Васильева Татьяна Павловна – д.м.н., профессор, заслуженный врач Российской Федерации, заведующая отделом исследований общественного здоровья,
ул. Воронцово поле, д. 12, стр. 1, г. Москва, 105064.
Tatyana P. Vasilyeva, Dr. Sci. (Med.), Prof., Honored Doctor of the Russian Federation, Head of the Department of Lifestyle Studies and Public Health Protection,
Bldg 1, 12 Vorontsovo Pole Street, Moscow, 105064.
Каримов Денис Олегович – к.м.н., с.н.с. отдела исследований общественного здоровья; заведующий отделом токсикологии и генетики с экспериментальной клиникой лабораторных животных,
ул. Воронцово поле, д. 12, стр. 1, г. Москва, 105064;
ул. Степана Кувыкина, д. 94, г. Уфа, 450106.
Denis O. Karimov, Cand. Sci. (Med.), Senior Researcher, Department of Lifestyle Studies and Public Health Protection; Head of the Department of Toxicology and Genetics with an experimental laboratory animal clinic,
Bldg 1, 12 Vorontsovo Pole Street, Moscow, 105064;
94, Stepan Kuvykin Street, Ufa, 450106.
Рябова Юлия Владимировна – к.м.н., заведующая лабораторией токсикологии отдела токсикологии и генетики с экспериментальной клиникой лабораторных животных,
ул. Степана Кувыкина, д. 94, г. Уфа, 450106.
Yuliya V. Ryabova, Cand. Sci. (Med.), Head of the Toxicology Laboratory, Department of Toxicology and Genetics with an experimental laboratory animal clinic,
94, Stepan Kuvykin Street, Ufa, 450106.
Введение. Социальные детерминанты – первопричинные силы, которые формируют социальный градиент здоровья и очерчивают пределы эффективности сугубо клинических вмешательств. Инструментарий больших данных и машинного обучения обеспечивает точную, воспроизводимую оценку их вклада и помогает вычленить осмысленные приоритеты политики, направленной на сужение разрывов в ожидаемой продолжительности жизни.
Цель исследования: количественно оценить и ранжировать вклад социальных, экономических, демографических и экологических детерминант в вариацию индекса общественного здоровья регионов России, выявив факторы, критичные для управленческих решений.
Материалы и методы. Сформирован панельный датасет по субъектам РФ за 2010–2024 гг.; выполнены нормирование показателей и транслитерация категориальных признаков. Построена модель прогноза индекса общественного здоровья методом градиентного бустинга на решающих деревьях; интерпретация результата с детальным анализом вклада отдельных детерминант проведена по технологии, опирающейся на теорию значений Шепли.
Результаты. Наибольший вклад в вариацию индекса общественного здоровья внесли показатели смертности (общее число умерших и смертность от внешних причин), уровень бедности и коэффициент доступности жилья; дополнительное, но значимое влияние показали охват школьников горячим питанием, расходы на охрану окружающ ей среды и показатели криминогенной обстановки. Параметры, традиционно используемые как маркеры благосостояния (среднедушевые доходы и уровень безработицы), в присутствии интегрального показателя бедности продемонстрировали статистическую избыточность. Выявлен выраженный межрегиональный градиент, указывающий на существенный вклад территориальной специфики.
Заключение. Комплексный учет социально-экономических, демографических и инфраструктурных индикаторов с применением методов машинного обучения формирует надежную основу для прогнозирования и интерпретации региональных различий, а стратегии управления общественным здоровьем должны быть адаптированы к специфике региональных субъектов.
Introduction: Social determinants are fundamental causes of causes that shape the social gradient of health and delineate the limits of effectiveness of purely clinical interventions. The toolkit of big data and machine learning enables precise, reproducible evaluation of their contributions and helps identify meaningful policy priorities aimed at narrowing gaps in life expectancy.
Objective: To quantitatively assess and rank contributions of social, economic, demographic, and environmental determinants to the variation of the Public Health Index (PHI) across Russian regions and identify factors critical for decision-making.
Materials and Methods: A panel dataset was compiled for the regions of the Russian Federation for 2010–2024. Indicator normalization and transliteration of categorical variables were performed. A predictive model for the Public Health Index was developed using gradient boosting on decision trees. Interpretation of the results, including detailed analysis of the contribution of individual determinants, was carried out using a Shapley value-based technique.
Results: We established that mortality indicators (the total number of deaths and mortality from external causes), the poverty level, and the housing affordability index contributed the most to the variations in the Public Health Index. School meal coverage, environmental protection expenditures, and crime indicators demonstrated additional, yet significant effects. The parameters traditionally used as markers of socioeconomic well-being (per capita income and unemployment rate) demonstrated statistical redundancy when the poverty variable was included in the model. A pronounced interregional gradient was identified, indicating a substantial influence of territorial specificity.
Conclusions: A comprehensive analysis of socioeconomic, demographic, and infrastructural indicators using machine learning methods provides a robust foundation for forecasting and interpreting regional differences. Public health management strategies should be adapted to the specific features of each constituent entity.
The authors declare that there are no conflicts of interest present.