Аналіз впливу різних чинників на поширеність туберкульозу в Україні
DOI:
https://doi.org/10.30978/TB2024-3-66Ключові слова:
епідемія; туберкульоз; захворюваність; чинники; моделювання.Анотація
Лише медичного підходу до аналізу соціально-економічних, медичних та демографічних чинників, які впливають на захворюваність на туберкульоз в Україні, недостатньо для своєчасного прогнозування розвитку епідемії туберкульозу та розробки відповідного плану протидії його викликам.
Мета роботи — проаналізувати вплив різних чинників на захворюваність на туберкульоз серед населення України.
Матеріали та методи. Проаналізовано дані про кількість спеціалізованих лікарень, кількість проведених флюорографічних оглядів на 100 тис. населення, проведення вакцинацій, кількість бактеріовиділювачів, захворюваність серед міських та сільських жителів, співвідношення демографічних груп (робітники, службовці, медичні працівники, студенти, учні, пенсіонери, непрацюючі, особи, які повернулися з місць позбавлення волі, особи без постійного місця проживання, приватні працівники)) за останніх 16 років в усіх областях України.
Результати та обговорення. Аналіз важливості чинників, виконаний за допомогою Stacking моделі, дає змогу виявити ключові змінні, що найбільше впливають на захворюваність на туберкульоз. Оцінка важливості кожного чинника в моделі допомагає краще зрозуміти динаміку захворюваності та оптимізувати стратегії інтервенцій. Розробка та валідація моделей машинного навчання, зокрема лінійна регресія, «random forests» й адаптивний бустинг, дали змогу з точністю прогнозувати захворюваність на туберкульоз. Використання 5-разової крос-валідації підвищило надійність прогнозів, забезпечуючи стабільність і точність у різних демографічних групах населення.
Висновки. Використання штучного інтелекту для аналізу соціально-економічних, медичних та демографічних даних дало змогу виявити основні чинники, що призводять до захворюваності на туберкульоз в Україні. Зокрема, аналіз підтвердив значний вплив кількості спеціалізованих лікарень, флюорографічних оглядів населення та частоти виявлення бактеріовиділювачів на рівень захворюваності.
Посилання
Balabanova Y, Coker R, Atun RA, Drobniewski F. Healthcare systems and tuberculosis control: the impact of healthcare accessibility. The Lancet. 366:930-2. http://doi.org/10.1016/S0140-6736(10)60493-X.
Butov D, Feshchenko Y, Chesov D, et al. National survey on the impact of the war in Ukraine on TB diagnostics and treatment services in 2022. Int J Tuberc Lung Dis. 2023;27(1):86-8. http://doi.org/10.5588/ijtld.22.0563.
Chiang SS, Dolynska M, Rybak NR, et al. Clinical manifestations and epidemiology of adolescent tuberculosis in Ukraine. ERJ Open Res. 2020;6(3):00308-2020. Published 2020 Sep 14. http://doi.org/10.1183/23120541.00308-2020.
Farmer P. The major infectious diseases in the world--to treat or not to treat?. N Engl J Med. 2001;345(3):208-210. http://doi.org/10.1056/NEJM200107193450310.
Hwang EJ, Park S, Jin KN, et al. Development and validation of a deep learning-based automated detection algorithm for major thoracic diseases on chest radiographs [published correction appears in JAMA Netw Open. 2019 Apr 5;2(4):e193260]. JAMA Netw Open. 2019;2(3):e191095. Published 2019 Mar 1. http://doi.org/10.1001/jamanetworkopen.2019.1095.
Lönnroth K, Jaramillo E, Williams BG, Dye C, Raviglione M. Drivers of tuberculosis epidemics: the role of risk factors and social determinants. Soc Sci Med. 2009;68(12):2240-6. http://doi.org/10.1016/j.socscimed.2009.03.041.
Margineanu I, Butnaru T, Gafar F, et al. TB therapeutic drug monitoring - analysis of opportunities in Romania and Ukraine. Int J Tuberc Lung Dis. 2023;27(11):816-21. http://doi.org/10.5588/ijtld.22.0667.
Mujtaba MA, Richardson M, Shahzad H, et al. Demographic and clinical determinants of tuberculosis and TB recurrence: a double-edged retrospective Study from Pakistan. J Trop Med. 2022;2022:4408306. Published 2022 Nov 28. http://doi.org/10.1155/2022/4408306.
Rajkomar A, Dean J, Kohane I. Machine learning in medicine. N Engl J Med. 2019;380(14):1347-58. http://doi.org/10.1056/NEJMra1814259.
Shevchenko OS, Todoriko LD, Ovcharenko IA, Pogorelova OO, Semianiv IO. A mathematical model for predicting the outcome of treatment of multidrud-resistant tuberculosis. Wiad Lek. 2021;74(7):1649-54. PMID: 34459766.
Tang N, Yuan M, Chen Z, et al. Machine learning prediction model of tuberculosis prevalence based on meteorological factors and air pollutants. Int J Environ Res Public Health. 2023;20(5):3910. Published 2023 Feb 22. http://doi.org/10.3390/ijerph20053910.
Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44-56. http://doi.org/10.1038/s41591-018-0300-7.
Tuli S, Tuli S, Tuli R, Gill SS. Predicting the growth and trend of COVID-19 pandemic using machine learning and cloud computing. Internet Things (Amst). 2020;11:100222. http://doi.org/10.1016/j.iot.2020.100222.
Wiens KE, Woyczynski LP, Ledesma JR, et al. Global variation in bacterial strains that cause tuberculosis disease: a systematic review and meta-analysis. BMC Med. 2018;16(1):196. Published 2018 Oct 30. http://doi.org/10.1186/s12916-018-1180-x.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Автор
Ця робота ліцензується відповідно до Creative Commons Attribution-NoDerivatives 4.0 International License.