

ХХ20

220

221

220

220

220

221

220

219

ХХ21

221

212

221

221

221

212

221

210

В ходе исследования была разработана прогностическая модель комплексного интегрального медико-социального показателя, которая выглядит следующим образом: Y = 0,1(6)* х1 + + 0,2 • х2 + 0,28(3)* х3 + 0,38(3)* х4 + 0,21(6)* х5 + + 0,12 • х6 + 0,01 • х7 + 0,1 • х8 + 0,02 • х9 + + 0,1 • х10 + 0,0(3)* х11 + 0,021 • х12 + 0,12 • х13 + 0,01 • х14 + 0,003 • х15 + 0,021 • х16 + 0,12 • х17 + 0,021 • х18 + 0,004 • х19 + 0,011 • х20 + 0,012 • х21

Таблица 3.

Уровень медико-социального комплексного показателя здоровья

Table 3.

Level of medical and social complex health indicator

Значения медикосоциального комплексного показателя здоровья Values of medical and social complex health indicator

Нормальный Normal

Средний Medium

Низкий Low

Y

1,2–1,7

0,4–1,2

0–0,4

Заключение

Разработанная методика и модель комплексного интегрального медико-социального показателя были апробированы на базе терапевтического отделения ВГП № 10. Модели показали свою клиническую эффективность.

Результаты исследования свидетельствуют о наличии отрицательной тенденции в динамике состояния здоровья работников АПК, что в первую очередь связано с нерациональным питанием, недостатком двигательной активности, самолечением, редкими обращениями к медицинским специалистам. В связи с этим важными задачами являются, прежде всего, разработка и внедрение профилактических, лечебно-реабилитационных технологий и приоритетных программ в работу предприятий АПК, в частности, рациональная организация питания в предприятиях АПК, оптимизация двигательного режима.

Статья публикуется при грантовой поддержке Федерального агентства по делам молодёжи (Росмолодёжь) Соглашение № 091–10–2023–069 от 23.05.2023 г. проект «Наука рядом».

Список литературы Математическое и алгоритмическое моделирование комплексного медико-социального интегрального показателя для работников АПК

  • Falissard L., Morgand C., Roussel S., Imbaud C. et al. A deep artificial neural network− based model for prediction of underlying cause of death from death certificates: algorithm development and validation // JMIR Medical informatics. 2020. V. 8. №. 4. P. e17125. doi: 10.2196/17125
  • Shirwaikar R.D., Acharya D., Makkithaya K., Surulivelrajan M. et al. Optimizing neural networks for medical data sets: A case study on neonatal apnea prediction // Artificial intelligence in medicine. 2019. V. 98. P. 59-76.
  • May A.M., DeSimone C.V., Kashou A.H., Hodge D.O. et al. The WCT formula: a novel algorithm designed to automatically differentiate wide-complex tachycardias // Journal of Electrocardiology. 2019. V. 54. P. 61-68.
  • Khudov H., Ruban I., Makoveichuk O., Pevtsov H. et al. Development of methods for determining the contours of objects for a complex structured color image based on the ant colony optimization algorithm // Physics and Engineering. 2020. V. 1. P. 34-47. doi: 10.21303/2461-4262.2020.001108
  • Vlachopoulos L., Székely G., Gerber C., Fürnstahl P. A scale-space curvature matching algorithm for the reconstruction of complex proximal humeral fractures // Medical image analysis. 2018. V. 43. P. 142-156.
  • Kavitha K.S., Ramakrishnan K.V., Singh M.K. Modeling and design of evolutionary neural network for heart disease detection // International Journal of Computer Science Issues (IJCSI). 2010. V. 7. №. 5. P. 272.
  • Jeyaraj P.R., Nadar E.R.S. Deep Boltzmann machine algorithm for accurate medical image analysis for classification of cancerous region // Cognitive Computation and Systems. 2019. V. 1. №. 3. P. 85-90. doi: 10.1049/ccs.2019.0004
  • Yuan Y., Yan S., Fang Q. Light transport modeling in highly complex tissues using the implicit mesh-based Monte Carlo algorithm // Biomedical Optics Express. 2021. V. 12. №. 1. P. 147-161. doi: 10.1364/BOE.411898
  • Kushwaha P.K., Kumaresan M. Machine learning algorithm in healthcare system: A Review // 2021 international conference on technological advancements and innovations (ICTAI). IEEE, 2021. P. 478-481.
  • Li X., Li D., Deng Y., Xing J. Intelligent mining algorithm for complex medical data based on deep learning // Journal of Ambient Intelligence and Humanized Computing. 2021. V. 12. P. 1667-1678.
  • Al-Kasasbeh R.T., Korenevskiy N., Alshamasin M.S., Al-Habahbeh O. et al. Fuzzy Mathematical Models for Predicting and Diagnosing Occupational Diseases of Workers in the Agro-industrial Complex in Contact with Pesticides // 2022 8th Annual International Conference on Network and Information Systems for Computers (ICNISC). IEEE, 2022. P. 290-294.
  • Karaeva A.P., Magaril E.R., Kiselev A.V., Cioca L.I. Screening of factors for assessing the environmental and economic efficiency of investment projects in the energy sector // International Journal of Environmental Research and Public Health. 2022. V. 19. №. 18. P. 11716.
  • Mutanov G., Ziyadin S., Shaikh A.A. Graphic model for evaluating the competitiveness and eco-efficiency of eco-innovative projects // Enterpreneurship and Sustainability Issues. 2019. V. 6. №. 4. doi: 10.9770/jesi.2019.6.4(41)
  • Tamošaitienė J., Khosravi M., Cristofaro M., Chan D.W. et al. Identification and prioritization of critical risk factors of commercial and recreational complex building projects: A Delphi study using the TOPSIS method // Applied Sciences. 2021. V. 11. №. 17. P. 7906.
  • Ivlev I., Vacek J., Kneppo P. Multi-criteria decision analysis for supporting the selection of medical devices under uncertainty // European Journal of Operational Research. 2015. V. 247. №. 1. P. 216-228.
  • Ocampo-Melgar A., Bautista S., deSteiguer J.E., Orr B.J. Potential of an outranking multi-criteria approach to support the participatory assessment of land management actions // Journal of environmental management. 2017. V. 195. P. 70-77.
  • Attardi R., Cerreta M., Sannicandro V., Torre C.M. et al. Non-compensatory composite indicators for the evaluation of urban planning policy: The Land-Use Policy Efficiency Index (LUPEI) // European Journal of Operational Research. 2018. V. 264. №. 2. P. 491-507.
  • Waibel S., Wu W.L., Smith M., Johnson L. et al. Selection of Pediatric Mental Health Quality Measures for Health System Improvement in British Columbia Based on a Modified Delphi Approach // Frontiers in pediatrics. 2022. V. 10. P. 866391.
  • Hassan S., Kumbhare D. Validity and diagnosis in physical and rehabilitation medicine: critical view and future perspectives // American Journal of Physical Medicine & Rehabilitation. 2022. V. 101. №. 3. P. 262-269. doi: 10.1097/PHM.0000000000001768
  • Karpouzas G.A., Ramadan S.N., Cost C.E., Draper T.L. et al. Discordant patient–physician assessments of disease activity and its persistence adversely impact quality of life and work productivity in US Hispanics with rheumatoid arthritis // RMD open. 2017. V. 3. №. 2. P. e000551. doi: 10.15863/TAS.2019.06.74.88
Еще
Статья научная