Пространственно-временное моделирование и искусственный интеллект в выявлении макротерриториальных кластеров риска общественного здоровья

Введение. Региональные различия общественного здоровья имеют не только статистическую, но и пространственно-временную природу.

Цель исследования: выявить пространственно-временную структуру риска общественного здоровья и определить, сохраняются ли территориальные кластеры неблагополучия после учета контекстного и управляемого контуров детерминант.

Материалы и методы. Использована регионально-временная панель за 2019-2024 гг., включающая 85 субъектов Российской Федерации и показатели, сгруппированные по биологическим, демографическим, медицинским, поведенческим, социальным и экологическим детерминантам. Были построены матрицы пространственных весов на основе ближайших соседей, расстояния и принадлежности к федеральному округу. Оценивались глобальная и локальная пространственная автокорреляция, кластеры остаточного риска, макрорегиональные эффекты, модели с пространственно лагированными предикторами и сглаженный остаточный риск. Искусственный интеллект использовался в ограниченной интерпретируемой форме как алгоритмический контур пространственной диагностики, отбора пространственных признаков, распознавания кластеров и интеграции результатов с типологией территорий. Интерпретируемые методы искусственного интеллекта использовались для автоматизированного построения пространственных признаков, сравнения прозрачных регрессионных моделей и проверки их качества по группам регионов. Локальные кластеры определялись по локальному индексу Морана.

Результаты. Выраженная пространственная структура выявлена для ожидаемой продолжительности жизни, общей смертности и смертности от убийств. После учета контекстного и управляемого контуров остаточная пространственная автокорреляция сохранялась для ожидаемой продолжительности жизни, общей смертности и смертности от убийств, но практически исчезала для ожидаемой продолжительности здоровой жизни. По ожидаемой продолжительности жизни и смертности от убийств выделен сибирско-дальневосточный пояс остаточного риска. Модели с пространственно лагированными предикторами улучшали объяснение ожидаемой продолжительности жизни и смертности от убийств; более сложная пространственная модель Дурбина не была обоснована как универсальный метод для всех исходов.

Выводы. Пространственно-временная диагностика должна рассматриваться как самостоятельный слой мониторинга общественного здоровья. Она позволяет отличать одиночное региональное неблагополучие от макротерриториального кластера риска и формировать более обоснованную систему межрегиональных приоритетов.

1. Васильева Т.П., Ларионов А.В., Русских С.В., Зудин А.Б., Васюнина А.Е., Ротов В.М. Методический подход к оценке качества общественного здоровья // Здоровье населения и среда обитания. 2023. Т. 31. № 11. С. 1522. doi: 10.35627/2219-5238/2023-31-11-15-22

2. Довбий И.П., Дегтеренко А.Н. Здоровье населения региона в координатах Целей устойчивого развития // Вестник Южно-Уральского государственного университета. Серия: Экономика и менеджмент. 2022. Т. 16. № 4. С. 42-53. doi: 10.14529/em220405. EDN HHAFCE.

3. Жукова А.К., Силаев А.М., Силаева М.В. Анализ ожидаемой продолжительности жизни с учетом пространственной зависимости по регионам России // Пространственная экономика. 2016. № 4. С. 112-128. doi: 10.14530/se.2016.4.112-128. EDN: XEDUEP.

4. Иноземцев Е.С., Кочетыгова О.В. Пространственный анализ рождаемости и продолжительности жизни в России // Известия Саратовского университета. Новая серия. Серия: Экономика. Управление. Право. 2018. Т. 18. № 3. С. 314-321. doi: 10.18500/1994-2540-201818-3-314-321. EDN: YABRIL.

5. Лакман И.А., Аскаров Р.А., Тимирьянова В.М., Аскарова З.Ф. Пространственное моделирование смертности трудоспособного населения Республики Башкортостан // Здоровье населения и среда обитания. 2023. Т. 31. № 12. С. 7-16. doi: 10.35627/2219-5238/2023-31-127-16. EDN PUGXOB.

6. Тикунов В.С., Ватлина Т.В., Гайдуков В.Р., Тикунова И.Н. Методы пространственного анализа медико-статистической информации // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий. 2023. Т. 28. № 6. С. 67-76. doi: 10.33764/2411-17592023-28-6-67-76. EDN NCTAZI.

7. Окунев И.Ю., Кушнарева А.Э. Альтернативные матрицы пространственных весов соседства: методика создания и использования на примере расчета локальных индикаторов пространственной автокорреляции // Вестник Санкт-Петербургского университета. Науки о Земле. 2023. Т. 68. № 2. С. 390-413.

8. Anselin L. Local indicators of spatial association LISA. Geographical Analysis. 1995;27(2):93-115. doi: 10.1111/j.1538-4632.1995.tb00338.x

9. Lorant V, Thomas I, Deliège D, Tonglet R. Deprivation and mortality: The implications of spatial autocorrelation for health resources allocation. Soc Sci Med. 2001;53(12):17111719. doi: 10.1016/s0277-9536(00)00456-1

10. Auchincloss AH, Gebreab SY, Mair C, Diez Roux AV. A review of spatial methods in epidemiology, 2000–2010. Annu Rev Public Health. 2012;33:107-22. doi: 10.1146/annurev-publhealth-031811-124655

11. Fayet Y, Praud D, Fervers B, et al . Beyond the map: Evidencing the spatial dimension of health inequalities. Int J Health Geogr . 2020;19(1):46. doi: 10.1186/s12942020-00242-0

12. Elhorst JP. Specification and estimation of spatial panel data models. IRSR . 2003;26(3):244-268. doi: 10.1177/0160017603253791

13. Halleck Vega S, Elhorst JP. The SLX model. J Reg Sci. 2015;55(3):339-363. doi: 10.1111/jors.12188

14. VoPham T, Hart JE, Laden F, Chiang YY. Emerging trends in geospatial artificial intelligence (geoAI): Potential applications for environmental epidemiology. Environ Health. 2018;17(1):40. doi: 10.1186/s12940-018-0386-x

15. Abdel Magid HS, Desjardins MR, Hu Y. Opportunities and shortcomings of AI for spatial epidemiology and health disparities research on aging and the life course. Health Place . 2024;89:103323. doi: 10.1016/j.healthplace.2024.103323

16. Wang Y, Chen X, Xue F. A review of Bayesian spatiotemporal models in spatial epidemiology. ISPRS Int J Geoinf. 2024;13(3):97. doi: 10.3390/ijgi13030097

17. Rabiei R, Bastani P, Ahmadi H, Dehghan S, Almasi S. Developing public health surveillance dashboards: A scoping review on the design principles. BMC Public Health . 2024;24(1):392. doi: 10.1186/s12889-024-17841-2

18. Зайцева Н.В., Май И.В., Кирьянов Д.А., Горяев Д.В., Клейн С.В. Социально-гигиенический мониторинг на современном этапе: состояние и перспективы развития в сопряжении с риск-ориентированным надзором. Анализ риска здоровью. 2016;(4):4-16. doi: 10.21668/health.risk/2016.4.01. EDN: XHTSYX

19. Лебедь-Шарлевич Я.И. Мамонов Р.А., Юдин С.М. О системе социально-гигиенического мониторинга в Российской Федерации // Российский медикобиологический вестник имени академика И.П. Павлова. 2025. Т. 33. № 3. С. 475-482. doi: 10.17816/PAVLOVJ627492. EDN OWXKWQ.

20. Май И.В., Кошурников Д.Н., Галкина О.А. Пространственно-временной анализ риска для здоровья населения при воздействии городского шума на примере г. Перми // Гигиена и санитария. 2017. Т. 96. № 1. С. 35-39. doi: 10.18821/0016-9900-2017-96-1-35-39. EDN YGFBIF.

21. Старшинин А.В., Гречушкина Н.А., Покусаев А.С. Индекс здоровья населения регионов России по ключевым показателям ЦУР // Здоровье мегаполиса. 2024. Т. 5. № 3. С. 4-16. doi: 10.47619/2713-2617.zm.2024.v.5i3;4-16. EDN MWQQRD.