О журнале Издательская этика Редколлегия Редакционный совет Редакция Для авторов Контакты
Russian

Экспорт новостей

Журнал в базах данных

eLIBRARY.RU - НАУЧНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА



crossref.org
vak.ed.gov.ru/vak

GoogleАкадемия

Google Scholar

Вниманию авторов!
Плата с авторов за публикацию рукописей не взимается

Импакт-фактор журнала в РИНЦ равен 0.710.

C 2017 года редакция публикует материалы Документационного Центра Всемирной Организации Здравоохранения.

DOI присваивается всем научным статьям, публикуемым в журнале, безвозмездно. 
Главная arrow Архив номеров arrow №4 2016 (50) arrow ИСПОЛЬЗОВАНИЕ САМООРГАНИЗУЮЩИХСЯ КАРТ КОХОНЕНА ДЛЯ АНАЛИЗА СОСТОЯНИЯ РЕГИОНОВ РОССИИ ПО СОЦИАЛЬНО-ЗНАЧИМЫМ ЗАБОЛЕВАНИЯМ
ИСПОЛЬЗОВАНИЕ САМООРГАНИЗУЮЩИХСЯ КАРТ КОХОНЕНА ДЛЯ АНАЛИЗА СОСТОЯНИЯ РЕГИОНОВ РОССИИ ПО СОЦИАЛЬНО-ЗНАЧИМЫМ ЗАБОЛЕВАНИЯМ Печать
26.07.2016 г.

DOI: 10.21045/2071-5021-2016-50-4-9
Наркевич А.Н.1, Серов А.А.2, Виноградов К.А.1, Наркевич А.А.1, Шадрин К.В.
1
1
ГБОУ ВПО «Красноярский государственный медицинский университет им. проф. В.Ф. Войно-Ясенецкого» Минздрава России, Красноярск
2ФГБОУ ВО «Тверской государственный университет» Минобрнауки России, Тверь

USING SELF-ORGANIZING KOHONEN MAPS TO ANALYZE THE RUSSIAN REGIONS IN TERMS OF SOCIALLY SIGNIFICANT DISEASES
Narkevich A.N.1, Serov A.A.2, Vinogradov K.A.1, Narkevich A.A.1, Shadrin K.V.1

1Krasnoyarsk State Medical University named after Professor V. F. Voyno-Yasenetsky, Ministry of Health of the Russian Federation, Krasnoyarsk
2Tver State University, Ministry of Education and Science of the Russian Federation, Tver

Контактная информация: Наркевич Артем Николаевич,
e-mail: Этот e-mail защищен от спам-ботов. Для его просмотра в вашем браузере должна быть включена поддержка Java-script

Contacts: Artem N. Narkevich, e-mail: Этот e-mail защищен от спам-ботов. Для его просмотра в вашем браузере должна быть включена поддержка Java-script

Резюме. Актуальность. В условиях острого дефицита бюджетов всех уровней, планирование расходования денежных средств на отдельные сферы народного хозяйства, в том числе и на здравоохранение, является чрезвычайно актуальным.

Целью исследования явилось изучение возможностей самоорганизующихся карт Кохонена для кластеризации регионов по показателям заболеваемости социально-значимыми заболеваниями для выделения регионов, в которых требуется усиление мер борьбы с социально-значимыми заболеваниями.

Методы. Для кластеризации регионов использовались данные государственной статистики о заболеваемости социально-значимыми заболеваниями в 2006 и 2012 гг. в 79 регионах Российской Федерации. Кластеризация производилась с помощью самоорганизующихся карт Кохонена, реализованных в компьютерной платформе BaseGroup Labs Deductor Studio. По результатам кластеризации регионы разделялись на 3 кластера: благополучный, переходный и неблагополучный кластеры.

Результаты работы. По результатам кластерного анализа регионов в 2006 г. состояние по социально-значимым заболеваниям в России характеризуется относительным благополучием – большинство регионов отнесены в переходный кластер. По результатам кластеризации в 2012 г., сделано заключение, что неблагополучный и переходный кластеры имеют тенденцию к уменьшению, а число регионов, входящих в благополучный кластер растет. На примере Красноярского края и Тверской области определены граничные показатели заболеваемости, которых необходимо достичь, для того чтобы данные регионы попали в более благополучные кластеры.

Выводы. Рассмотренный нами подход к кластеризации регионов по данным о заболеваемости социально-значимыми заболеваниями с использованием самоорганизующихся карт Кохонена позволяет определить текущее состояние региона по этим показателям, тенденцию к изменению положения региона в Российской Федерации и определить граничные показатели, которые необходимо достичь для улучшения состояния по социально-значимым заболеваниям.

Область применения результатов. Предложенный подход к кластеризации регионов и определения граничных показателей возможно использовать для определения регионов, в которых требуется разработка мероприятий, направленных на борьбу с конкретными социально-значимыми заболеваниями.

Abstract. Significance. In the context of severe shortage of budgets at all levels, planning expenditures on certain areas of the national economy including healthcare, is extremely relevant.

The purpose of the study was to explore capabilities of self-organizing Kohonen maps for clustering regions according to their morbidity rates with socially significant diseases to identify regions that require strengthening of measures to control socially significant diseases.

Methods. To cluster regions we used national statistics on morbidity with socially significant diseases in 2006 and 2012 in 79 regions of the Russian Federation. Regions were clustered using Kohonen self-organizing maps, implemented in BaseGroup Labs Deductor Studio computer platform. According to the results the regions were divided into 3 clusters: favorable, in transition and problem clusters.

Results. According to results of the cluster analysis of regions in 2006, situation with socially significant diseases in Russia is rather favorable; the majority of regions were assigned to the transition cluster. Based on results of the 2012 clustering the following conclusion was made: problem clusters and clusters in transition tend to shrink, while the number of the regions in the favorable cluster grows. Target boundary indicators were identified to change cluster for a more favorable one as exemplified by the Krasnoyarsk and Tver regions.

Conclusions. The considered approach towards clustering regions according to data on morbidity with socially significant diseases using Kohonen self-organizing maps helps to determine current state of the region regarding these indicators, tendency towards changing position of the region in the Russian Federation and to identify target boundary indicators to improve situation with socially significant diseases.

Scope of application. The proposed approach to cluster regions and define boundary indicators can be used to identify regions that require development of measures to control specific socially significant diseases.

Ключевые слова: кластеризация регионов; искусственные нейронные сети; социально-значимые заболевания; самоорганизующиеся карты Кохонена.

Keywords: regions’ clustering; artificial neural network; socially significant diseases; Kohonen self-organizing maps.

В настоящее время, в условиях острого дефицита бюджетов всех уровней, планирование расходования денежных средств на отдельные сферы народного хозяйства является чрезвычайно актуальным [1, 4, 6]. Одной из таких сфер является здравоохранение. Анализ региональных статистических данных, содержащих динамику основных эпидемиологических показателей, позволяет получить полезную информацию о месте субъекта федерации в структуре Российской Федерации, тенденциях и перспективах его развития, а также выявить слабые и сильные стороны текущего положения [3]. Одними из показателей социально-экономического положения региона являются показатели заболеваемости социально-значимыми заболеваниями. К таким заболеваниям относятся наркомания и токсикомания, туберкулез, злокачественные новообразования, сифилис и гонорея, психические расстройства и расстройства поведения, алкоголизм и алкогольные психозы, ВИЧ-инфекция, сахарный диабет, гепатиты В и С, а также болезни, характеризующиеся повышенным кровяным давлением.

Возможным подходом к комплексному анализу заболеваемости социально-значимыми заболеваниями с целью определения регионов со схожей ситуацией является один из методов кластерного анализа - самоорганизующиеся карты Кохонена. Самоорганизующиеся карты Кохонена помимо моделирования процессов кластеризации на нейросетевой основе позволяют визуализировать полученные кластеры [2, 7, 8, 9]. Кроме того, преимуществами данного метода кластеризации по сравнению с большинством других методов районирования является устойчивость к выскакивающим данным, быстрое и не требующее от исследователя активных действий обучение, а также позволяет осуществлять кластеризацию на основе нескольких показателей одновременно [7].

Цель исследования: изучение возможностей самоорганизующихся карт Кохонена для кластеризации регионов по показателям заболеваемости социально-значимыми заболеваниями для выявления регионов, которым требуется усиление мер борьбы с социально-значимыми заболеваниями.

Материалы и методы

Для кластеризации регионов использовались данные государственной статистики о заболеваемости социально-значимыми заболеваниями в 2006 и 2012 гг. в 79 регионах Российской Федерации полученные из открытых источников с сайта Федеральной службы государственной статистики. Использовались показатели заболеваемости: туберкулезом, злокачественными новообразованиями, сифилисом и гонореей, психическими расстройствами и расстройствами поведения (кроме наркомании, токсикомании, алкоголизма и алкогольных психозов), наркоманией, токсикоманией, алкоголизмом и алкогольными психозами, а также о заболеваемости ВИЧ-инфекцией, сахарным диабетом, гепатитами В, С и болезнями, характеризующиеся повышенным кровяным давлением. Данный спектр заболеваний был выбран на основании постановления Правительства Российской Федерации от 1 декабря 2004 г. №715 «Об утверждении перечня социально значимых заболеваний и перечня заболеваний, представляющих опасность для окружающих» [5].

Кластеризация производилась с помощью самоорганизующихся карт Кохонена, реализованных в компьютерной платформе BaseGroup Labs Deductor Studio.

По результатам кластеризации регионы разделялись на 3 кластера: благополучный, переходный и неблагополучный. Наименования кластеров определены на основании показателей заболеваемости в регионах, входящих в данные кластеры. Регионы, входящие в благополучный кластер, комплексно характеризуются низкими показателями заболеваемости относительно других регионов. Регионы, входящие в неблагополучный кластер, наоборот, комплексно характеризуются высокими показателями заболеваемости относительно других регионов. В регионах, входящих в переходный кластер, показатели заболеваемости социально-значимыми заболеваниями находятся на относительно среднем уровне. Количество кластеров определяется исследователем до начала обучения нейронной сети. По нашему мнению 3 кластера наиболее поддаются интерпретации и наиболее полно характеризуют каждую группу регионов.

Состояние регионов в 2006 и 2012 гг., а также переход из одного кластера в другой показаны на примере Красноярского края и Тверской области.

Результаты и обсуждение

На рисунке 1 представлены результаты нейросетевой кластеризации регионов по данным о заболеваемости социально-значимыми заболеваниями за 2006 г. Путем обучения без учителя нейронной сети Кохонена была сформирована карта, которая автоматически была разбита на 3 кластера (правое нижнее окно рисунка 1).

Рис.1
Рис. 1. Кластеризация регионов в 2006 г. (0 кластер – благополучные регионы, 1 кластер – переходные регионы, 2 кластер – неблагополучные регионы)

По результатам кластерного анализа регионов в 2006 г. в благополучный кластер было отнесено 15 субъектов из включенных в анализ. Большинство регионов были отнесены в переходный кластер (55 регионов), а в неблагополучный кластер вошли 9 регионов.

Такая структура кластеров свидетельствует об относительно благоприятной ситуации по социально-значимым заболеваниям в регионах и в Российской Федерации в целом. Однако ситуация в неблагополучных регионах требует дальнейшего анализа ситуации по данным заболеваниям.

На рисунке 2 представлены результаты кластеризации регионов на основании показателей заболеваемости социально-значимыми заболеваниями в 2012 году.

Рис.2
Рис. 2. Кластеризация регионов в 2012 г. (0 кластер – переходные регионы, 1 кластер – благополучные регионы, 2 кластер – неблагополучные регионы)

Структура кластеров в 2012 г. по сравнению с 2006 г. изменилась. В неблагополучном кластере осталось 7 регионов, переходный кластер уменьшился до 24 регионов, а благополучный увеличился до 48 регионов (рис. 3).

Рис.3
Рис. 3. Структура кластеров в 2006 и 2012 годах

Как показано на рисунке 3 с 2006 по 2012 гг. происходит существенное изменение объема кластеров. Неблагополучный кластер имеет тенденцию к уменьшению, что является благоприятным прогностическим признаком изменения ситуации по социально-значимым заболеваниям в регионах и Российской Федерации в целом. Для дальнейшего улучшения ситуации по социально-значимым заболеваниям необходимы активизация борьбы с данными заболеваниями.

В таблице 1 приведены показатели заболеваемости социально-значимыми заболеваниями и результаты кластеризации всех 79 регионов, включенных в анализ. По данным приведенным в таблице 1 в период с 2006 по 2012 год 52 региона перешли в более благополучный кластер, из них 46 регионов перешли из переходного в благополучный кластер и 6 – из неблагополучного в переходный.

Таблица 1

Показатели заболеваемости социально-значимыми заболеваниями регионов и результаты кластеризации

Регион 2006 год 2012 год Кластер в 2006 году Кластер в 2012 году
Актив-
ный тубер-
кулез
Зло-
каче-
ствен-
ные ново-
обра-
зова-
ния
Си-
фи-
лис
Го-
но-
рея
Психи-
ческие рас-
строй-
ства и рас-
строй-
ства пове-
дения
Ал-
кого-
лизм и алко-
голь-
ные пси-
хозы
Нар-
ко-
ма-
ния
Ток-
си-
ко-
ма-
ния
Ге-
па-
тит В
Ге-
па-
тит С
Са-
хар-
ный диа-
бет
Бо-
ле-
зни, харак-
тери-
зую-
щие-
ся по-
вы-
шен-
ным кро-
вяным
дав-
лением
ВИЧ-
инфек-
ция
Актив-
ный тубер-
кулез
Зло-
каче-
ствен-
ные ново-
обра-
зова-
ния
Си-
фи-
лис
Го-
но-
рея
Психи-
ческие рас-
строй-
ства и рас-
строй-
ства пове-
дения
Ал-
кого-
лизм и алко-
голь-
ные пси-
хозы
Нар-
ко-
ма-
ния
Ток-
си-
ко-
ма-
ния
Ге-
па-
тит В
Ге-
па-
тит С
Са-
хар-
ный диа-
бет
Бо-
ле-
зни, харак-
тери-
зую-
щие-
ся по-
вы-
шен-
ным кро-
вяным
дав-
лением
ВИЧ-
инфек-
ция
   
1 Белгородская
область
62,3 347,8 32,9 42,6 400,1 93,2 9,5 0,4 3,0 3,6 299,1 1509,2 7,6 39,1 392,8 10,5 29,2 23,4 74,7 2,3 0,6 0,8 1,2 329,4 1052,4 11,6 2 1
2 Брянская
область
88,2 346,3 72,5 42,1 228,3 231,8 11,5 0,5 5,8 2,5 255,6 695,1 12,0 73,9 422,3 25,3 12,0 40,7 135,0 15,5 0,1 1,7 1,4 343,2 913,6 16,9 2 1
3 Владимирская
область
81,1 313,2 57,6 46,9 426,4 161,5 5,7 0,7 8,0 2,0 244,8 436,6 16,7 61,5 337,5 15,3 33,4 43,3 89,1 9,9 0,4 2,7 1,5 291,8 299,6 28,4 2 1
4 Воронежская
область
65,5 303,6 41,0 38,7 559,8 172,4 12,3 0,4 3,9 3,1 239,8 920,0 4,7 45,2 382,4 11,3 13,8 83,0 111,7 18,1 0,4 1,5 1,4 249,8 789,8 5,9 2 1
5 Ивановская
область
61,4 371,7 50,9 33,5 577,6 204,9 9,6 6,7 11,9 3,4 246,4 666,0 35,3 50,0 441,4 35,9 15,8 32,9 129,1 9,1 0,9 3,5 1,5 354,6 494,3 61,9 1 2
6 Калужская
область
73,2 361,1 48,3 30,1 256,7 161,5 5,3 0,1 8,9 7,2 186,7 726,6 10,6 59,6 451,0 16,7 25,2 20,6 100,0 6,7 0,5 2,7 2,2 217,8 363,5 23,3 2 1
7 Костромская
область
46,3 349,9 43,8 32,0 305,0 130,8 6,2 1,7 5,1 2,2 224,3 505,1 16,6 47,2 409,2 18,3 26,2 30,7 96,6 13,6 0,5 1,7 2,3 232,2 328,2 25,4 2 1
8 Курская
область
79,2 363,5 92,1 64,7 314,6 209,0 33,3 1,0 8,2 5,1 193,9 473,2 7,2 53,3 429,8 37,8 43,7 51,1 110,1 10,1 0,2 2,0 1,6 210,5 210,6 10,4 2 1
9 Липецкая
область
74,5 350,0 51,4 86,1 369,2 207,1 14,7 0,6 3,8 1,5 193,4 556,4 7,5 47,8 407,1 38,6 43,7 40,5 102,9 9,4 0,1 0,8 0,5 223,0 422,4 9,7 2 1
10 Московская
область
52,5 327,4 62,7 44,4 300,9 118,7 15,0 1,6 8,7 7,4 226,7 485,9 43,0 43,1 339,3 23,4 16,6 29,5 66,8 16,6 0,3 1,6 1,7 237,3 450,9 56,5 1 2
11 Орловская
область
59,7 351,4 49,6 35,2 507,8 126,0 2,8 0,2 5,0 2,5 133,2 699,6 11,2 41,2 411,9 27,7 33,9 23,5 134,9 3,1 0,3 1,3 0,1 283,1 586,1 17,9 2 1
12 Рязанская
область
78,7 400,3 53,0 37,9 407,1 145,0 7,2 0,6 5,6 1,5 216,9 638,4 24,4 55,5 455,1 17,7 13,4 36,2 79,7 9,7 0,1 1,1 0,2 292,5 552,6 27,2 1 1
13 Смоленская
область
100,9 306,0 65,6 48,9 314,4 204,3 15,3 1,1 7,4 4,2 197,3 636,4 16,1 74,8 371,6 29,0 22,3 36,6 126,3 20,1 0,3 0,8 0,8 291,9 560,6 18,9 2 1
14 Тамбовская
область
65,7 358,5 37,7 23,0 393,5 136,0 2,6 0,5 5,3 1,8 204,6 1108,3 7,3 51,9 415,7 20,1 18,3 28,3 88,1 3,0 0,3 0,8 1,2 267,0 778,2 12,6 2 1
15 Тверская
область
81,4 364,0 73,7 54,3 593,6 183,7 10,8 0,5 10,0 2,6 220,9 471,4 43,2 61,3 424,2 21,1 19,3 43,0 100,4 6,1 0,1 2,3 0,8 263,4 587,1 56,2 1 2
16 Тульская
область
79,3 348,3 51,0 34,5 422,6 171,6 6,1 0,8 6,0 1,8 259,5 895,4 29,5 61,1 415,5 36,4 17,3 42,8 82,2 3,5 0,1 0,6 1,1 277,5 679,6 42,4 1 2
17 Ярославская
область
60,9 373,3 49,7 44,4 359,9 143,8 3,9 0,1 6,6 7,2 261,7 566,5 10,8 45,3 487,4 25,1 28,1 65,2 102,6 8,4 0,2 0,9 2,1 321,5 310,4 15,3 2 1
18 г. Москва 36,4 326,3 45,0 27,9 404,1 66,9 13,2 0,4 5,2 4,2 195,6 365,5 41,5 40,1 331,3 18,4 8,9 30,3 49,8 16,2 0,2 2,7 2,1 203,3 323,7 60,6 1 2
19 Республика
Карелия
68,6 294,2 71,0 127,0 474,2 239,2 5,2 4,9 6,4 5,9 213,9 607,3 8,3 52,5 399,2 11,4 78,6 31,8 150,4 5,6 1,4 0,6 1,1 296,6 463,3 19,9 2 1
20 Республика
Коми
81,2 245,4 75,2 134,7 492,6 208,4 19,8 1,7 7,7 6,4 153,8 355,4 13,6 74,2 350,8 22,7 81,8 29,6 112,7 14,2 0,5 0,8 2,5 296,5 346,5 23,8 2 1
21 Архангельская
область
73,3 291,4 58,6 96,7 576,6 115,2 1,4 1,2 4,4 1,4 203,4 536,5 3,3 43,0 414,8 46,5 85,7 26,7 73,5 4,0 1,5 0,7 1,0 281,8 592,3 9,6 2 1
22 Вологодская
область
45,8 333,7 51,9 109,8 411,4 131,2 9,7 1,3 8,2 2,9 190,6 745,9 11,0 40,3 353,4 30,7 45,1 36,5 86,3 14,2 0,2 0,7 0,9 234,4 519,3 16,8 2 1
23 Калининградская
область
134,8 290,0 101,6 47,6 555,0 109,9 13,3 0,7 9,3 4,6 190,1 282,5 50,4 70,5 354,5 42,1 25,1 39,4 76,5 3,7 0,3 4,7 2,9 259,2 374,6 46,4 3 2
24 Ленинградская
область
73,6 277,2 61,7 25,4 265,8 144,7 26,5 1,0 10,6 11,0 174,4 586,5 59,2 63,9 322,2 18,0 13,4 20,1 71,0 10,6 0,3 1,8 2,0 182,5 515,2 65,3 3 2
25 Мурманская
область
58,1 278,6 64,1 86,2 391,7 141,3 36,8 2,7 8,3 3,5 176,9 388,1 43,0 35,7 376,1 20,0 40,6 12,9 104,1 25,2 0,3 0,6 2,3 217,9 298,1 44,9 1 2
26 Новгородская
область
68,2 364,8 99,3 64,9 242,5 225,6 15,4 3,3 6,7 3,3 224,5 1354,1 15,0 56,4 433,4 26,3 61,8 92,7 120,4 11,0 1,0 1,8 1,8 253,1 1006,0 60,7 2 2
27 Псковская
область
86,6 351,5 68,2 31,9 227,4 178,3 8,8 0,4 4,8 1,8 211,5 331,7 6,1 67,4 443,4 19,1 23,8 46,2 133,8 11,7 1,1 0,9 1,2 360,7 376,2 15,9 2 1
28 г. Санкт-Петербург 40,6 347,4 47,1 38,4 376,8 72,9 28,7 0,3 9,7 9,7 187,1 534,1 89,0 45,2 393,9 55,4 14,4 109,2 38,5 14,9 0,2 2,2 2,1 221,9 336,5 75,1 3 2
29 Республика
Адыгея
78,3 330,8 32,8 33,0 186,4 126,7 50,2 2,3 4,5 1,6 188,2 284,6 4,7 66,1 408,4 19,8 17,6 39,9 110,3 12,4 0,6 1,8 1,4 200,7 435,2 13,3 2 1
30 Республика
Дагестан
62,0 132,3 16,3 47,2 316,2 37,7 20,0 0,5 8,2 1,9 97,2 718,8 9,2 40,7 136,2 4,4 33,0 78,0 28,7 14,5 1,8 0,6 0,2 86,4 635,8 7,1 2 1
31 Республика
Ингушетия
37,4 108,4 10,0 33,9 57,2 2,9 6,7 1,5 2,7 3,7 82,3 1042,6 13,3 59,4 137,0 8,5 18,6 47,9 0,7 0,7 0,6 0,2 0,5 109,8 2947,9 13,7 2 1
32 Кабардино-
Балкарская
Республика
54,7 209,9 30,7 8,4 149,0 85,8 37,6 0,8 4,0 3,0 122,8 357,5 5,6 35,6 251,2 21,1 8,0 59,5 63,9 17,2 0,2 0,3 1,4 130,3 361,7 8,4 2 1
33 Республика
Калмыкия
128,2 223,0 46,2 74,3 197,3 92,7 29,2 1,5 10,7 2,4 135,4 641,5 4,5 96,0 246,0 7,7 44,8 54,3 60,6 4,6 0,6 0,4 0,4 220,4 370,7 5,9 2 1
34 Карачаево-Черкесская
Республика
49,3 279,9 34,2 49,1 203,4 69,8 45,3 1,5 6,5 3,0 193,2 493,4 6,3 38,5 276,6 18,2 36,1 29,8 34,4 4,6 0,2 0,4 0,6 224,2 654,8 7,8 2 1
35 Республика Северная
Осетия-
Алания
62,5 266,1 28,2 97,5 291,2 66,4 13,0 1,5 6,3 5,5 202,9 414,6 10,8 52,7 337,6 19,9 48,8 35,0 52,7 3,5 0,6 0,7 0,7 168,7 616,9 14,1 2 1
36 Краснодарский
край
60,9 362,7 46,8 27,7 322,9 99,1 43,3 0,4 7,5 4,0 250,7 599,3 14,5 63,2 425,2 27,8 16,4 21,1 51,8 6,0 0,1 0,8 0,6 285,2 605,5 27,8 2 1
37 Ставропольский
край
66,4 327,5 32,5 38,7 125,1 58,8 23,5 0,2 7,6 3,9 174,2 376,2 3,4 51,8 358,2 15,0 21,6 52,5 42,5 9,2 0,4 0,7 1,0 231,3 651,4 8,9 2 1
38 Астраханская область 88,0 317,4 75,6 103,6 352,2 166,0 12,9 0,5 7,8 1,8 205,2 320,4 5,7 105,6 349,7 20,5 63,5 23,8 84,8 5,1 0,1 1,4 2,4 233,9 199,6 11,6 2 1
39 Волгоградская область 106,8 373,7 46,5 41,1 384,5 137,9 17,9 0,9 4,9 2,1 188,3 507,0 20,1 86,5 419,1 12,7 22,3 9,8 73,7 15,0 0,6 1,0 0,9 210,6 341,6 35,4 2 1
40 Ростовская область 72,8 336,7 52,2 33,0 229,8 100,9 8,4 0,7 5,8 0,9 234,1 754,4 3,4 59,7 392,5 25,4 21,8 38,0 56,3 12,8 0,4 1,4 0,8 259,0 715,0 14,3 2 1
41 Республика Башкортостан 55,0 269,1 77,6 49,0 188,4 130,4 9,7 0,7 5,3 2,8 178,9 1365,7 17,1 46,1 287,9 26,6 26,2 58,5 88,5 9,5 0,3 1,1 2,0 230,6 1080,8 61,4 2 2
42 Республика
Марий Эл
66,1 254,8 107,6 71,8 272,9 144,5 7,9 0,7 7,6 2,7 187,6 625,0 12,8 73,6 279,4 40,4 43,1 98,8 115,7 4,6 0,3 0,9 0,4 250,2 519,7 18,6 2 1
43 Республика Мордовия 69,0 351,5 69,8 50,5 558,2 176,4 3,6 0,2 6,3 1,9 205,5 497,7 11,9 48,8 401,7 33,5 28,7 32,4 115,9 6,8 0,4 0,4 0,2 238,7 419,3 16,2 2 1
44 Республика Татарстан 61,1 255,3 45,1 92,9 226,1 108,4 19,4 0,5 4,6 1,5 197,1 1483,7 20,2 47,6 361,5 28,8 64,3 70,9 70,7 7,5 0,4 0,8 0,9 228,5 580,9 31,3 2 1
45 Удмуртская Республика 82,3 269,3 126,5 123,6 325,6 117,9 14,7 0,7 9,1 2,3 202,7 399,4 20,5 60,2 356,5 57,1 63,0 52,6 110,1 8,3 0,1 0,8 2,2 237,6 341,6 36,2 2 1
46 Чувашская Республика 81,6 208,9 47,1 99,4 584,5 178,7 2,7 0,4 8,4 1,8 135,9 805,0 10,4 65,1 279,5 24,5 79,4 52,4 114,3 2,4 0,1 1,2 0,5 171,9 489,6 14,1 2 1
47 Кировская
область
70,7 304,2 70,7 94,3 528,7 148,6 6,1 0,4 4,2 1,7 200,6 593,9 4,6 61,3 389,6 34,5 57,0 42,2 93,4 1,6 0,2 0,5 1,1 286,0 432,9 9,2 2 1
48 Нижегородская область 83,7 363,3 60,6 47,8 220,9 124,5 7,1 1,1 4,6 2,0 236,7 478,9 15,2 52,3 398,5 24,6 23,0 32,9 80,0 18,2 0,4 1,7 1,0 274,9 361,2 58,0 2 2
49 Оренбургская область 111,2 353,8 99,5 79,4 459,2 167,6 10,9 0,8 5,4 5,2 229,3 723,3 65,6 88,0 415,0 30,7 67,8 81,1 123,0 8,0 0,3 0,7 1,4 249,2 480,4 86,1 3 2
50 Пензенская область 73,2 349,4 53,6 48,8 542,3 234,0 7,3 0,6 5,0 3,3 217,7 726,5 8,7 52,5 440,4 20,5 18,9 34,7 134,6 9,6 0,5 1,5 2,0 281,9 702,0 28,5 2 1
51 Пермская
область
116,8 284,4 114,7 103,0 558,1 241,7 44,5 2,7 7,2 2,7 200,1 542,9 25,3 81,6 350,3 60,8 54,0 52,0 134,4 15,3 0,4 2,2 1,1 232,7 360,0 100,1 1 3
52 Самарская область 79,6 387,5 56,4 51,5 318,5 133,3 19,7 1,0 7,1 4,5 282,8 604,8 88,1 83,7 446,7 29,7 27,4 22,7 93,2 13,7 0,2 2,1 1,8 240,3 788,8 112,8 3 3
53 Саратовская область 73,1 322,0 75,9 42,7 334,0 114,3 5,9 1,8 5,2 3,4 232,0 621,6 26,0 61,5 412,2 34,7 24,1 86,7 103,9 9,0 0,7 1,8 2,1 267,4 869,3 43,2 1 2
54 Ульяновская область 76,5 312,1 53,5 41,1 289,5 169,5 12,4 1,5 4,4 2,8 194,8 482,6 58,1 73,1 398,6 16,3 28,2 27,5 130,9 12,1 0,5 0,4 0,6 308,1 373,5 74,0 3 2
55 Курганская область 138,2 340,9 57,5 77,1 334,7 173,5 35,8 1,9 5,0 5,7 222,4 825,2 19,5 125,6 473,3 26,9 49,4 14,7 121,8 16,9 0,7 1,9 3,3 377,0 755,5 94,7 2 3
56 Свердловская область 104,9 332,2 70,7 71,7 352,3 107,3 31,0 1,9 4,3 7,3 216,6 767,2 78,1 100,1 387,3 33,8 55,1 53,6 99,3 29,4 1,3 1,0 3,5 258,9 414,4 136,1 3 3
57 Тюменская область 118,4 214,1 47,1 89,0 530,7 166,5 26,8 1,5 8,3 4,2 226,0 858,5 52,7 76,6 262,9 22,4 51,7 34,3 88,8 13,2 0,3 1,5 3,0 293,4 464,5 86,9 3 2
58 Челябинская область 75,4 347,7 63,4 63,2 454,1 157,9 20,6 4,9 5,2 4,1 174,4 483,4 40,8 69,9 407,4 24,3 31,7 71,0 104,1 31,2 1,9 1,3 3,4 231,3 348,6 80,6 1 2
59 Республика
Алтай
126,9 239,1 114,7 76,1 285,0 240,6 6,3 4,9 6,4 0,0 211,8 1481,5 5,4 89,8 247,9 50,1 62,6 75,0 102,2 3,8 0,5 0,5 1,4 164,3 1290,9 23,5 2 1
60 Республика Бурятия 173,9 242,1 107,8 173,5 209,1 68,6 3,4 2,2 15,1 1,9 151,0 727,1 29,2 115,7 252,1 72,9 166,3 16,1 52,1 5,1 0,3 1,3 0,1 301,6 586,2 50,6 1 2
61 Республика
Тыва
245,7 147,3 334,0 183,8 151,5 95,5 21,0 1,3 17,5 2,9 55,0 690,7 4,2 205,2 177,2 198,1 141,0 32,6 86,8 4,2 0,6 0,6 0,6 98,7 245,2 4,5 2 1
62 Республика Хакасия 118,5 247,1 197,4 142,5 288,2 168,2 19,2 1,5 9,3 4,1 209,1 545,2 7,2 96,7 357,1 72,7 91,3 77,4 83,9 12,8 0,8 1,3 0,9 261,9 431,7 16,3 2 1
63 Алтайский
край
142,3 354,3 61,0 65,5 1267,5 202,4 35,2 0,6 9,4 5,5 252,2 1948,4 17,3 114,2 458,5 38,7 27,4 48,4 139,2 33,5 0,9 1,9 1,7 309,3 1449,7 74,5 2 2
64 Красноярский край 104,2 285,9 78,6 77,5 475,5 173,5 28,6 1,1 6,8 4,4 158,9 864,0 23,8 95,2 350,4 58,1 52,3 46,7 126,5 20,8 0,4 0,8 1,1 234,4 644,1 59,5 1 2
65 Иркутская
область
125,3 318,3 130,9 152,7 380,8 222,5 43,4 3,4 10,2 7,7 168,5 784,4 86,3 137,9 413,5 75,4 90,6 102,5 158,7 23,6 0,5 1,3 2,4 242,3 735,4 135,5 3 3
66 Кемеровская область 153,5 297,3 106,2 122,9 396,0 143,4 52,9 1,3 17,9 8,5 172,9 883,2 37,9 117,8 350,4 86,5 60,0 88,3 71,7 24,7 0,2 2,1 0,8 139,0 830,8 219,4 1 3
67 Новосибирская область 137,9 383,8 65,8 67,9 218,7 102,2 27,1 0,8 7,5 1,9 190,0 944,9 14,4 115,6 421,2 44,6 32,7 38,4 52,7 23,3 0,4 0,4 0,7 266,0 793,0 113,6 2 3
68 Омская бласть 121,5 348,1 72,0 87,2 446,4 79,4 12,7 2,5 7,7 4,5 149,7 1204,7 4,6 94,1 415,7 52,2 59,2 56,2 71,4 9,5 0,2 0,8 0,6 195,9 1748,7 42,5 2 2
69 Томская область 107,9 337,4 126,5 152,3 513,2 132,2 13,9 0,4 7,7 4,7 201,8 567,0 6,4 62,5 435,7 51,3 62,1 47,3 59,1 8,3 0,3 2,9 1,3 271,6 450,2 20,9 2 1
70 Читинская область 106,5 230,5 130,1 69,1 387,4 161,5 7,3 1,3 9,4 4,1 148,3 797,7 23,7 88,1 280,4 74,6 51,9 46,9 101,2 5,3 0,6 0,8 0,6 170,7 697,5 38,9 1 1
71 Республика
Саха (Якутия)
82,3 189,1 61,6 161,5 212,1 292,9 7,5 2,7 4,8 1,5 226,3 946,4 6,0 81,5 225,4 45,5 132,6 60,0 235,8 6,4 1,4 0,8 0,5 303,4 762,9 10,1 2 1
72 Приморский
край
165,2 278,0 93,0 47,2 563,1 129,6 29,4 3,5 11,2 5,1 134,9 488,4 32,4 163,2 347,0 63,4 32,0 41,1 86,8 23,3 1,2 2,4 1,9 130,5 207,0 41,8 1 2
73 Хабаровский
край
122,2 289,4 114,8 174,3 257,7 166,4 8,8 0,1 7,7 2,9 189,5 286,5 8,6 120,3 385,8 62,5 73,5 39,7 124,9 12,3 0,1 0,8 0,8 179,4 249,8 18,3 2 1
74 Амурская
область
142,5 275,7 161,8 179,6 341,2 159,0 27,2 4,8 12,0 5,5 212,5 343,8 3,7 110,0 346,3 110,7 88,4 79,2 105,1 24,3 1,5 0,5 1,3 254,6 345,8 6,3 2 1
75 Камчатская область 82,7 278,3 32,7 89,6 322,8 184,4 4,3 0,6 6,7 4,9 199,6 874,3 4,9 97,7 361,8 48,7 58,1 38,7 138,3 12,8 0,6 1,6 1,6 209,1 2123,9 13,1 2 1
76 Магаданская область 81,2 266,4 58,2 115,3 374,0 536,9 34,7 2,9 4,9 3,8 225,8 551,0 6,4 72,3 376,7 11,1 87,3 48,9 238,6 19,6 3,9 0,7 3,9 258,8 224,9 42,1 2 2
77 Сахалинская область 111,5 320,4 67,2 104,8 278,4 506,2 34,8 5,9 8,0 4,3 207,0 688,7 7,8 79,5 436,5 46,7 87,4 65,9 246,6 27,7 0,8 1,8 1,0 266,8 426,0 16,8 2 1
78 Еврейская автономная область 131,7 297,7 113,4 144,6 390,7 193,5 15,0 1,1 25,5 4,3 184,9 492,2 3,2 174,0 363,0 106,6 122,7 39,2 120,4 30,0 0,6 0,6 1,2 192,5 442,0 17,2 2 1
79 Чукотский автономный
округ
63,4 249,5 663,3 376,2 526,7 552,4 4,0 4,0 9,9 2,0 87,1 1346,4 15,8 129,7 302,6 15,7 64,9 255,5 410,7 21,4 3,9 2,0 1,4 143,5 556,2 53,0 2 2

Примечание: в столбцах «Кластер 2006 года» и «Кластер 2012 года» 1 – благополучный кластер, 2 – переходный кластер, 3 – неблагополучный кластер

При этом не перешли в другой кластер в период с 2006 по 2012 год 12 регионов, из них 2 региона остались в благополучном кластере, 7 – в переходном, 3 – в неблагополучном. Перешли в более неблагополучный кластер 15 регионов, из них 11 регионов перешли из благополучного в переходный кластер, 2 – из переходного в неблагополучный, 2 – из благополучного в неблагополучный.

Изучение динамики изменения кластеров позволяет выделить регионы, в которых требуется проведение анализа причин такого перехода. Переход региона из благополучного кластера в переходный может служить индикатором необходимости анализа такого ухудшения состояния по социально-значимым заболеваниям.

Например, по результатам кластерного анализа регионов в 2012 г. Красноярский край и Тверская область перешли из благоприятного в переходный кластер, что свидетельствует об ухудшении показателей заболеваемости социально-значимыми заболеваниями в данных регионах относительно других субъектов Российской Федерации.

Использование платформы Deductor Studio помимо кластеризации и визуализации кластеров позволяет определить граничные показатели заболеваемости, которых необходимо достичь, для того чтобы регион попал в более благополучный кластер. Фактические и граничные показатели заболеваемости социально-значимыми заболеваниями в Красноярском крае и Тверской области представлены в таблицах 2 и 3.

Таблица 2

Фактические и граничные показатели заболеваемости в Красноярском крае в 2012 году (число случаев на 100 000 населения)

Заболевания Фактическая заболеваемость в 2012 году Граничная заболеваемость
Туберкулез 95,2 61,5
Злокачественные новообразования 350,4 350,4
Сифилис 58,1 34,7
Гонорея 52,3 24,1
Психические расстройства и расстройства поведения 46,7 46,7
Алкоголизм и алкогольные психозы 126,5 103,9
Наркомания 20,8 9,0
Токсикомания 0,4 0,4
Гепатит В 0,8 0,8
Гепатит С 1,1 1,1
Сахарный диабет 234,4 234,4
Болезни, характеризующиеся повышенным кровяным давлением 644,1 644,1
ВИЧ-инфекция 59,5 43,2

Данные таблицы 2 свидетельствуют, что для попадания в благополучный по социально-значимым заболеваниям кластер в Красноярском крае необходима разработка мер борьбы с туберкулезом, сифилисом, гонореей, алкоголизмом и ВИЧ-инфекцией.

В Тверской области спектр социально-значимых заболеваний, заболеваемость которыми требует снижения для попадания в благополучный кластер, меньше, чем в Красноярском крае (табл. 3). Так, в Тверской области необходима разработка мероприятий по усилению борьбы со злокачественными новообразованиями, гепатитом В и ВИЧ-инфекцией.

Таблица 3

Фактические и граничные показатели заболеваемости в Тверской области в 2012 году (число случаев на 100 000 населения)

Заболевания Фактическая заболеваемость в 2012 году Граничная заболеваемость
Туберкулез 61,3 61,3
Злокачественные новообразования 424,2 412,2
Сифилис 21,1 21,1
Гонорея 19,3 19,3
Психические расстройства и расстройства поведения 43,0 43,0
Алкоголизм и алкогольные психозы 100,4 100,4
Наркомания 6,1 6,1
Токсикомания 0,1 0,1
Гепатит В 2,3 1,8
Гепатит С 0,8 0,8
Сахарный диабет 263,4 263,4
Болезни, характеризующиеся повышенным кровяным давлением 587,1 587,1
ВИЧ-инфекция 56,2 43,2

Несмотря на то, что в течение последующих периодов времени уровень заболеваемости социально-значимыми заболеваниями в регионах изменится, и это может привести к изменению граничных значений показателей заболеваемости, они могут служить ориентиром для снижения бремени социально-значимых заболеваний в субъектах Российской Федерации.

Таким образом, рассмотренный нами подход к кластеризации регионов по показателям заболеваемости социально-значимыми заболеваниями с использованием самоорганизующихся карт Кохонена позволяет определить текущее состояние региона по данным показателям, тенденцию к изменению положения региона в Российской Федерации и определить граничные показатели, которые необходимо достичь для улучшения состояния по социально-значимым заболеваниям.

Библиография

  1. Артюхов И.П., Шульмин А.В., Денисов В.С., Козлов В.В. Планирование ресурсов здравоохранения муниципального образования с функционирующим вахтовым поселком. Сибирское медицинское обозрение 2012;(5):78-81.
  2. Ботвин Г., Забоев М. Кластеризация стран по макроэкономическим показателям с использованием аппарата искусственных нейронных сетей. РИСК: ресурсы, информация, снабжение, конкуренция 2011;(4):552-556.
  3. Куличенко В.П., Полубенцева Е.И., Рахаева И.В., Чертухина О.Б. Планирование оказания медицинской помощи, как инструмент управления системой здравоохранения региона. Вестник Санкт-Петербургского университета. Серия 11: Медицина 2011;(1):190-200.
  4. Москвичева М.Г., Щепилина Е.С., Щетинин В.Б., Якушев А.М., Савищева И.П. Анализ состояния здоровья населения как основа планирования медицинской помощи на региональном уровне. Бюллетень национального научно-исследовательского института общественного здоровья 2014;(2):86-91.
  5. Об утверждении перечня социально значимых заболеваний и перечня заболеваний, представляющих опасность для окружающих: постановление Правительства Российской Федерации от 01.12.2004 г. №715. [Интернет]. URL: http://base.garant.ru/12137881/ (Дата обращения 14 февраля 2015).
  6. Серегин В.И. Определение приоритетов в вопросах медицинской профилактики неинфекционных заболеваний на региональном уровне (по материалам опроса в системе первичной медико-санитарной помощи). Социальные аспекты здоровья населения [электронный научный журнал] 2014; 37 (3). URL: http://vestnik.mednet.ru/content/view/571/30/lang,ru/ (Дата обращения 14 февраля 2015).
  7. Хайкин С. Нейронные сети. Полный курс. Москва: Вильямс; 2006. 1104 с.
  8. Park S.H., Hosoishi S., Ogata K., Kuboki Y. Clustering of ant communities and indicator species analysis using self-organizing maps. Comptes rendus biologies 2014;337(9):545-52.
  9. Taşdemir K., Milenov P., Tapsall B. Topology-based hierarchical clustering of self-organizing maps. IEEE transactions on neural networks 2011;22(3):474-85.

References

  1. Artyukhov I.P., Shul'min A.V., Denisov V.S., Kozlov V.V. Planirovanie resursov zdravookhraneniya munitsipal'nogo obrazovaniya s funktsioniruyushchim vakhtovym poselkom [Planning of health care resources of the municipality with a functioning shift camps]. Sibirskoe meditsinskoe obozrenie 2012;(5):78-81. (In Russian)
  2. Botvin G., Zaboev M. Klasterizatsiya stran po makroekonomicheskim pokazatelyam s ispol'zovaniem apparata iskusstvennykh neyronnykh setey [Clustering country performance using artificial neural networks] // RISK: resursy, informatsiya, snabzhenie, konkurentsiya 2011;(4):552-556. (In Russian)
  3. Kulichenko V.P., Polubentseva E.I., Rakhaeva I.V., Chertukhina O.B. Planirovanie okazaniya meditsinskoy pomoshchi, kak instrument upravleniya sistemoy zdravookhraneniya regiona [Planning for health care, as a management tool of the health system in the region] // Vestnik Sankt-Peterburgskogo universiteta. Seriya 11: Meditsina 2011;(1):190-200. (In Russian)
  4. Moskvicheva M.G., Shchepilina E.S., Shchetinin V.B., Yakushev A.M., Savishcheva I.P. Analiz sostoyaniya zdorov'ya naseleniya kak osnova planirovaniya meditsinskoy pomoshchi na regional'nom urovne [Analysis of the health status of the population as a basis for health care planning at the regional level] // Rossiyskaya akademiya meditsinskikh nauk. Byulleten' natsional'nogo nauchno-issledovatel'skogo instituta obshchestvennogo zdorov'ya 2014;(2):86-91. (In Russian)
  5. Ob utverzhdenii perechnya sotsial'no znachimykh zabolevaniy i perechnya zabolevaniy, predstavlyayushchikh opasnost' dlya okruzhayushchikh [Approval of the list of socially significant diseases and the list of diseases that pose a danger to others] postanovlenie Pravitel'stva Rossiyskoy Federatsii ot 01.12.2004 g. №715. [Online]. 2004 [cited 2015 Feb 14]. Available from: http://base.garant.ru/12137881/ (In Russian).
  6. Seregin V.I. Opredelenie prioritetov v voprosakh meditsinskoy profilaktiki neinfektsionnykh zabolevaniy na regional'nom urovne (po materialam oprosa v sisteme pervichnoy mediko-sanitarnoy pomoshchi) [Prioritizing issues of medical prevention of noncommunicable diseases at the regional level (based on the survey in primary care)]. Sotsial'nye aspekty zdorov'ya naseleniya [serial online] 2014 [cited 2015 Feb 14]; 37(3). Available from: http://vestnik.mednet.ru/content/view/571/30/lang,ru/ (In Russian).
  7. Khaykin S. Neyronnye seti. Polnyy kurs [Neural Networks. Full course]. – M.: Vil'yams, 2006. – 1104s. (In Russian)
  8. Park S.H., Hosoishi S., Ogata K., Kuboki Y. Clustering of ant communities and indicator species analysis using self-organizing maps. Comptes rendus biologies 2014;337(9):545-52.
  9. Taşdemir K., Milenov P., Tapsall B. Topology-based hierarchical clustering of self-organizing maps. IEEE transactions on neural networks 2011;22(3):474-85.

Дата поступления 8 февраля 2016


Просмотров: 4002

Ваш комментарий будет первым

Добавить комментарий
  • Пожалуйста оставляйте комментарии только по теме.
  • Вы можете оставить свой комментарий любым браузером кроме Internet Explorer старше 6.0
Имя:
E-mail
Комментарий:

Код:* Code

Последнее обновление ( 28.07.2016 г. )
« Пред.   След. »
home contact search contact search