ОЦЕНКА УРОВНЯ РИСКА ЗАБОЛЕВАЕМОСТИ ПО ВРАЧЕБНЫМ УЧАСТКАМ РЕГИОНА Со ЛЬГОТНЫМ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИМ СТАТУСОМ НА ОСНОВЕ ВИЗУАЛИЗАЦИИ ИНФОРМАЦИИ

М. Л. Бочоришвили, Л. И. Летникова, А. В. Фролова*

Задача прогнозирования заболеваемости состоит в том, чтобы по значениям наблюдений, собранных к данному моменту времени, определить значения в следующие моменты.

Так как динамические ряды показателей имеют небольшую длину и подвержены значительным колебаниям, которые аппроксимация предвидеть не может, в практике статистического анализа данных процессов большое распространение получили методы адаптивного моделирования и прогнозирования.

В основе адаптивных методов лежит модель экспоненциального сглаживания. Экспоненциальная средняя первого порядка для исходного ряда записывается следующим образом:

(1)

где - экспоненциальная средняя первого порядка; a - коэффициент сглаживания.

Экспоненциальная средняя k-гo порядка, соответственно, определяется следующим образом:

(2)

Выбор метода прогнозирования зависит от длины исходного исследуемого ряда, существования сериальных корреляций в ошибках. адекватность построенной модели проверяется на основе проверки гипотезы о наличии сериальных корреляции в остатках по статистике Дарбина - Уотсона, где расчетное значение вычисляется, как

(3)

где l₁ - первая сериальная корреляция наблюденных остатков.

Статистическое моделирование проводится с использованием пакета STATISTICA 5.1. (корреляционный, кластерный, регрессионный анализы; анализ временных рядов и др. процедуры прикладной статистики).

Визуализация результатов моделирования осуществляется в среде (геоинформационных систем) ГИС-вьювера Arc View 2.3.

Для построения краткосрочного прогноза уровня заболеваемости используется модель экспоненциального сглаживания (½a½ < 1)

y(t) = ax(t) + (1 - a) y(t -1), (4)

где a - параметр сглаживания.

Начальное значение тренда зависит от его типа. Для экспоненциального:

s(0)=х(2)/х(1); y(0)=х(1)/,

для линейного:

s(0)=(х(n)-х(1)/(n-1); y(0)=x(1)-s(0)/2.

оптимальные параметры прогностических моделей (2) и результаты краткосрочного прогнозирования по всем случаям заболеваемости (в Усманском районе Липецкой области со льготным социально-экономическим статусом), которые представлены в табл., получены на основе статистических данных. прогностические кривые заболеваний по больницам и ФАП (рис.) каждого укрупненному участку были построены при использовании параметров прогностических моделей (2) и табл.

Таблица

Данные по больницам и ФАП Усманского района

Нозологическая форма	Тренд	y(0)	s(0)	a	Прогноз 1999г.
Больницы
Аборты	Лин.	117,1	-8,25	0,073	65
Роды в срок	Лин.	106,9	-7,75	0,696	56
Преждевременные роды	Лин.	15	-2	0	3
Анемия	Лин.	78,88	-7,75	0,696	56
Система кровообращения	Экс.	14,82	0,769	0	3
Мочеполовая система	Лин.	9,75	0,5	0,349	11
ФАП
Аборты	Лин.	378,1	-14,3	0	293
Роды в срок	Лин.	243	4	0	219
Преждевременные роды	Лин.	30,38	-0,75	0,349	27
Анемия	Экс.	125	1,326	0,359	218
Система кровообращения	Экс.	44,57	1,065	0	65
Мочеполовая система	Лин.	59,75	2,5	0,015	76

Анализ прогностических характеристик позволил сделать вывод, что в больницах количество абортов, преждевременных родов, заболевание системы кровообращения имеют тенденцию к уменьшению и их прогноз положительный, а среди пациенток фельдшерско-акушерских пунктов (ФАП) предполагается увеличение количества родов в срок, заболеваемости анемией и болезнями мочеполовой системы.

Кроме того, ожидается, согласно прогнозу, увеличение заболеваний системы кровообращения, но возможно уменьшение количества абортов, преждевременных родов.

Учитывая неоднородность изменения показателей акушерской службы и многовариантность принятия решений при выборе управленческих решений, необходимо, следовательно, разработать подход к оценке каждого участка, больницы и ФАП с точки зрения риска акушерской заболеваемости и акушерской помощи.

Это позволит целенаправленно решать задачу распределения ограниченных ресурсов между участками на очередной год и оптимизировать принятие управленческих решений при реализации целевых программ и лечебно-профилактических мероприятий, в том числе и с учетом льготного социально-экономического статуса.

Рис. Количество родов в срок (модель экспоненциального сглаживания)

Исследование динамики заболеваемости позволяет выделить "неблагополучные" территориальные единицы, в данном случае участки относительно развития медицинской ситуации в зоне обслуживания больниц и ФАП.

Прогнозные оценки уровня заболеваемости населения, полученные методами адаптивного краткосрочного прогнозирования, используются как дополнительная информационная поддержка процесса принятия управленческих решений по нормализации медицинской ситуации посредством распределения медицинских ресурсов, планирования лечебно-профилактических и организационных мероприятий.

Для удобства оценки состояния и уровня "риска" по участкам для экспертов целесообразно представить эту информацию по прогнозу на очередной календарный год в виде визуальной (картографической) информации по наиболее существенным показателям.

На основании визуальной информации формируется матрица уровней риска по участкам региона на прогнозируемый год, для чего уровням заболеваемости (качественной оценке) присваиваются следующие баллы (количественная оценка), позволяющие формализовать визуальную информацию: 1 - высокая заболеваемость; 2 - средняя; 3 - низкая. Результаты оценки уровней "риска" по участкам и по совокупности показателей с наибольшим удельным весом представляются диаграммой по мере возрастания уровня риска.

Результаты обработки данных визуализации далее используются для формирования программы развития региона и распределения ресурсов на прогнозируемый год.

Для оптимизации ресурсного обеспечения необходима разработка методов, моделей и алгоритмов принятия управленческих решений.

Процесс ресурсного обеспечения рассматривается как система массового обслуживания с устойчивыми состояниями на некоторых интервалах (Δt) календарного периода t, функционирование которых определяется следующими характеристиками: x_ir - интенсивность обращений за i-м видом ресурсов на r-й территории за интервал времени Δt; m_irs(t) - интенсивность поступления i-го вида ресурсов г-й территории по s-му (s = l, -,S) каналу обеспечения за интервал времени Δt.

Указанные данные, сформированные на основе мониторинга ресурсного обеспечения с использованием геоинформационной системы, позволяют определить вероятность надежного обеспечения i-м видом ресурсов в зависимости от временного интервала и сформировать модель оптимизации:

(5)

(6)

где с_i - средние затраты на реализацию i-го вида ресурсов в определенный период времени; С - консолидированные средства для системы ресурсного обеспечения.

Литература

1. Гуськов Е.Б., Дмитренко Л.Б., Летникова Л.И. Оптимизация распределения ресурсов медицинского обслуживания населения // Прикладные задачи моделирования и оптимизации: Межвуз. сб. науч. тр.- Воронеж.- 1999.- Ч. 2.- С. 139-143.

2. Заславский Е.Л., Заславский Л.И., Летникова Л.И. Оптимизация приведенного объема обслуживания поликлиники // Прикладные задачи моделирования и оптимизации: Межвуз. сб. науч. тр.- Воронеж.- 1999.- С. 129-133.

3. Гуськов Е.Б., Дмитренко Л.Б., Летникова Л.И., Образцов И.Д. Распределение ресурсного обеспечения медицинской помощи как системы массового обслуживания // Интеллектуальные системы: Тр. Всерос. конф.- Воронеж, 1999.

An Estimation of a Morbidity Risk Level over Medical Districts of the Region with a Privilege Socio-Economical Status on the Base of Information Visualization

M.L. Bochorishvily, L.I. Letnikova, A.V. Frolova

Summary

The results of visualization data processing are farther used for forming programmed of the regional development and resource distribution for the prognosticated year.

---

* ВГТУ, Липецк, Россия