Моделирование управления для контроля за здоровьем

На заседании в рамках семинара группы GAMES доктор технических наук Андрей Гусев на примере моделирования управления показателями здоровья населения в системе Роспотребнадзора представил систему поддержки принятия решений, построенную на основе нейросетевых и  каскадных моделей управления.

На заседании в рамках семинара группы GAMES доктор технических наук Андрей Гусев на примере моделирования управления показателями здоровья населения в системе Роспотребнадзора представил систему поддержки принятия решений, построенную на основе нейросетевых и каскадных моделей управления.

Представленные в рамках семинара модели были разработаны в Федеральном научном центре медико-профилактических технологий управления рисками здоровья населения Роспотребнадзора в Перми. «Нам поставили следующую задачу в главном управлении Роспотребнадзора: используя статистику, построить такую систему поддержки принятия решений (далее — СППР), чтобы при заданных финансовых и человеческих ресурсах можно было выбирать максимально эффективное решение по наложению штрафных санкций на предприятия-нарушителей. Таким образом, это должно улучшить среду обитания, а значит, и увеличить продолжительность жизни», — объяснил в начале заседания Андрей Гусев.

При  создании модели управления разработчики столкнулись с некоторыми сложностями в обработке статистических данных, связанными с делением предприятий на группы, характеристиками среды обитания – особенностями взятия проб воды и т.п. С учетом этих особенностей была разработана каскадная модель управления. Похожие модели используются также в энергетической отрасли. «Каскадная модель управления – это модель, позволяющая рассматривать управление типа "управляющие факторы — управляемые факторы". В качестве управляющих факторов берется любое вышестоящее звено, а в качестве управляемых факторов – любое нижестоящее звено», — отметил Андрей Гусев. Он рассказал, что поставленную задачу пытались решать разными методами, но в итоге использовали  традиционное построение многомерных нелинейных регрессивных уравнений.

Подробнее Андрей Гусев остановился на методе нелинейного матричного прогнозирования как методе моделирования управления и на тех критериях, которые повлияли на выбор данной модели.

Внедрение этой модели совпало с проведением ведомственной целевой программы, направленной на снижение уровня заболеваний эндокринной системы у детей. «В результате выбора действий, которые рекомендованы разработанной  СППР, заболеваемость за год в Пермском крае была снижена на 5%. Это очень большой результат», — рассказал Андрей Гусев.

В рамках семинара также был рассмотрен метод нейросетевого моделирования управления и построение на его основе прогноза управляемых факторов. Например, на основании такого метода можно прогнозировать смертность, основываясь на показателях качества среды обитания. «Процедура сжатия пространства позволила мне построить для некоторых территорий (10-15) Пермского края эффективную нейросеть, которая начинала выдавать решения с ошибкой в районе 1%.  Чтобы обобщить эту модель, я подставил значения других территорий в эту нейросеть и получил ошибку, которую посчитал результатом воздействия неизвестного фактора Z. Действуя по этой схеме, мы составили прогноз по 17 причинам смертности на 46 территориях края, он получился с ошибкой всего в 1,28%», — объяснил доктор технических наук. Он высказал предположение, что подобную модель можно использовать при прогнозировании экономических показателей.

«Еще одна интересная задача, с которой мы столкнулись: необходимо было определить, какой из показателей качества среды обитания повлиял на повышение уровня какого-либо заболевания. Для ее решения мы использовали понятие непрерывного статистического контроля, разработанное Гарольдом Доджем», — рассказал Андрей Гусев. Но для контроля показателей здоровья он ввел дополнение – непрерывный статистический контроль  с памятью, то есть после обнаружения повышенной заболеваемости или смертности контроль  был проведен с учетом данных прошлых лет. Эта система позволила выявить основные факторы среды обитания, которые повлияли на всплеск определенного заболевания. В дальнейшем на основании этих данных  было обнаружено, какое предприятие может быть потенциальным источником повышения уровня  заболевания.