КЛАССИФИКАЦИЯ ТЕРРИТОРИАЛЬНЫХ ЕДИНИЦ ПО МЕДИКО-ДЕМОГРАФИЧЕСКОЙ СИТУАЦИИ НА ОСНОВЕ КЛАСТЕРНОГО АНАЛИЗА

Стратегическое планирование и управление в здравоохранении на различных уровнях требует осуществления перспективного прогнозирования с учетом разнородной информации по значительному числу территориальных образований, каждое из которых характеризуется своими собственными особенностями прогнозируемой динамики [1,3,5,8].

Решение данной проблемы представляется возможным с помощью классификации территориальных образований по прогнозируемой динамике медико-демографических процессов, что необходимо для учета многокомпонентной ситуации в регионе [2,4,6,10,12].

Применение алгоритмов прогнозирования позволяет получить формализованное описание динамики медико-демографических процессов. Таким образом, для каждого i-го объекта Yi   имеется совокупность признаков, описываемых как функциональная зависимость j - х показателей yij от времени х: Yi=[ yi1; yi2; yi3… yij], где            yij  =fij(x),     i  =1,…n  – число объектов; j  = 1,…m  – количество признаков. Соответственно, матрица динамических характеристик (совокупности признаков) группы объектов Y может быть записана как

Так как формализованное описание динамики медико-демографических процессов представляют собой аппроксимацию fij(x) в виде конкретных зависимостей показателей от времени, функционалы yij могут быть заменены на коэффициенты регрессионных уравнений. При этом обязательным условием является включение в матрицу коэффициентов, принадлежащих уравнениям одного вида (например, линейным или квадратичным).

Результаты прогнозирования методом регрессионного анализа показали, что динамика практически всех изученных медико-демографических показателей аппроксимируется квадратичными уравнениями, в которых коэффициенты определяют положение экстремума функции, скорость и направление ее изменения (возрастания, убывания) [7,9,13].

После нормировки соответствующих коэффициентов регрессионных уравнений, осуществляется классификация территориальных образований как динамических объектов методами кластерного анализа агломеративным способом, что позволяет разделить множество объектов на взаимно непересекающиеся подмножества относительно однородных объектов, когда нет априорной информации о распределении изучаемой совокупности.

Следует также отметить, что зачастую при решении задач классификации помимо кластерного анализа используется дискриминантный анализ. Однако при решении поставленной задачи более уместно использовать кластерный анализ, так как заранее ни о числе групп, ни об их характере сказать ничего нельзя [11,14].

Кластерный анализ результатов прогнозирования по параметрам регрессионных моделей был проведен для показателя обеспеченности врачами в двух вариантах: агломеративным методом и итеративным дивизивным методом К-средних. Результаты классификации методом кластерного анализа агломеративным методом приводятся на Рисунке 1.

Обозначения: по оси ординат – нормированное расстояние связей; по оси абсцисс – территориальные образования: районы области C_1 - Аннинский, C_2 – Бобровский, C_3 – Богучарский, C_4 –Борисоглебский, C_5 – Бутурлиновский, C_6 - Верхнемамонский, C_7 –Верхнехавский, C_8 – Воробьевский, C_9 – Грибановский, C_10 – Калачеевский, C_11 – Каменский, C_12 – Кантемировский, C_13 – Каширский, C_14 – Лискинский, C_15 –   Нижнедевицкий, C_16 – Новоусманский, C_17 – Новохоперский, C_18 – Ольховатский, C_19 – Острогожский, C_20 – Павловский, C_21 – Панинский, C_22 – Петропавловский, C_23 – Поворинский, C_24 – Подгоренский, C_25 – Рамонский, C_26 – Репьевский, C_27 – Россошанский, C_28 – Семилукский, C_29 – Таловский, C_30 – Терновский, C_31 – Хохольский, С_32 – Эртильский; C_33 - вся область, C_34 – г.Воронеж.

Таким образом, для учета многокомпонентной ситуации в регионе уместно применение классификации методом кластерного анализа, что позволяет учитывать разнородную информацию по значительному числу территориальных единиц, каждое из которых характеризуется своими собственными особенностями прогнозируемой динамики.

 

Список литературы

1.     Есауленко И.Э. Мониторинг здоровья учащейся молодежи на основе компьютерных технологий / И.Э. Есауленко, Т.Н. Петрова, О.В. Судаков // Системный анализ и управление в биомедицинских системах. 2014. Т. 13. № 2. С. 483-487.

2.     Есауленко И.Э. Программная реализация методики прогнозирования демографических показателей и оценка ее эффективности / И.Э. Есауленко, С.Н. Семенов, Н.А. Гладских // Системный анализ и управление в биомедицинских системах. 2006. Т. 5. № 3. С. 509-512.

3.     Использование интегрального показателя в характеристике тяжести ТЧМТ по неврологическим признакам / И.Э. Есауленко, В.Л. Радушкевич, Н.А. Гладских, Е.В. Богачева // Системный анализ и управление в биомедицинских системах. – 2014 – Т. 13. №1. – С 164 -166.

4.     Кольцов А.С. Автоматизированные системы управления учебным процессом / А. С. Кольцов, Е. Д. Федорков; ГОУВПО "Воронежский гос. технический ун-т". Воронеж, 2007. – 176 с.

5.     Кольцов А.С. Информационные технологии: Учеб. пособие / А.С. Кольцов, Е.Д. Федорков // Воронеж: Воронеж. гос. техн. ун-т, 2005. -241 с.

6.     Кольцов А.С. Концептуальный подход к проектированию автоматизированной системы профессиональной

ориентации / А.С. Кольцов, А.В. Паринов, А.И. Бобров // Вестник Воронежского института ФСИН России. 2015. № 1. С. 41-44.

7.     Кольцов А.С. Перспективные информационные технологии и среды: учеб. пособие - Ч.1 / А.С. Кольцов, Е.Д. Федорков, А.С. Левченко // Воронеж: ГОУВПО «Воронежский государственный технический университет», 2008. -169 с.

8.     Петрова Т.Н. Анализ состояния здоровья студентов высших учебных заведений города Воронежа / Т.Н. Петрова, О.В. Судаков // Системный анализ и управление в биомедицинских системах. 2012. Т. 11. № 1. С. 217-221.

9.     Петрова Т.Н. Комплексный подход к оценке состояния здоровья студентов медицинского вуза / Т.Н. Петрова, О.В. Судаков // Системный анализ и управление в биомедицинских системах. 2012. Т. 11. № 1. С. 121-128.

10. Петрова Т.Н. Сравнительный анализ состояния здоровья студенческой молодежи в зависимости от профиля ВУЗА / Т.Н. Петрова, О.В. Судаков // Системный анализ и управление в биомедицинских системах. 2012. Т. 11. № 3. С. 804-809.

11. Построение информационного комплекса поддержки принятия врачебных решений в лечебно- диагностическом процессе больных сахарным диабетом в сочетании с артериальной гипертонией / О.В. Судаков, Т.Н. Петрова, Н.Ю. Алексеев, Е.А. Фурсова // Прикладные информационные аспекты медицины. 2015. Т. 18. № 6. С. 4-9.

12. Применение статистических методов прогнозирования и ГИС-технологий для мониторинга системы регионального здравоохранения / Н.А. Гладских, В.А. Голуб, С.Н. Семенов, О.Н. Чопоров // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2008. № 1. С. 111-116.

13. Разработка регрессионных моделей для прогнозирования динамики медико-демографических показателей / И.Э. Есауленко, В.А. Голуб, В.Т. Петров, С.Н. Семенов, Н.А. Гладских, Е.Б. Смолькин, В.И. Спесивцев // Системный анализ и управление в биомедицинских системах. 2005. Т. 4. № 1. С. 104-107.

14. Фурсова Е.А. Применение  нейросетевого моделирования для поддержки принятия решений при диагностике хронической сердечной недостаточности / Е.А. Фурсова, Е.И. Новикова, О.В. Судаков // Системный анализ и управление в биомедицинских системах. 2009. Т. 8. № 2. С. 410-413.