ВОЗМОЖНОСТИ ОЦЕНКИ РИСКА РАЗВИТИЯ НЕОТЛОЖНЫХ СОСТОЯНИЙ У РАБОТНИКОВ КОМПАНИЙ ТОПЛИВНО-ЭНЕРГЕТИЧЕСКОГО КОМПЛЕКСА НА ОСНОВЕ ОБУЧЕННОЙ ИНТЕЛЛЕКТУАЛЬНОЙ МОДЕЛИ

В статье представлено описание программного обеспечения (ПО), предназначенного для оценки факторов риска развития сердечно-сосудистых заболеваний на основе интеллектуальной модели, для разработки которой использовались данные более 5 000 работников компаний топливноэнергетического комплекса, работающих в условиях Крайнего Севера вахтовым методом. Одним из преимуществ ПО является объяснимая искусственная интеллекция для интерпретации предсказаний модели: графики, показывающие, какие переменные наиболее сильно влияли на прогноз; локальные объяснения – возможность для каждого конкретного прогноза понять, какие факторы «подтолкнули» модель к данному решению; анализ ошибок; интерактивная визуализация результатов.

1. Акберов М.А., Андоверова А.Г., Ануфриева Е.В. [и др.]. Современная медицинская организация: тренды, стратегии, проекты.Тюмень. РИЦ Айвекс. 2022. 312.

2. Akbar F., Sugiharto A., Putra MI.. et al. Analysis of the Relationship between Atherosclerosis Cardiovascular Disease Risk Profile and Occupational Profile to the WHO Cardiovascular Risk Chart 2019 for South-East Asia in Oil and Gas Industry. Indian J Occup Environ Med. 2024. 28 (3). 245–254. DOI: 10.4103/ijoem.ijoem_304_23.

3. Ветошкин А.С., Шуркевич Н.П., Симонян А.А. и др. Дисфункциональные типы пищевого поведения: гендерные различия, взаимосвязь с метаболическими факторами риска в условиях вахты в Арктике. Кардиоваскулярная терапия и профилактика. 2023. 22 (6). 14–24. DOI 10.15829/1728-8800-2023-356.

4. Селиверстов П.В. Психология адаптации пациентов к использованию искусственного интеллекта при проведении скрининга хронических неинфекционных заболеваний. Медицинский совет. 2024. 18 (23). 266–272. DOI 10.21518/ms2024-551.

5. Решетникова Ю.С., Каткова А.Л., Курмангулов А.А. и др. Возможности психофизиологической диагностики для определения факторов риска развития сердечно-сосудистых заболеваний у работников топливно-энергетического комплекса. Мир науки. Педагогика и психология. 2024. 12 (5).

6. Ikegami K., Ando H., Baba H. et al. Evaluation of self-administered questionnaire items used in regular health check-ups at the workplace by occupational health professionals. Sangyo Eiseigaku Zasshi. 2023. 65 (6). 347–354. DOI: 10.1539/sangyoeisei.2022-025-E.

7. Решетникова Ю.С., Скримскис А.М., Княжева Н.Н. и др. Опрос сотрудников компании как основа разработки корпоративной программы здоровьесбережения. Университетская медицина Урала. 2022. 8. 2 (29). 57–59.

8. Fox J.L., Gurney T., Kondalsamy-Chennakesavan S. et al. A Narrative Review of Health Status and Healthcare Delivery in the Oil and Gas Industry: Impacts on Employees, Employers, and Local Communities. Healthcare (Basel). 2023. 11 (21). 2888. DOI: 10.3390/healthcare11212888.

9. Аликперова Н.В. Искусственный интеллект в здравоохранении: риски и возможности. Здоровье мегаполиса. 2023. 4 (3). 41–49. DOI 10.47619/2713-2617.zm.2023.v.4i3;41-49.

10. Chaudhry Z.S., Choudhury A. Clinical Applications of Artificial Intelligence in Occupational Health: A Systematic Literature Review. J Occup Environ Med. 2024. 66 (12). 943–955. DOI: 10.1097/JOM.0000000000003212.

11. Ebad S.A., Alhashmi A., Amara M. et al. Artificial Intelligence-Based Software as a Medical Device (AISaMD): A Systematic Review. Healthcare (Basel). 2025. 13 (7). 817. DOI: 10.3390/healthcare13070817.

12. Решетникова Ю.С., Шарапова О.В., Каткова А.Л. и др. Профиль пациента, готового к использованию цифровых технологий и методов искусственного интеллекта при получении медицинской помощи. Здравоохранение Российской Федерации. 2022. 66 (1). 20–26. DOI 10.47470/0044-197X-2022-66-1-20-26.

13. Жданова Е.В. Опыт внедрения пилотного проекта "Искусственный интеллект" в работе участкового терапевта на территории Ямало-Ненецкого автономного округа: пилотное одномоментное скрининговое обсервационное исследование. Кубанский научный медицинский вестник. 2022. 29 (4). 14–31. DOI 10.25207/1608-6228-2022-29-4-14-31.

14. Kocovic P.V., Kocovic Z.V., Kocovic V.P. Monitoring COVID-19 is like instrument flying. Military Technical Courier. 2020. 68 (3). 424–437. DOI 10.5937/vojtehg68-26557.

15. Подзолков П.Н. Моделирование распространения инфекционного заболевания в условиях вахтового метода работы. Вестник Тюменского государственного университета. Физикоматематическое моделирование. Нефть, газ, энергетика. 2023. 9 (2(34)). 108–127. DOI 10.21684/2411-7978-2023-9-2-108-127.

16. Ступак В.С., Маношкина Е.М., Деев И.А. и др. Климатогеографические предпосылки организации медицинской помощи населению районов Крайнего Севера в Российской Федерации. Профилактическая медицина. 2023. 26 (12). 109–115. DOI 10.17116/profmed202326121109.

17. Решетникова Ю.С., Потапов А.П., Курмангулов А.А. и др. База данных результатов медицинских осмотров работников компаний топливно-энергетического комплекса: Свидетельство о государственной регистрации базы данных № 2024621230 (21.03.2024).

18. Решетникова Ю.С., Косачев Д.В., Каткова А.Л. и др. КардиоПрогноз (CardioPredict) – кардиоваскулярный рискометр работников топливно-энергетического комплекса (ТЭК): Свидетельство о государственной регистрации программы для ЭВМ № 2025665537 (18.06.2025).

19. Han G.R., Goncharov A., Eryilmaz M., et al. Machine learning in point-of-care testing: innovations, challenges, and opportunities. Nat Commun. 2025. 16 (1). 3165. DOI: 10.1038/s41467-025-58527-6.

20. Михеенко А.М. Применение вектора Шепли в регрессионном анализе. Вестник Балтийского федерального университета им. И. Канта. Серия: Физико-математические и технические науки. 2020. 2. 84–94.