Опубликовать статью

Информационное партнерство

Инфоресурсы

Контакты

«

ТОМ 22, СТ. 23 (стр. 328-343)   |   15 мая 2021 г.   

»

Профилактическая медицина »

Классификация эпидемиологических прогнозов и применение градиентного бустинга в профилактической медицине

Голубков А.В., Гаврилова М.П.

Федеральное государственное казенное учреждение Главный центр
государственного санитарно-эпидемиологического надзора (специального назначения) Министерства обороны Российской Федерации
Федеральное государственное бюджетное учреждение Санкт-Петербургский научно-исследовательский институт физической культуры

Резюме

В статье предложена новая обоснованная классификация эпидемиологических прогнозов острых респираторных инфекций. Приведены сведения об использовании алгоритмов машинного обучения в различных сферах деятельности человека. Показаны примеры применения метода градиентного бустинга в области клинической медицины с целью прогнозирования соматической заболеваемости. Освещена актуальность применения градиентного бустинга в прогнозе уровней заболеваемости инфекционными болезнями и болезнями органов дыхания. Предложена разработка и осуществление прогноза острых респираторных инфекций в организованных коллективах Вооруженных Сил Российской Федерации с предварительным определением предикторов.


Ключевые слова

машинное обучение, градиентный бустинг, ретроспективный эпидемиологический анализ, прогнозирование, прогноз заболеваемости, острые респираторные инфекции, организованные коллективы, Вооруженные Силы Российской Федерации.

Список литературы

1. Абрамович, М.С. Применение ансамблей деревьев решений для прогнозирования эффективности лечения хронической сердечной недостаточности / М.С. Абрамович, Е.C. Атрощенко, Д.В. Романовский, О.В. Кошлатая // Материалы международного конгресса по информатике: информационные системы и технологии Минск, 24-27 октября 2016 года. Издательство: Белорусский государственный университет, Минск. 2016. С. 406-410.


2. Бочкарев, Б.В. Исследование применимости методов машинного обучения на основе решающих деревьев для анализа электрокардиосигналов / Б.В. Бочкарев, А.А. Ракитский // Труды XVII Международной конференции DICR-2019, Новосибирск, 3-6 декабря 2019 г. Новосибирск 2019. С.42-47.


3. Ветров, Д.П. Байесовские методы машинного обучения: учебное пособие по спецкурсу / Д.П. Ветров, Д.А. Кропотов. - 2007.


4. Голубков, А.В. Применение искусственных нейронных сетей в профилактической и клинической медицине (научный обзор) / А.В. Голубков, М.П. Гаврилова // Профилактическая и клиническая медицина. 2020. 4 (77). С. 30-39. DOI: 10.47843/2074-9120_2020_4_30.


5. Горшенин, А.К. Гибридные модели экстремального градиентного бустинга для восстановления пропущенных значений в данных об осадках / А.К. Горшенин, О.П. Мартынов // Информ. и ее примен. 2019, Т. 13. Вып. 3. С. 34-40. DOI: 10.14357/19922264190306


6. Демография в России: Сборник Федеральной службы государственной статистики. https://rosstat.gov.ru/folder/12781/ (дата обращения: 09.03.2021)


7. Евдокимов, В.И. анализ первичной заболеваемости военнослужащих по призыву военно-морского флота и сухопутных войск России за последние 10 лет (2010-2019 гг.) /В.И. Евдокимов, П.П. Сиващенко // Морская медицина. 2020. Т. 6. 4. С. 63-72. DOI: 10.22328/2413-5747-2020-6-4-63-72.


8. Здравоохранение в России - 2011 г. - URL: https://rosstat.gov.ru/bgd/regl/B11_34/Main.htm/ (дата обращения: 15.04.2021)


9. Здравоохранение в России - 2013 г. - URL: https://rosstat.gov.ru/bgd/regl/B13_34/Main.htm/ (дата обращения: 15.04.2021)


10. Здравоохранение в России - 2015 г. - URL: https://rosstat.gov.ru/bgd/regl/B15_34/Main.htm/ (дата обращения: 15.04.2021)


11. Здравоохранение в России - 2017 г. - URL: https://rosstat.gov.ru/bgd/regl/B17_34/Main.htm/ (дата обращения: 15.04.2021)


12. Здравоохранение в России - 2019 г. - URL: https://rosstat.gov.ru/bgd/regl/b19_34/Main.htm/ (дата обращения: 15.04.2021)


13. Здравоохранение в России: Сборник Федеральной службы государственной статистики. https://rosstat.gov.ru/folder/210/document/13218/ (дата обращения: 09.03.2021)


14. Ильясов, Э.С. Применение модели градиентного бустинга для прогнозирования развития диабета/ Э.С. Ильясов // Молодой ученый. 2016. 27. С. 1-5. - URL: https://moluch.ru/archive/131/36581/ (дата обращения: 20.03.2021)


15. Китова, О.В. Метод машин опорных векторов для прогнозирования показателей инвестиций / О.В. Китова, И.Б. Колмаков, И.А. Пеньков // Экономика, Статистика и Информатика. - 2016. - 4. - С. 27-30.


16. Кондратьев, М.А. Методы прогнозирования и модели распространения заболеваний. / М.А. Кондратьев. // Компьютерные исследования и моделирование. 2013. Т. 5. 5. С. 863-882.


17. Мельниченко, П.И. Ретроспективный эпидемиологический анализ и прогнозирование заболеваемости личного состава Вооруженных сил Российской Федерации: метод. указания / П.И. Мельниченко [и др.]. М.: Воениздат, 2006. 143 с.


18. Наставление по Глобальной системе обработки данных и прогнозирования. Дополнение IV к Техническому регламенту ВМО. ВМО- 485. Женева, Швейцария. 2017. 123 с.


19. О состоянии санитарно-эпидемиологического благополучия населения в Российской Федерации в 2012 году: Государственный доклад. М.: Федеральная служба по надзору в сфере защиты прав потребителей и благополучия человека, 2013. 176 с. - URL: https://www.rospotrebnadzor.ru/upload/iblock/7cd/gosudarstvennyy-doklad-o-sostoyanii-sanitarno_epidemiologicheskogo-blagopoluchiya-naseleniya-v-rossiyskoy-federatsii-v-2012-godu.pdf/ (дата обращения: 15.04.2021)


20. О состоянии санитарно-эпидемиологического благополучия населения в Российской Федерации в 2013 году: Государственный доклад. М.: Федеральная служба по надзору в сфере защиты прав потребителей и благополучия человека, 2014. 191 с. - URL: https://www.rospotrebnadzor.ru/upload/iblock/3b8/gd_2013_dlya-sayta.pdf/ (дата обращения: 15.04.2021)


21. О состоянии санитарно-эпидемиологического благополучия населения в Российской Федерации в 2014 году: Государственный доклад. М.: Федеральная служба по надзору в сфере защиты прав потребителей и благополучия человека, 2015. 206 с. - URL: https://www.rospotrebnadzor.ru/upload/iblock/22c/gd_2014_seb_dlya-sayta.pdf/ (дата обращения: 15.04.2021)


22. О состоянии санитарно-эпидемиологического благополучия населения в Российской Федерации в 2015 году: Государственный доклад. ? М.: Федеральная служба по надзору в сфере защиты прав потребителей и благополучия человека, 2016. 200 с. - URL: https://www.rospotrebnadzor.ru/upload/iblock/486/gd_2015_ds.pdf/ (дата обращения: 15.04.2021)


23. О состоянии санитарно-эпидемиологического благополучия населения в Российской Федерации в 2016 году: Государственный доклад. М.: Федеральная служба по надзору в сфере защиты прав потребителей и благополучия человека, 2017. 220 с. - URL: https://www.rospotrebnadzor.ru/upload/iblock/0b3/gosudarstvennyy-doklad-2016.pdf/ (дата обращения: 15.04.2021)


24. О состоянии санитарно-эпидемиологического благополучия населения в Российской Федерации в 2017 году: Государственный доклад. М.: Федеральная служба по надзору в сфере защиты прав потребителей и благополучия человека, 2018. 268 с. - URL: https://www.rospotrebnadzor.ru/upload/iblock/d9d/gd_2017_seb.pdf/ (дата обращения: 15.04.2021)


25. О состоянии санитарно-эпидемиологического благополучия населения в Российской Федерации в 2018 году: Государственный доклад. М.: Федеральная служба по надзору в сфере защиты прав потребителей и благополучия человека, 2019. 254 с. - URL: https://www.rospotrebnadzor.ru/upload/iblock/798/gosudarstvennyy-doklad-o-sostoyanii-sanitarno_epidemiologicheskogo-blagopoluchiya-naseleniya-v-rossiyskoy-federatsii-v-2018-godu.pdf/ (дата обращения: 15.04.2021)


26. Прогнозирование заболеваемости геморрагической лихорадкой с почечным синдромом (Пуумала) с использованием статитстических методов: учеб.-метод. пособие для практ. занятий / Ю.Л. Минаев, В.Г. Морозов, С.И. Коломинов, Г.Д. Коробов; НОУ ВПО СМИ «РЕАВИЗ» Самара: НОУ ВПО СМИ «РЕАВИЗ», 2011. 44 с.


27. Прогностика: терминология / Акад. наук СССР, Ком. науч.-техн. терминологии; отв. ред. В. И. Сифоров. - Москва: Наука, 1990. 2019 54 с. - ISBN 5-02-006645-1.


28. РД 52.27.724-2019. Наставление по краткосрочным прогнозам погоды общего назначения: дата введения 2019-06-25 / Федеральная служба по гидрометеорологии и мониторингу окружающей среды. Изд. Официальное. - Москва: ФГБУ «Гидрометцентр России», 2019. 66 с.


29. Салахутдинова, К.И. Алгоритм градиентного бустинга деревьев решений в задаче идентификации программного обеспечения / К.И. Салахутдинова, И.С. Лебедев, И.Е. Кривцова // Научно-технический вестник информационных технологий, механики и оптики. 2018. Т. 18. 6. С. 1016-1022. DOI: 10.17586/2226-1494-2018-18-6-1016-1022.


30. Сахибгареева, М.В. разработка системы прогнозирования диагнозов заболеваний на основе искусственного интеллекта / М.В. Сахибгареева , А.Ю. Заозерский // Вестник РГМУ. 2017. 6. С.


31. Слободенюк, А.В. Эпидемиологический анализ: учеб. пособие / А.В. Слободенюк, А.А. Косова, Р.Н. Ан; ГБОУ ВПО УГМУ. - Екатеринбург: изд-во ГБОУ ВПО УГМУ, 2015. - 36 с.


32. Социально-экономическое положение России. Январь 2020 (1): Сборник Федеральной службы государственной статистики. - URL: https://rosstat.gov.ru/storage/mediabank/osn-01-2020.pdf/ (дата обращения: 24.04.2021)


33. Тусаева, А.Р. Применение корреляционно-регрессионного метода в оценке уровня заболеваемости Курской области. / А.Р. Тусаева, А.В. Гаврилова. // Молодой ученый. 2017. 4 (138). С. 541-544. URL: https://moluch.ru/archive/138/38666/ (дата обращения: 02.05.2021).


34. Фролов, А.И. Анализ алгоритма градиентного бустинга для целей прогнозирования / А.И. Фролов // Альманах научных работ молодых ученых Университета ИТМО. XLVIII научная и учебно-методическая конференция Университета ИТМО / Издательство: ФГАОУ ВО «Национальный исследовательский университет ИТМО» Санкт-Петербург, 2019. С. 285-288.


35. Шульгин, С.Г. Отбор переменных для анализа и прогнозирования нестабильности с помощью моделей градиентного бустинга / С.Г. Шульгин // Системный мониторинг глобальных и региональных рисков. Социально-политическая и экономическая дестабилизация: анализ страновых и региональных ситуаций в мир-системном аспекте / Издательство «Учитель» Волгоград, 2018. Т. 9. С. 115?153.


36. Янчевская, Е.Ю. Математическое моделирование и прогнозирование в эпидемиологии инфекционных заболеваний / Е.Ю. Янчевская, О.А. Меснянкина // Вестник Российского университета дружбы народов. Серия: Медицина. 2019. Т. 23. 3 С. 328-334. DOI: 10.22363/2313-0245-2019-23-3-328-334.


37. Aler R., Galvan I. M., Ruiz-Arias J. A., Gueymard C. A. Improving the separation of direct and diffuse solar ra- diation components using machine learning by gradient boosting // Sol. Energy, 2017. Vol. 150. P. 558-569.


38. Blaser R., Fryzlewicz P. Random Rotation Ensembles // Journal of Machine Learning Research 17 / 2016. c. 1-26.


39. Chatzis, S.P., Siakoulis V., Petropoulos A., Stavroulakis E., Vlachogiannakis N. Forecasting stock market crisis events using deep and statistical machine learning techniques // Expert Syst. Appl., 2018. Vol. 112. P. 353-371.


40. Chen, T., and Guestrin, C. (2016). «XgBoost: A Scalable Tree Boosting System» in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794. doi: 10.1145/2939672.2939785


41. Friedman, J.H. Greedy function approximation: a gradient boosting machine. The Annals of Statistics 2001; 29(5): 1189-1232 URL: https://doi.org/10.1214/aos/1013203451/ (дата обращения: 15.03.2021)


42. Harrell FE. Regression modeling strategies: With applications to linear models, logistic regression, and survival analysis. Springer, New York; 2001


43. Henzel, J. Gradient Boosting Application in Forecasting of Performance Indicators Values for Measuring the Efficiency of Promotions in FMCG Retail / J. Henzel, M. Sikora // arXiv:2006.04945v1 [cs.CY] 30 May 2020


44. Hosmer, D.W., Lemeshow, S. Applied Logistic Regression. New York:Wiley 1989.


45. Mustapha, I. B., and F. Saeed. Bioactive molecule prediction using extreme gradient boosting. Molecules 2016. 21(8):983.


46. Natekin A., Knoll A. Gradient boosting machines, a tutorial. Front Neurorobot 2013; 7: 21, https://doi.org/10.3389/ fnbot.2013.00021.


47. Paulo Celio Di Cellio Dias, Melissa Forti, Marc Witarsa // A comparison of Gradient Boosting with Logistic Regression in Practical Cases. - URL: https://www.sas.com/content/dam/SAS/support/en/sas-global-forum-proceedings/2018/1857-2018.pdf/ (дата обращения: 19.04.2021)


48. Prokhorenkova, L., Gusev G., Vorobev A., Dorogush A.V., Gulin A. CatBoost: Unbiased boosting with categorical features. 2018. Adv. Neur. In. 31:6638-6648


49. Shalev-Shwartz S, Ben-David S. Understanding Machine Learning: From Theory to Algorithms. New York: Cambridge University Press; 2014. 410 p.


50. Hastie, T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Prediction, Inference and Data Mining (Second Edition). Springer Verlag, New York, 2009.


51. Torres-Barran, A., Alonso A., Dorronsoro J. R. Regression tree ensembles for wind energy and solar radiation predic- tion // Neurocomputing, 2018. Vol. 326. P. 151-160.


52. Xia, Y., Liu C., Li Y., Liu N. A boosted decision tree approach using Bayesian hyper-parameter optimization for credit scoring // Expert Syst. Appl., 2017. Vol. 78. P. 225-241.


53. Zhang, D. A data-driven design for fault detection of wind turbines using random forests and XGboost / D. Zhang [et al.] // IEEE Access, 2018. Vol. 6. P. 21020-21031.


54. Zhang, Z. Predictive analytics with gradient boosting in clinical medicine / Z. Zhang [et al.] // Ann Transl Med 2019;7(7):152. doi: 10.21037/atm.2019.03.29.

Журнал основан 16 ноября 2000г.
Выдано Министерством РФ по делам печати, телерадиовещания и средств массовых коммуникаций

(c) Перепечатка материалов сайта Medline.Ru возможна только с письменного разрешения редакции