Прогнозирование количества заболеваний

Прогнозирование или предсказание количества заболеваний того или иного типа на уровне города, региона, и т. д. является необходимым элементом организации лечебно-профилактических мероприятий. С формальной точки зрения эта задача относится к широкому классу задач прогнозирования дискретных последовательностей (совокупности значений в фиксированные моменты), которые возникают не только в медицине, но и в физике, технике, экономике, социологии, и других областях.

Нетривиальность прогнозирования дискретных последовательностей обусловлена тем, что, в отличие от хорошо алгоритмизованных процедур интерполяции [13], прогнозирование требует экстраполяции данных о прошлом на будущее. При этом необходимо учитывать неизвестную закономерность о явлении, лежащем в основе процесса, который генерирует дискретные последовательности. Разработке математических моделей прогнозирования посвящено большое количество исследований [16]. Наиболее распространенными являются методы, построенные на базе вероятностно-статистического аппарата. Но их использование требует значительного количества экспериментальных данных, которые не всегда удается собрать в условиях событий, состоявшихся относительно недавно, например, авария в Чернобыле.

В последнее время в задачах прогнозирования возродился интерес к использованию искусственных нейронных сетей [12,63]. Они рассматриваются как близкие к человеческому мозгу универсальные модели, которые обучаются распознаванию неизвестных закономерностей. Но, как и в случае вероятностно-статистических методов, для обучения нейронных сетей требуется большая выборка экспериментальных данных. Кроме того обученная нейронная сеть не допускает ясной интерпретации весов дуг.

В этом разделе предлагается подход к прогнозированию, который объединяет экспериментальные данные о количестве заболеваний с экспертно-лингвистической информацией о закономерностях, которые удается увидеть в существующих данных. Использование экспертно-лингвистических закономерностей, которые формализуются при помощи нечеткой логики, позволяет построить модель прогнозирования в условиях малых экспериментальных выборок. Предлагаемый здесь подход идеологически достаточно близок к так называемому <нейро - нечеткому> подходу [66], объединяющему способности нейронных сетей к обучению и легкую интерпретируемость нечетких правил
ЕСЛИ-ТО. Однако, в отличие от [66], мы не используем нейронную сеть для обучения модели прогноза, а непосредственно настраиваем нечеткие правила ЕСЛИ-ТО с помощью существующих экспериментальных данных [33].

Не нашли, что искали? Воспользуйтесь поиском: