CC BY
36
of the North of the Russian Federation. It is established, that the least adaptability characterizes the condition of cardiovascular system in 36-55 year old teachers.
Key words: cardiovascular system, phase space conditions, teachers.
УДК 519.8
УПРОЩЕННЫЙ ВАРИАНТ АЛГЕБРАИЧЕСКОЙ МОДЕЛИ КОНСТРУКТИВНОЙ ЛОГИКИ
В.А. ХРОМУШИН*, Е.И. МИНАКОВ*, О.В. ХРОМУШИН**,
В.А. БАРХОТКИН***, С.Н. ГОНТАРЕВ****
Предложен упрощенный вариант алгебраической модели конструктивной логики, позволяющий повысить быстродействие и число
анализируемых факторов программного обеспечения.
Ключевые слова: алгоритм, модель, анализ.
Известные варианты алгебраической модели конструктивной логики, используемые для аналитических расчетов и построения экспертных систем, из-за сложности их алгоритмов требуют от разработчика программного обеспечения решения проблемы быстродействия при обработке больших многофакторных массивов исходных данных [1]. Это обстоятельство порождает ограничения по числу обрабатываемых факторов в программном обеспечении.
Практика выполнения аналитических расчетов в биологии и медицине показывает, что в ряде случаев можно отказаться от возможности получения компактной модели в пользу увеличения быстродействия и числа обрабатываемых факторов [2,3]. Алгоритм такой модели заключается в следующем:
1. Нормализуем массив данных:
- квантуем по уровням цифровые значения;
- не числовые значения нумеруем (МКБ-10: например, по классам);
- целевое значение представляем как 1 - цель достигается и
0 - цель не достигается.
2. Подсчитываем число одинаковых случаев (строк в таблице) отдельно по каждому целевому значению ("1 и "0).
3. Если по одной и той же строке (по п. 2) "^0 и "0^0, то такие случаи исключаем или вновь нормализуем массив, квантуя по увеличенному числу уровней, а не числовые - нумеруем более подробно. Далее повторяем пункты 2 и 3 до тех пор, пока "^0, "0=0 или "1=0, "0^0.
4. Полученный целевой массив (таблицу) выстраиваем по каждому столбцу (фактору), начиная с первого столбца по возрастанию значения переменной (от А до Я).
5. Осуществляем поглощение строк (т. е. случаев) по первому столбцу (первой переменной). Для этого:
5а. Выбираем первую строку и сравниваем ее со всеми остальными, имеющими следующее значение в первом столбце. Если такие находятся в массиве, то тогда их " складываются с " первой строки, а сама переменная (фактор) записывается с областью определения (например, а<Х1<Ъ).
56. После объединения строк по п. 5а массив переписывается с уменьшенным числом строк на число поглощенных строк.
5в. Повторяем пункты 5а и 56 с новым значением первой строки, в которой Х1 указана с областью определения. Если при просмотре всех остальных строк находим строки со следующим значением Х1 относительно верхнего предела определения, то их " складываем с " первой строки по пункту 56.
5г. Повторяем пункт 5в до тех пор, пока поглощение со следующим значением первой переменной не станет возможным. Результат (первая строка, включая поглощенные строки) запоминается.
5д. Если в результате такого поглощения область определения переменной Х1 покроет весь диапазон возможного изменения Хь то такая переменная (фактор) исключается из результирующей первой строки и запоминается без нее.
* Тульский государственный университет, 300012, г. Тула, пр-т Ленина, д. 92 Тульское региональное отделение Академии медико-технических наук,
300025, г. Тула, ул. Сурикова, д. 16
Национальный исследовательский институт «Московский институт электронной техники». Москва, Зеленоград, проезд 4806, д. 5
ФГБОУ ВПО Белгородский государственный университет, 308015 г. Белгород Ул. Победы, 85
5е. Если исключение переменной не произошло, то в массиве (таблице) выбирают вторую строку и с ней выполняют операции 5а - 5г как с первой строкой. Результат с областью определения записывается (запоминается) как вторая строка.
5ж. Повторяют операции по пункту 5е до тех пор, пока не будет достигнута последняя строка таблицы.
Примечание: если поглощение со следующими значениями не возможно, то запоминается не объединенная строка со своим ".
6. Запомненные строки (с учетом ") образуют массив, который принимаем в качестве исходного.
7. Повторяем операции по пунктам 5 и 6 для второй переменной и для каждой следующей, закончив последней переменной. Последний запомненный массив принимается как результирующий.
8. Повторяют операции по пунктам 2-7 при различных перестановках столбцов. В качестве оптимальной результирующей математической модели принимается тот результирующий массив, который имеет минимальное число строк.
9. Конечный результат записывается строками через знак конъюнкции между переменными (факторами) с пределами определения и указанием ", оцениваемой как мощность результирующей составляющей. Каждая строка подразумевает объединение с другими строками через знак дизъюнкции.
Таблица 1
Данные тестового примера
N Хо Х1 Х2 X, Х1 х.
1 0 5 4 2 0 3
2 1 5 5 4 4 5
3 0 2 6 3 3 4
4 0 2 5 7 4 3
5 1 2 6 4 4 2
6 1 5 5 2 6 2
7 0 0 3 4 6 5
8 0 1 4 5 7 6
9 0 7 5 3 1 2
10 1 3 2 1 2 4
11 0 4 1 0 0 1
12 0 1 3 4 6 5
13 0 4 2 1 1 0
14 1 4 4 5 3 2
15 1 3 3 2 1 3
16 1 7 6 4 2 4
17 0 1 1 2 5 2
18 0 1 6 6 5 2
19 1 6 5 3 1 4
20 0 2 6 5 4 1
21 1 3 4 2 2 4
22 0 2 5 5 3 2
23 1 0 2 5 5 3
24 0 0 1 4 5 6
25 0 7 4 4 2 3
26 1 1 3 4 6 2
27 1 2 4 3 5 2
28 0 6 4 3 2 1
29 1 3 3 3 2 2
Этот результат может быть записан в двух видах:
а) факторы представлены квантованными переменными;
б) факторы представлены исходными значениями, для чего необходимо:
- заменить значения факторов, указанных без области определения, минимальным и максимальным значением уровня квантования в качестве пределов определения;
- заменить значения факторов, указанных с областью определения квантованных значений, минимальным значением уровня квантования нижний предел определения и максимальным значением уровня квантования верхний предел определения.
Преимущества алгоритма:
1. Проще по сравнению с первоначальным алгоритмом.
2. Претендует на более высокую скорость вычисления.
3. Результат основан только на подтвержденных данных, что важно исследователю для убедительности доказательств.
4. Не требует выполнения рекомендаций по наличию не целевых строк в удвоенном количестве по сравнению с количеством целевых строк.
Недостатки алгоритма:
1. Нормализация массива сужает возможности исследователя. Однако в здравоохранении бывает часто уместной.
2. Данный алгоритм по сравнению с первоначальным алгоритмом не обладает возможностями частичного избегания влияния скрытых переменных, которые медленно эволюционируют во времени.
Рассмотрим данный алгоритм на числовом тестовом примере (табл. 1), в котором Х0 является целевой переменной, а Хх ... Х5 - анализируемыми факторами.
Нормализуем переменные (квантуем по уровням): Х1 ... Х4 по двум уровням, а Х5 по трем уровням. Результат нормирования показан в табл. 2. При квантовании необходимо знать минимальное и максимальное значение: Х1 =0 ... 7, Х2 =1 ... 6, Х3 =0 ... 7, Х4=0 ... 7, Х5 =0 ... 6.
Выявляем одинаковые случаи (строки) по факторам Х1 ... Х5, когда цель достигается и не достигается при одинаковом наборе значений факторов (выделены в табл. 3 одинаковым узором).
Таблица 2
Результат нормирования
N Хо Х1 Х2 Хз Х4 Х5
1 0 2 2 1 1 2
2 1 2 2 2 3
3 0 1 2 1 1 3
4 0 1 2 2 2
5 1 1 2 2 2
6 1 2 1 2 2
7 0 1 1 2 3
8 0 1 2 2 3
9 0 2 1 1 2
10 1 1 1 1 1 3
11 0 1 1 1 1
12 0 1 1 2 3
13 0 1 1 1 1
14 1 2 1 2
15 1 1 1 1 1 2
16 1 2 1 3
17 0 1 1 1 2 2
18 0 1 2 2 2
19 1 2 1 1 3
20 0 1 2 2 1
21 1 1 2 1 1 3
22 0 1 2 2 1 2
23 1 1 1 2 2 2
24 0 1 1 2 2 3
25 0 2 2 1 2
26 1 1 1 2 2 2
27 1 1 2 1 2 2
28 0 2 2 1 1 1
29 1 1 1 1 1 2
Таблица 3
Выявление одинаковых строк
N Хо Хі Х2 Хз Х4 Х5
1 0 2 2 1 1 2
2 1 2 2 2
3 0 1 ШИШ!!!! 1 3
4 0 1 2 2 2
6 1 2 1 2 2
7 0 1 1 2 3
8 0 1 2 2 3
9 0 2 1 1 2
10 1 1 1 1 1 3
11 0 1 1 1 1
12 0 1 1 2 3
13 0 1 1 1 1
14 1 2 2 2 1 2
15 1 1 1 1 1 2
16 1 2 1 3
17 0 1 1 1 2 2
18 0
19 1 2 2 1 1 3
20 0 1 2 2 1
21 1 1 1 1 1
22 0 1 2 2 1 2
23 1 1 1 2 2 2
24 0 1 1 2 2
25 0 2 2 2 1 2
26 1 1 1 2 2 2
27 1 1 2 1 2 2
28 0 2 2 1 1 1
29 1 1 1 1 1 2
Удаляем одинаковые случаи (строки 3, 5, 14, 18, 21, 25):
Таблица 4
Удаление одинаковых строк
N Хо Х1 X, Хз Х4 Х5
1 0 2 2 1 1 2
2 1 2 2 2 2 3
4 0 1 2 2 2 2
6 1 2 1 2 2
7 0 1 1 2 2 3
8 0 1 2 2 2 3
9 0 2 1 1 2
10 1 1 1 1 1 3
11 0 1 1 1 1
12 0 1 1 2 2 3
13 0 1 1 1 1
15 1 1 1 1 1 2
16 1 2 2 1 3
17 0 1 1 1 2 2
19 1 2 1 1 3
20 0 1 2 2 2 1
22 0 1 2 2 1 2
23 1 1 1 2 2 2
24 0 1 1 2 2 3
26 1 1 1 2 2 2
27 1 1 2 1 2 2
28 0 2 2 1 1 1
29 1 1 1 1 1 2
Сортируем строки по возрастанию (от А до Я) по каждой переменной, начиная с Хо:
Таблица 5
Результат сортировки строк по возрастанию
N Хо Х1 Х2 х3 X, X.
17 0 1 1 1 2 2
7 0 1 1 2 2 3
24 0 1 1 2 2 3
12 0 1 1 2 2 3
22 0 1 2 2 1 2
20 0 1 2 2 2 1
4 0 1 2 2 2 2
8 0 1 2 2 2 3
13 0 2 1 1 1 1
11 0 2 1 1 1 1
28 0 2 2 1 1 1
9 0 2 2 1 1 2
1 0 2 2 1 1 2
15 1 1 1 1 1 2
29 1 1 1 1 1 2
10 1 1 1 1 1 3
23 1 1 1 2 2 2
26 1 1 1 2 2 2
27 1 1 2 1 2 2
19 1 2 2 1 1 3
6 1 2 2 1 2 2
16 1 2 2 2 1 3
2 1 2 2 2 2 3
Объединяем одинаковые целевые строки (выделены шрифтом в табл. 5):
Таблица 6
Объединение одинаковых целевых строк
N Хо Х1 Х2 х3 X, Х5
17 0 1 1 1 2 2
7 0 1 1 2 2 3
24 0 1 1 2 2 3
12 0 1 1 2 2 3
22 0 1 2 2 1 2
20 0 1 2 2 2 1
4 0 1 2 2 2 2
8 0 1 2 2 2 3
13 0 2 1 1 1 1
11 0 2 1 1 1 1
28 0 2 2 1 1 1
9 0 2 2 1 1 2
1 0 2 2 1 1 2
15, 29 1 1 1 1 1 2
10 1 1 1 1 1 3
23, 26 1 1 1 2 2 2
27 1 1 2 1 2 2
19 1 2 2 1 1 3
6 1 2 2 1 2 2
16 1 2 2 2 1 3
2 1 2 2 2 2 3
Осуществляем операцию «склеивания» переменных, начи-
ная с переменной Х1 путем нахождения следующей строки, отличающейся только следующим значением рассматриваемой переменной при обязательном совпадении значений всех остальных переменных в сравниваемых строках. Результат показан в табл. 7 (не целевые строки не показаны).
Таблица 7
Результат «склеивания» переменных
N Хо Х1 Х2 х3 X, Х5
15, 29, 10 1 1 1 1 1 2, 3
23, 26 1 1 1 2 2 2
27 1 1 2 1 2 2
19 1 2 2 1 1 3
6 1 2 2 1 2 2
16, 2 1 2 2 2 1, 2 3
Записываем результат с указанием мощности (числа строк) и значений переменных (с пределами определения), объединенных через знак конъюнкции в порядке убывания мощности:
"=3 (Хг=1) & (Х2=1) & (Х3=1) & (Х4=1) & (1<Х5<3), строки 10,
15, 29;
"=2 (Хг=2) & (Х2=2) & (Х3=2) & (Х5=3), строки 2, 16;
"=2 (Хг=1) & (Х2=1) & (Х3=2) & (Х4=2) & (Х5=2), строки 23, 26; (1)
"=1 (Хг=1) & (Х2=2) & (Х3=1) & (Х4=2) & (Х5=2), строка 27;
"=1 (Хг=2) & (Х2=2) & (Х3=1) & (Х4=1) & (х5=3), строка 19;
"=1 (Хг=2) & (Х2=2) & (Х3=1) & (Х4=2) & (х5=2), строка 6.
Данная модель подразумевает, что указанные строки объединены между собой через знак дизъюнкции.
Полученное выражение можно записать в виде, учитывающем интервалы квантования. Так для Хг=1 оно будет 0<Хт<3,5, а для Хг=2: 3,5<Хт<7. Для переменных Х3, Х4 интервалы будут соответствовать интервалам для переменной Х1. Для Х2=1: 0<Х2<3, а для Хг=2: 3<Х2<6. Для Х5=1: 0<Хз<2; Х5=2: 2<Хз<4; Х5=3: 4<Х5<6.
В результате подстановки этих интервалов результирующая математическая модель будет иметь следующий вид:
"=3 (0<Х1<3,5)&(0<Х2<3)&(0<Х3<3,5)&(0<Х4<3,5)&(2<Х5<6),
строки 10, 15, 29;
"=2 (3,5<Х1<7)&(3<Х2<6)&(3,5<Х3<7)&(4<Х5<6), строки 2, 16;
"=2 (0<Х1<3,5)&(0<Х2<3)&(3,5<Х3<7)&(3,5<Х4<7)&(2<Х5<4),
строки 23, 26;
"=1 (0<Х1<3,5)&(3<Х2<6)&(0<Х3<3,5)&(3,5<Х4<7)&(2<Х5<4), строка 27; (2) "=1 (3,5<Х1<7) & (3<Х2<6) & (0<Х3<3,5) & (0<Х4<3,5) & (4<Х5<6), строка 19;
"=1 (3,5<Х1<7) & (3<Х2<6) & (0<Х3<3,5) & (3,5<Х4<7) & (2<Х5<4), строка 6.
Для оценки полученного результата выполним расчет с помощью алгебраической модели конструктивной логики (не модернизированный вариант). В результате расчета по данным табл.
1 получаем следующую математическую модель:
Импликации ПРЯМЫЕ из файла: E:\AMKL\TBase.txt. Переменная цели: Х0.
Значение цели: 1.
Маска: нет.
Совпало целевых и нецелевых строк: 0.
1. "=5. (1< Х2 < 4) & (0< Х5 < 5), строки: 10, 15, 23, 26, 29;
2. "=4. (1< Х4 < 4) & (2< Х1 < 6), строки: 10, 14, 21, 29;
3. "=4. (2< Х1 < 4), строки: 10, 15, 21, 29;
4. "=4. (3< Х5 < 5) & (2< Х1 <=7), строки: 10, 16, 19, 21; (3)
5. "=4. (1< Х5 < 3) & (1< Х2 < 5), строки: 14, 26, 27, 29;
6. "=2. (2<=Х5 < 3) & (3< Х3 < 5), строки: 5, 26;
7. "=2. (5< Х4 <=6) & (2<=Х5 < 5), строки: 6, 26;
8. "=1. (4< Х5 <=5) & (1< Х1 <=5), строки: 2.
Сравнивая модели (2) и (3) можно отметить следующее:
1. Модель (3) более компактна. Об этом можно судить по числу переменных в модели: 15 в модели (3) и 29 в модели (2).
2. В модели (3) присутствуют результирующие составляющие с мощностью, превышающей в модели (2) (5 против 3), что важно для исследователя, пытающего выявить наиболее важные результирующие составляющие (действующие с наибольшей силой).
3. Модель (2) имеет небольшое число результирующих составляющих, что приветствуется исследователями, поскольку облегчает интерпретацию результата.
Однако, сравнивая модели (2) и (3), нельзя забывать, что в
модели (2) производилось предварительное квантование переменных, в то время как в модели (3) такого преобразования входной информации не производилось. По этой причине для более корректного сравнения выполним расчет, используя квантованные данные (табл. 2).
Импликации ПРЯМЫЕ из файла: E:\AMKL\control.txt.
Переменная цели: Х0.
Значение цели: 1.
Маска: нет.
Совпало целевых и нецелевых строк: 0.
1. М=3. (2< Х5<=3) & (1< Х1<=2), строки: 2, 13, 15;
2. М=3. (2< Х5<=3) & (1<=Х4< 2), строки: 8, 13, 15;
3. М=2. (1< Х5<=2)&(1<=Х4< 2)&(1<=Х2<2), строки: 12, 23; (4)
4. М=2. (1<=Х3<2)&(1< Х4 <=2)&(1< Х2<=2), строки: 4, 21;
5. М=2. (2<=Х5<3)&( 1<Х4<=2)&( 1< Х3<=2)&(1<=Х2<2), строки: 18, 20.
Сравнивая модели (1) и (4) можно отметить следующее:
1. Модель (4) более компактна. Об этом можно судить по числу переменных в модели: 14 в модели (4) и 29 в модели (1).
2. В модели (4) присутствуют более короткие результирующие составляющие, чем в модели (1).
3. Модели (1) и (4) имеют примерно одинаковое число результирующих составляющих (6 и 5 соответственно).
На основании изложенного можно сделать вывод о том, рассматриваемый алгоритм значительно уступает алгебраической модели конструктивной логики по компактности модели, т.е. значительно уступает в оптимальности модели. Тем не менее, полезность в таком алгоритме есть не только в изложенных выше преимуществах, а, прежде всего в том, что модель строится только на подтвержденных данных и не допускает возможности домысливания при отсутствии в исходных данных всех возможных случаев. Это бывает нужным в ряде случаев при построении экспертных систем, когда разработчик не может доверить алгоритму учет отсутствующих (скрытых факторов) в исходном, ограниченном по числу случаев массиве по причине высокой ответственности за использование результата, полученным с помощью экспертной системы.
Осложняет ситуацию в использовании алгоритма и то обстоятельство, что исследователь должен квантовать переменные. Если в результате этой операции исследователь задаст не до конца продуманное число уровней квантования, то это скажется на результате, который будет перенесен и в экспертную систему.
Важным аспектом использования алгебраической модели конструктивной логики, в том числе и рассматриваемого варианта, является наличие в исходных данных одинаковых случаев с противоположным исходом. В этом случае цель достигается и не достигается при одних и тех же значениях переменных (факторов). В рассматриваемом варианте, также как и в других, такие случаи исключаются из анализа. В ряде направлений исследований вероятностный исход может иметь место, например, в медицине.
В связи с этим возникает задача учета одинаковых случаев с противоположным исходом.
Первым вариантом постановки данной задачи может быть задание допустимого порога присутствия противоположных случаев. Зададим уровень доверия 0,05, считая допустимым наличие 5% случаев, выпадающих из закономерности 95% случаев. Тогда случаи (до 5%) мы должны исключить (например, для расчета от обратного), оставив остальные (для прямого расчета). Для рассмотренного выше числового тестового примера это можно сделать на этапе выявления одинаковых случаев (строк), показанных в табл. 3.
Вторым вариантом постановки данной задачи может быть получение прямой модели (достижение цели) и обратной модели (не достижение цели) не только с указанием мощности, но и мощности противоположной модели. Поскольку мощность является сутью числа одинаковых случаев, то вместо одной цифры мы будем иметь две: первая будет соответствовать прямой модели, а вторая - обратной. Представим эту результирующую составляющую на примере:
а) для прямой модели: "=16; 4. (2<Х1< 4)&(1<Х3<4)&(5<Х^<8);
б) для обратной модели: "=4; 16. (2<Х1<4)&(1<Х3<4)&(5<Х4<8). (5)
Для данного случая всего одинаковых случаев 16 + 4 =20.
Сравним данную результирующую составляющую в доверительных интервалах (в данном случае в процентах):
а) для прямой модели: от 61,28 до 98,72;
б) для обратной модели: от 1,28 до 38,72.
Если доверительные интервалы не пересекаются, то результирующую составляющую с большей вероятностью оставляем, а с меньшей - исключаем из полученной модели.
Для данного случая мы должны оставить результат для прямой модели:
W=16. (2 < X1 < 4) & (1 < X3 < 4) & (5 < X4 < 8).
Если доверительные интервалы пересекаются, то обе результирующие составляющие должны быть исключены из полученной модели.
Для рассмотренного выше алгоритма мы фактически переносим этап исключения одинаковых случаев (строк), показанных в табл. 3, на конечный этап оценки результата моделирования. При этом мы должны осуществлять раздельный учет мощностей на этапах «склеивания» составляющих, плюсуя случай (при вычислении текущего значения W) при выполнении этой операции.
Особенностью второго варианта вероятностного учета результирующих составляющих является то обстоятельство, что при выполнении операции «склеивания» составляющих может произойти поглощение (исключение) переменной (фактора). В этом случае мы можем получить результирующую составляющую, которая по составу переменных или по другим пределам определения переменных не будет совпадать с похожей составляющей в противоположной модели. Это не позволит нам сравнить результирующие составляющие в доверительных интервалах и исключить одну из них или обе составляющие.
Из изложенных вариантов учета одинаковых случаев с противоположным исходом можно сделать выводы:
1. Первый способ с заданием допустимого порога может быть использован для разных алгоритмов алгебраической модели конструктивной логики.
2. Второй вариант оценки результирующих составляющих в доверительных интервалах применим только для данного алгоритма построения алгебраической модели конструктивной логики.
Литература
1. Хромушин, В.А. Алгоритмы и анализ медицинских данных / В.А. Хромушин, А.А. Хадарцев, В.Ф. Бучель, О.В. Хромушин // Учебное пособие. - Тула: Изд-во «Тульский полиграфист», 2010. - 123 с.
2. Хромушин, В.А. Обзор аналитических работ с использо-
ванием алгебраической модели конструктивной логики / В.А. Хромушин, А.А. Хадарцев, О.В.Хромушин, Т.В. Честнова.- Тула: Вестник новых медицинских технологий. Электронное издание, (2011.- N1, публикация 3-2), http://www.medtsu.tula.ru/
VNMT/Bulletin/E2011-1/Lit0bz.pdf.
3. Хромушин, В.А. Опыт использования алгебраической модели конструктивной логики в аналитических расчетах в медицине и биологии / В.А. Хромушин, А.А.Хадарцев, О.В. Хромушин, Е.И. Минаков. Известия Академии инженерных наук им. А.М. Прохорова. Юбилейный том, посвященный 20-летию Академии инженерных наук РФ/ под. ред. Ю.В.Гуляева.- Москва -Н.Новгород: НГТУ, 2011.- 212 с. [206 - 210].
THE REDUCTIVE VARIANT OF CONSTRUCTIVE LOGIC MODEL MAKING
V.A. KHROMUSHIN, YE.I. MINAKOV, V.A. BARKHOTKIN, O.V.
KHROMUSHIN, S.N. GONTAREV
Tula State University
Tula Regional Branch of Academy of Medico-Technical Sciences National Research University “Moscow Institute of Electronic Engineering ”, Moscow Belgorod State University
A reductive variant of constructive logic algebraic model allowing the raise of operating speed and the number of software factors under analyzing is offered.
Key words: algorithm, model, analysis.
УДК 331.46/004.9
ИНФРАСТРУКТУРА УНИВЕРСАЛЬНОГО ВЫЧИСЛИТЕЛЬНОГО КОМПЛЕКСА ДЛЯ КОЛИЧЕСТВЕННОЙ ОЦЕНКИ СКРЫТОГО ПРОФЕССИОНАЛЬНОГО РИСКА
А.Г. ХРУПАЧЁВ, А.А. ХАДАРЦЕВ, Л.В. КАШИНЦЕВА, ИВ. ПАНОВА*
Статья посвящена разработке методов прогнозирования профзаболеваний и болезней, связанных с работой при действии вредных факторов производственной среды, является приоритетным направлением ВОЗ в Глобальном плане действий по здоровью работающих на 2008-2017 г.г.
Ключевые слова: профессионально-обусловленные заболевания, гигиеническое нормирование производственный, количественная оценка риска, математическое моделирование, ущерб здоровью.
Разработка методов прогнозирования профзаболеваний и болезней, связанных с работой при действии вредных факторов производственной среды, является приоритетным направлением ВОЗ в Глобальном плане действий по здоровью работающих на 2008-2017 г.г. По данным ВОЗ около 25% болезней работающего населения могут быть связаны с условиями труда [6]. В Государственном докладе «О санитарно-эпидемиологической обстановке в Российской Федерации в 2009 году» отмечается, что от 20 до 40% трудопотерь обусловлено заболеваниями, прямо или косвенно связанными с неудовлетворительными условиями труда. Удельный вес работающих в условиях, не отвечающих санитарно-гигиеническим нормам, по основным видам деятельности (добыча полезных ископаемых, обрабатывающее производство, производство и распределение электроэнергии, газа и воды, строительство, транспорт, связь) составил 40,7% [5]. Поэтому, оценка неспецифических эффектов воздействия (скрытое повреждение здоровья) вредных факторов производственной среды -наиболее важная и трудная задача, стоящая перед мировым гигиеническим сообществом в настоящее время. Для ее решения нам представляется целесообразным применить, как и в случаях оценки детерминированных эффектов повреждения здоровья в результате получения производственных травм и профессиональных заболеваний, единый индекс вреда, измеряемый в сутках сокращения продолжительности полноценной жизни (СППЖ) за год [4,11].
Правомерность такого подхода обусловлена тем, что при работе во вредных условиях труда организму наносится ущерб, который пока невозможно с достаточной точностью установить современными методами медицинской диагностики. Дело в том, что заболевания, спровоцированные вредными условиями труда, имеют невероятно долгий инкубационный период, в результате чего могут проявляться в различных формах, которые не всегда легко распознать, более того, очень часто в момент проявления симптомов заболевания, вредное воздействие на человека уже отсутствует, т.к. он закончил свою трудовую деятельность.
Тем не менее, мы должны иметь в виду, что каждый вредный производственный фактор, действующий на организм в количествах, превышающих предельно допустимые значения, оказывает неспецифическое хроническое действие на организм. Это выражается в постоянном перенапряжении защитных сил организма, в развитии хронических заболеваний и нарушений нормальных состояний сердечно-сосудистой системы, бронхолегочного аппарата, печени, почек, системы красной и белой крови, в развитии аллергических заболеваний, расстройстве нервной системы, различных заболеваний желудочно-кишечного тракта и других органов. В значительной степени это обусловлено угнетением активности иммунной системы и системы клеточного метаболизма, в частности тканевого дыхания, что повышает чувствительность к различным инфекциям и вероятность заболеваний типа ОРЗ. Каждый год появляются все новые данные медицинских наблюдений о более поздних проявлениях расстройства здоровья, вызванных воздействием вредных факторов производственной среды. Все это подчеркивает чрезвычайную актуальность принятия мировым медицинским сообществом дозового принципа гигиенического нормирования вредных факторов, который позволяет стать на научно обоснованные позиции априорного анализа скрытого профессионального риска.
В частности, методология гигиенического нормирования факторов окружающей среды, позволяет сделать математическое обоснование неотвратимости скрытого повреждения здоровья
* Тульский государственный университет, 300012, г. Тула, пр-т Ленина, д. 92
