doi: 10.17586/2226-1494-2023-23-2-364-373


УДК 004.8

Мониторинг состояния здоровья населения по возрастным группам

Игнатьев Н.А., Рахимова М.


Читать статью полностью 
Язык статьи - русский

Ссылка для цитирования:
Игнатьев Н.А., Рахимова М.А. Мониторинг состояния здоровья населения по возрастным группам // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23, № 2. С. 364–373. doi: 10.17586/2226-1494-2023-23-2-364-373


Аннотация
Рассмотрена многокритериальная методика отбора информативных наборов разнотипных признаков для количественной оценки состояния здоровья населения по 14 возрастным группам. Для сравнения выборок из двух классов (групп) сформировано унифицированное описание объектов по двум градациям номинальных признаков. Полученное описание использовано для синтеза латентных признаков и вычисления значений меры компактности объектов классов на числовой оси. Преобразование количественных признаков в градации номинальных реализовано по критерию поиска минимального покрытия их значений непересекающимися интервалами. Значения границ интервалов и их число определено рекурсивным алгоритмом с учетом принадлежности объектов к классам. Отмечено важное свойство преобразования — инвариантность к масштабам измерений. Предложена формула для вычисления функции принадлежности объектов классов по каждой градации признака. Значения функции применены при унификации описаний объектов и вычислении показателя устойчивости признака вне зависимости от его шкалы измерений. Унификация описаний по двум градациям не меняет показателя устойчивости, но увеличивает вклад каждой градации в разделение объектов классов. Ранжирование признаков по отношению к их устойчивости применено как для отдельных выборок, так и на множестве определяемых выборок. Результаты ранжирования по множеству выборок использованы для поиска закономерностей по отдельным признакам и формирования из них наборов для вычисления значений латентных признаков объектов. Множество из 13 выборок данных из представителей двух классов сформировано следующим образом. Первый класс представлен объектами младшей возрастной группы, второй — объектами разных возрастных групп. Определен набор из семи разнотипных признаков. По каждой из 13 выборок вычислены значения латентных признаков на этом наборе и меры компактности объектов классов на числовой оси. Получена монотонно неубывающая последовательность значений мер компактности выборок данных, инвариантных к порядку старшинства возрастных групп. Свойство монотонности значений последовательности согласуется с эмпирическими оценками состояния здоровья в процессе старения населения.

Ключевые слова: нелинейные преобразования, функции принадлежности, ранжирование признаков, обобщенные оценки объектов

Благодарности. Работа выполнено в рамках плана научных исследований кафедры «Искусственный интеллект» Национального университета Узбекистана.

Список литературы
  1. Шумаков В.И., Новосельцев В.Н., Сахаров М.П., Штенголд Е.Ш. Моделирование физиологических систем организма. М.: Медицина,1971. 352 с.
  2. Кривенко М.П. Выбор модели данных в задачах медицинской диагностики // Информатика и ее применения. 2019.Т. 13.№ 4. С. 27–29. https://doi.org/10.14357/19922264190404
  3. Корепанова Н.В. Машинное обучение для оптимизации лечения в подгруппах пациентов // Искусственный интеллект и принятие решений.2018.№ 1. С. 53–65.
  4. Игнатьев Н.А., Рахимова М.А. Формирование и анализ наборов информативных признаков объектов по парам классов// Искусственный интеллект и принятие решений. 2021. № 4. С. 18–26. https://doi.org/10.14357/20718594210402
  5. Игнатьев Н.А., Згуральская Е.Н., Марковцева М.В. Поиск скрытых закономерностей, влияющих на общую выживаемость больных, методами интеллектуального анализа данных // Искусственный интеллект и принятие решений.2020. № 3. С. 73–80. https://doi.org/10.14357/20718594200307
  6. Игнатьев Н.А. Вычисление обобщенных показателей и интеллектуальный анализ данных // Автоматика и телемеханика. 2011. № 5. С. 183–190.
  7. Згуральская Е.Н. Устойчивость разбиения данных на интервалы в задачах распознавания и поиск скрытых закономерностей // Известия Самарского научного центра Российской академии наук. 2018. Т. 20. № 4-3. С. 451–455.
  8. Piatetsky-Shapiro G. Data mining and knowledge discovery 1996 to 2005: overcoming the hype and moving from «university» to «business» and «analytics» // Data Mining and Knowledge Discovery. 2007. V. 15. N 1. Р. 99–105. https://doi.org/10.1007/s10618-006-0058-2
  9. Joseph R. (2019, April 23). Ensemble methods: bagging, boosting and stacking. Understanding the key concepts of ensemble learning [Электронный ресурс]. URL: https://towardsdatascience.com/ensemble-methods-bagging-boosting-and-stacking-c9214a10a205(дата обращения: 25.12.2022).


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2024 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика