Смертность от рака молочной железы в Приморском крае: анализ данных и моделирование

Введение. В Приморском крае наблюдается устойчивая тенденция к росту заболеваемости и смертности от рака молочной железы. Образ жизни человека, материальное благосостояние, доступность и своевременность получения медицинской помощи наряду с генетическими предрасположенностями оказывают существенное влияние на продолжительность жизни и смертность пациентов с установленным диагнозом, что имеет большое значение для общественного здравоохранения, особенно при выработке стратегии повышения качества жизни и укрепления здоровья населения.

Цель: анализ ситуации и разработка модели, позволяющей прогнозировать уровень смертности на основе данных по распространенности раком молочной железы и социально-экономическим показателям качества жизни населения Приморского края.

Материалы и методы. Исследование проведено на основе данных Федеральной службы государственной статистики и медико-информационного аналитического центра Приморского края за период с 1994 по 2019 год. Для анализа статистических данных применен корреляционный анализ, для разработки модели – искусственные нейронные сети.

Результаты. В крае в целом с 2000 по 2019 год наблюдается тенденция роста уровня смертности от рака молочной железы (39,13 %). Статистический анализ взаимосвязи между социально-экономическими показателями и коэффициентом смертности показал наличие значимых корреляций, на основе которых разработана нейросетевая модель. Наибольший вес при прогнозировании оказывают показатели, характеризующие уровень материального благосостояния населения и качество медицинского обслуживания пациентов.

Выводы. Выявленные взаимосвязи демонстрируют возможность их учета при проектировании управленческих решений по увеличению продолжительности жизни и улучшению ее качества для пациентов с раком молочной железы.

1. Siegel RL, Miller KD, Jemal A. Cancer statistics, 2020. CA Cancer J Clin. 2020;70(1):7–30. doi: 10.3322/caac.21590

2. Худайкулова А.Т., Худайкулов Т.К. Социальноэкономические последствия смертности женщин от рака молочной железы в Узбекистане // Злокачественные опухоли. 2015. № 1. С. 53–56.

3. Игисинов Н.С., Тогузбаева А.Я. К оценке утраченного жизненного потенциала в связи со смертностью от рака молочной железы в Казахстане // Онкология и радиология Казахстана. 2017. № 13S (45). С. 69–70.

4. Нурманова А., Султанова З.И., Аннаоразов Ы.А. Факторы и их роль в заболеваемости, смертности, выживаемости при раке молочной железы // Вестник Казахского национального медицинского университета (КазНМУ). 2018. № 1. С. 112–114.

5. Французова И.С. Анализ факторов риска развития рака молочной железы // Международный научно-исследовательский журнал. 2019. № 3 (81) С. 68–74.

6. Кику П.Ф. Веремчук Л.В., Жерновой М.В. Роль экологических и социально-гигиенических факторов в распространении онкологических заболеваний. Владивосток: Издат. дом Дальневосточного федерального университета, 2012. 192 с.

7. Sternfeld B, Weltzien E, Quesenberry CP, et al. Physical activity and risk of recurrence and mortality in breast cancer survivors: findings from the LACE study. Cancer Epidemiol Biomarkers Prev. 2009;18(1):87–95. doi: 10.1158/1055-9965.EPI-08-0595

8. Freedman DM, Dosemeci M, McGlynn K. Sunlight and mortality from breast, ovarian, colon, prostate, and non-melanoma skin cancer: a composite death certificate based case–control study. Occup Environ Med. 2002;59(4):257–262. doi: 10.1136/oem.59.4.257

9. Kolpak E, Frantsuzova IS. Causes of morbidity and mortality from breast cancer. Eurasian J Anal Chem. 2017;12(5):779–791. doi: 10.12973/ejac.2017.00210a

10. Кабаков Р.И. R в действии. Анализ и визуализация данных в программе R. / Пер. с англ. П.А.Волковой. М.: ДМК Пресс, 2014. 358 с.

11. Писарева Л.Ф., Перинов Д.А., Одинцова И.Н., и др. Эпидемиология рака молочной железы. Томск: Изд-во Том. ун-та, 2017. 190 с.

12. Писарева Л.Ф., Ляхова Н.П., Перинов Д.А. и др. Заболеваемость раком молочной железы и смертность от него коренного и пришлого населения республики Бурятия // Профилактическая медицина. 2019. Т. 22. № 2. С. 62–67. doi: 10.17116/profmed20192202162

13. Tyrer J, Duffy SW, Cuzick J. A breast cancer prediction model incorporating familial and personal risk factors. Stat Med. 2004;23(7):1111–1130. doi: 10.1002/sim.1668

14. Elwood M, Tawfiq E, TinTin S, et al. Development and validation of a new predictive model for breast cancer survival in New Zealand and comparison to the Nottingham prognostic index. BMC Cancer. 2018;18(1):897. doi: 10.1186/s12885-018-4791-x

15. Sekeroglu B, Tuncal K. Prediction of cancer incidence rates for the European continent using machine learning models. Health Informatics J. 2021;27(1):1460458220983878. doi: 10.1177/1460458220983878

16. Asghari Jafarabadi M, Iraji Z, Dolatkhah R, Jafari-Koshki T. Modeling the factors associated with mortality in patients with breast cancer: a machine learning approach. [Preprint] 2020. Accessed September 23, 2021. doi: 10.21203/rs.3.rs-57685/v1

17. Jafari-Koshki T, Schmid VJ, Mahaki B. Trends of breast cancer incidence in Iran during 2004–2008: a Bayesian space–time model. Asian Pac J Cancer Prev. 2014;15(4):1557–1561. doi: 10.7314/apjcp.2014.15.4.1557

18. Foerster R, Foerster FG, Wulff V, et al. Matched–pair analysis of patients with female and male breast cancer: a comparative analysis. BMC Cancer. 2011;11:335. doi: 10.1186/1471-2407-11-335