CC BY
3Список литературы
1. О состоянии санитарно-эпидемиологического благополучия населения в Российской Федерации в 2022 году: Государственный доклад. М.: Федеральная служба по надзору в сфере защиты прав потребителей и благополучия человека, 2023. - 368 с.
2. Потеря слуха, вызванная шумом. МКБ 10: Н83.3, Z57.0. Клинические рекомендации КР609. 2018. Ассоциация врачей и специалистов медицины труда (AMT). Национальная медицинская ассоциация оториноларингологов. - 39 с.
УДК 613.6, 613.64
РАЗРАБОТКА ПРОГРАММЫ ДЛЯ ОЦЕНКИ ПРОФЕССИОНАЛЬНОГО РИСКА НАРУШЕНИЙ РЕПРОДУКТИВНОГО ЗДОРОВЬЯ МУЖЧИН РАБОТНИКОВ
Фесенко М.А., Голованева Г.В., Мискевич А.В.
Федеральное государственное бюджетное научное учреждение «Научно-исследовательский институт им. академикаН.Ф. Измерова»
Аннотация. Впервые разработана модель для оценки профессионального риска нарушений репродуктивного здоровья мужчин работников с использованием алгоритмов машинного обучения (искусственного интеллекта) с высокой точностью прогнозирования для формирования групп риска работников с нарушениями репродуктивной функции, что позволит разработать диагностические и профилактические мероприятия для сохранения их здоровья и работоспособности.
Ключевые слова: трудоспособное население; репродуктивное здоровье; машинное обучение; профессиональный риск.
Abstract: The model for assessment of occupational risk of male workers' reproductive health disorders has been developed. The model uses machine learning (artificial intelligence) algorithms and has high prediction accuracy. The program provides an opportunity to form risk groups of workers with reproductive disorders, and then diagnostic and preventive measures can be developed to preserve their health and productivity at working place.
Keywords: Reproductive health, risk assessment, machine learning, professional risk.
Введение и актуальность. С одной стороны, внедрение новых информационных технологий, связанных с процессом цифровой трансформации российской экономики (развитие систем
автоматизации, промышленной и сервисной робототехники, интеллектуальных систем управления оборудованием и предприятиями при производственных, логистических и др. бизнес процессах); а также многократное увеличение информационной нагрузки («промышленный интернет» и «интернет вещей», технологии межмашинной коммуникации, применение аддитивных технологий (ЗО-принтеры) приводит к появлению новых факторов профессионального риска. Меняются старые и появляются новые формы труда - вахтовые, сменные и удаленные графики работы, ненормированный рабочий день.
С другой стороны, бурный рост накопления и использования медицинских данных (объем информации в базах данных удваивается каждые 20 месяцев) [3] определяет актуальность цифровизации системы здравоохранения России с внедрением в современную медицину технологий искусственного интеллекта, как социально значимую задачу.
Применение в медицине машинного обучения (искусственного интеллекта) с использованием математических, статистических и вычислительных методов позволяет разработать алгоритмы, способные решить задачу не по четкой формуле, а по установленной зависимости результатов от конкретного набора признаков и их значений, что позволяет, обойдя ограничения традиционных методов работы с данными, накапливать, обрабатывать и анализировать большой объем медико-биологической информации с использованием полученных данных для развития персонализированной медицины [2].
С третьей стороны, в литературе появляется все больше данных о воздействии на состояние репродуктивного здоровья химических, физических, биологических вредных производственных факторов, а также физической тяжести труда и его напряженности [1].
Ситуацию усугубляют факторы риска, обусловленные образом жизни работников. К ним относят избыточный вес и ожирение, связанные с характером питания и пищевыми привычками; недостаточную физическую активность, наличие вредных привычек - избыточное потребление алкогольсодержащих напитков, курение и пр., что также может оказывать воздействие на репродуктивную функцию работающих мужчин.
Все вышесказанное определяет новые задачи медицины труда, связанные с необходимостью разработки способов сбора больших объемов данных о факторах, влияющих на состояние здоровья работников мужчин, в т.ч. на процессы репродукции; методики оценки профессионального риска и прогнозирования нарушений репродуктивного здоровья работников, а также создание персонализированных медицинских рекомендаций по профилактике репродуктивных нарушений.
Материалы и методы. Нами разработана Программа оценки профессионального риска нарушений репродуктивного здоровья работников мужчин. Применение программы особенно актуально для оценки репродуктивного риска у работников, занятых во вредных и опасных условиях труда.
Прогноз строиться на основе модели «дерево решений» с применением машинного обучения. Программа написана на языке Python с использованием пакетов Scikit-learn, Pandas и Numpy. Предварительная обработка данных (перекодировка категорийных данный, нормализация и настройка модели) осуществляется в едином цикле в пакете Scikit-learn. Это позволяет избежать многоэтапной обработки при вводе новых данных.
Результаты и обсуждение. Для обучения модели был собран и использован большой массив данных по трем группам показателей -в первую вошли данные об условиях труда по результатам специальной оценки условий труда (СОУТ) и гигиенической оценки факторов рабочей среды, согласно Руководству Р 2.2.2006-05; во вторую - данные о состоянии здоровья работников по результатам периодических медосмотров (ПМО); третью группу составили данные о факторах образа жизни работника, полученные методом интервью.
Информация об условиях труда работников включает стаж работы в профессии, возраст работника; наличие вредных производственных факторов - физических, химических, физической тяжести и напряженности труда. Особое внимание было уделено наличию контакта с репротоксикантами - учитывалась кратность превышения ПДК в воздухе рабочей зоны.
Оценка состояния здоровья работников включала количество хронических неинфекционных заболеваний. Как показывают многочисленные данные литературы и собственных исследований, факторы образа жизни значимо влияют, как на общее состояние
здоровья, так и на состояние репродуктивной функции. В этой связи в перечень показателей, определяющих уровень риска для репродуктивного здоровья, включены наличие избыточного веса, ожирение, связанные с характером питания и пищевыми привычками, характеризующиеся индексом массы тела (ИМТ); уровень физической активности, характеристики ночного сна, наличие вредных привычек - избыточное потребление алкогольсодержащих напитков, курение и пр.
Программа прогнозирует пять уровней риска (пренебрежимо малый, малый, средний, высокий и очень высокий риск) в зависимости от условий труда, наличия хронических заболеваний и образа жизни. Программа имеет несложный, интуитивно понятный интерфейс; апробация программы на группе работников МОЭСК (35 мужчин), занятых во вредных условиях труда, позволила оценить индивидуальный уровень риска и сформировать группы по категориям риска для разработки профилактических мероприятий.
Заключение. Модель для оценки профессионального риска нарушений репродуктивного здоровья мужчин работников с использованием алгоритмов машинного обучения (искусственного интеллекта) разработана для оценки уровня риска отдельного работника и формирования групп работников по уровню риска нарушений репродуктивной функции.
Программа имеет интуитивно понятный интерфейс, высокую точность прогнозирования, что поможет специалистам в области медицины и охраны труда разработать диагностические и профилактические мероприятия в рамках персонализированной медицины с целью минимизации последствий заболеваний репродуктивной системы и сохранения здоровья и работоспособности работников мужчин.
Список литературы
1. Фесенко М.А., Голованева Г.В., Мителева Т.Ю., Вуйцик П.А. Влияние вредных производственных физических факторов на репродуктивное здоровье работников-мужчин //Медицина труда и промышленная экология. -2023. - Т. 63, № 8. - С. 528-536.
2. An, Q.; Rahman, S.; Zhou, J.; Kang, J. J. A Comprehensive Review onMachine Learning in Healthcare Industry: Classification, Restrictions, Opportunities and Challenges. Sensors - 2023, 23, 4178.
3. Ton J. Cleophas, Aeilko H. Zwinderman Machine Learning in Medicine - A Complete Overview, Edition Number 2, Springer Cham, 2020, 667p.
