Информационная система пространственного мониторинга состояния здоровья населения региона

Теперь, имея три составляющие регионализированной переменной, определенные вариограммой, можно определить веса, необходимые для выполнения интерполяции в локальных окрестностях. Однако, в отличие от ОВР, веса для интерполяции в пределах окрестностей выбираются с целью минимизации дисперсии оценки для всех комбинаций отсчетов высоты. Эта дисперсия может быть получена непосредственно из модели, по которой была прежде создана вариограмма [69].

В отличие от детерминированных интерполяторов, кригинг представляет статистический способ прогнозирования. В кригинге предсказываемое значение зависит от двух факторов: тренда и дополнительного элемента изменчивости. Это интуитивная идея с множеством аналогий в реальном мире нашла свое воплощение в современных математических моделях многомерных случайных процессов. Например, если вы идете от океана к вершине горы, при подъеме вы имеете восходящий тренд. Тем не менее, по дороге могут быть изменения - вы будете идти и вверх и вниз, преодолевая буераки, реки, раки и другие особенности рельефа [38].

Другой пример (не географический) это фондовый рынок. Традиционно тренд рынка растет, но это не значит, что он растет каждый день. Существует определенное количество дневных флуктуаций и отклонений от тренда [69].

В кригинге трендовая часть прогноза называется трендом, а флуктуационная часть называется пространственно-автокоррелируемой случайной ошибкой. Термин «Ошибка» означает отклонение от тренда. «Случайная» означает, что флуктуация (отклонение) от тренда не известна заранее, это может быть движение вверх или вниз при восхождении, это может быть выше или ниже среднего подъема фондового рынка. Термин пространственно автокоррелируемая означает, что пока флуктуации точно не известны заранее, у них могут быть обе тенденции - быть и выше и ниже среднего, в каком бы близком соседстве они ни находились. Это положительная пространственная автокорреляция. Также возможна отрицательная пространственная автокорреляция, при которой, если одна позиция выше среднего, то ближайшая позиция стремится быть ниже среднего [68,69].

Можно применить эти концепции тренда и случайной ошибки с учетом процедур перехода к ранговым выборкам в растрах и представить их в виде уравнения вида [37]:

Ж(s) = м(s) + е (s)

где s - местоположение предсказываемой локации (как представление пары координат х,у).

Ж(s) - предсказываемое значение

м(s) - это детерминированный тренд .

е (s) - пространственно автокоррелируемая случайная ошибка.

Это уравнение формулирует идею о том, что прогнозируемые значения зависят от тренда и локальной флуктуации в тренде. Поскольку переменные в этой формуле - основа всех видов кригинга, необходимо познакомиться с ними поближе. Начнем, справа налево.

Относительно е(s), случайной ошибки пространственной автокорреляции, делается два предположения. Первое предположение - среднее значение равно 0. Другими словами, некоторые флуктуации будут по одну сторону тренда, некоторые - по другую, но различия, в среднем, будут поглощать друг друга.

Второе предположение таково, что автокорреляция ошибки исключительно пространственная, она зависит только от расстояния и больше ни от каких других свойств (таких как расположение) локации.

Автокорреляция между е(s) and е(s+h) не зависит от реального местоположения S, а только от расстояния h между локациями. Предполагается, что случайные ошибки пар локаций, связанных стрелками, имеют одинаковую автокорреляцию, так как расстояние между точками в парах одинаковое (Рисунок 27).

Рисунок 27. Векторы автокорреляции

Теперь обсудим трендовую составляющую уравнения. Тренд это устойчивая модель данных, которая объясняется некоторыми физическими свойствами поверхности. Средняя дневная температура изменяется в соответствии с географической широтой, распространение переносимых по воздуху осадков изменяется в соответствии с преобладающим направлением ветра. Все это постоянные шаблоны данных, которые можно принять во внимание в модели прогноза.

Тем не менее, во многих случаях тренд в данных отсутствует, или, если он есть, то достаточно слабый, и его можно не учитывать. Предположение, что в данных нет тренда, математически эквивалентно предположению, что данные имеют постоянное среднее значение. Если среднее это простая константа, как например м(s) = м (т.е. тренда нет) для всех локаций s, и если м - неизвестно (предварительно среднее значение не известно), то это модель, на которой основан Ординарный Кригинг (Рисунок 28)[69].

Точечная линия представляет постоянное неизвестное среднее значение, по вертикали - измеренные значения. Ординарный Кригинг допускает, что данные имеют постоянное среднее значение (без тренда) и что среднее значение заранее не известно.

Рисунок 28. Измеренные значения. Ординарный киринг

Значения данных (красные точки) понимаются как случайные ошибки, которые колеблются вокруг неизвестного среднего. Случайные ошибки являются автокоррелируемыми, что значит, что они имеют тенденцию быть больше или меньше среднего подобно их соседям.

Иногда, как в примере выше, существует тренд, когда данные меняются в соответствии с пространственными координатами. Математически это представляется как уравнение линейной регрессии с пространственными х и у координатами. Изменяющиеся тренды (не имеющие постоянного среднего) и для которых неизвестны коэффициенты регрессии, формируют модели для Универсального Кригинга (Рисунок 29)[69].

Рисунок 29. Измеренные значения. Универсальный киринг

Точечная линия представляет тренд. Универсальный кригинг предполагает, что в данных есть тренд, но элементы функции тренда заранее не известны. Значения данных (красные точки) понимаются как случайные ошибки, которые колеблются вокруг неизвестного тренда. Случайные ошибки автокоррелируются, что значит, что они имеют тенденцию быть больше или меньше тренда подобно их соседям.

Независимо от того, является тренд постоянным или переменным, если его элементы (все параметры и ковариации) полностью известны заранее, то это модель для Простого кригинга [69].

Теперь рассмотрим левую сторону уравнения Ж(s) = м(s) + е(s). Можно проделать некоторые полезные математические операции над Ж(s). Например, нужно предсказать возможность того, что Ж(s) меньше или больше некоторого порогового значения, например 0,12 ppm для концентрации озона. Можно преобразовать Ж(s) в индикаторную переменную, которая принимает значение 0, если Ж(s) меньше порогового значения, или 1, если больше. Это называется Индикаторным кригингом.

Также можно сделать общие неспецифические преобразования данных, назовем их fi(Ж(si)) для i-ой переменной. Например, можно взять логарифм некоторых данных и квадратный корень других данных. Затем из этих преобразований можно сформировать предсказатель для каждой точки данных. Также можно сделать различные преобразования для локации, которую нужно предсказать и которую обозначим как g(Ж(s0)). Примечательно, что при ранговой процедуре не нужно точно определять преобразование для данных, только преобразование для прогнозируемой локации.

Дизъюнктивный кригинг [69] после использования непараметрических процедур осуществляется уже робастный поиск среди всех возможных преобразований данных, чтобы получить предсказатель для g(Ж(s0)). Его модель:

f(Z(s)) = м1 + е(s), где м1=const, f(Z(s)) = I(Z(s) > ct

В геоанализе существует только одна опция для преобразования предсказываемой локации, и это индикаторное преобразование. Если преобразование не определено, то предполагаем, что прогнозируемая локация не преобразована, тем не менее, все возможные преобразования могут быть рассчитаны.

До сих пор мы рассматривали ситуации с одной переменной. Также можно работать с более чем одной переменной, используя равенство Жj(s) = мj(s) + еj(s) для j-ого типа переменной. В такой ситуации можно рассматривать разные тренды для каждой переменной, и в дополнение к автокорреляции для ошибок еj(s), есть кросскорреляция между ошибками еj(s) и еk(s) для двух типов переменных. Например, можно рассмотреть кросскорреляцию между двумя переменными, например, концентрации озона и твердых частиц в воздухе (которые не обязательно должны быть измерены в одних и тех же локациях). Кокригинг - это применение Кригинга для более чем одной переменной.

Все формы Кригинга, которые можно применить для одной переменной, также можно применить для более чем одной переменной, это будет Ординарный Кокригинг, Универсальный Кокригинг, Простой Кокригинг, Индикаторный Кокригинг, Вероятностный Кригинг и Вероятностный Кокригинг, и Дизъюнктивный Кокригинг [37, 69].

Кригинг часто дает довольно точные оценки пропущенных значений, но эта точность обходится ценой времени и вычислительных ресурсов. Но даже при этом кригинг имеет еще одно преимущество перед другими методами интерполяции, - он не только дает интерполированные значения, но также и оценку возможной ошибки этих значений. Это может навести на мысль, что данный метод следует применять повсеместно. Но, когда мы имеем дело с большим уровнем локального шума из-за ошибок измерений или большие вариации высоты между отсчетами, в данном методе становится трудным построение кривой полудисперсии. А в таких условиях результаты кригинга будут не лучше, чем полученные другими методами [68].

В векторных моделях данных (чаще всего TIN) процесс интерполяции проще всего выполняется выборкой точек с их значениями высоты и преобразованием их в точечную матрицу высот. И уже к этому точечному покрытию может быть применен один из описанных алгоритмов. В действительности, сама модель TIN может выполнять интерполяцию [McCullagh and Ross, 1980], но это мы оставим для более углубленного курса геоинформатики. В растровых покрытиях значения высоты соотносятся с точками, расположенными внутри каждой ячейки (например в центре). Для интерполяции мы можем использовать именно эти точки действовать по одному из описанных выше методов. В этом случае интерполируемым ячейкам растра присваиваются значения высоты, полученные для представляющих их точек. Если ГИС не содержит нужного алгоритма, то, как правило, возможно преобразовать точечные покрытия в форму, понимаемую специализированным программным обеспечением, рассчитанным на работу с пространственными данными. Затем его выходные данные могут быть преобразованы обратно для дальнейшего анализа внутри ГИС. Существуют и другие обзоры метода интерполяции, к которым можно обратиться [Lam, 1983; Flowerdewai Green, 1992], [70].

Выбор метода интерполяции [68]. Сравнение детерминированных и стохастических интерполяторов. Детерминированный интерполятор не использует случайные ошибки, связанные с прогнозами. Детерминированные интерполяторы могут создавать поверхность прогнозов, но не могут создавать поверхности стандартной ошибки, вероятностей или квантилей (все те, которые используют стандартные ошибки в своих вычислениях).

Стохастический интерполятор, будучи случайным, моделирует ошибки и использует статистические методы для оценки ошибки, связанной с предсказаниями. Стохастический интерполятор может создавать поверхности стандартной ошибки, вероятности и квантилей в дополнение к поверхностям прогноза.

Скорость интерполяции. Обратные взвешенные расстояния (IDW) и Глобальный Полином - два наиболее быстрых интерполятора - IDW из-за своей математической простоты и Глобальный Полином из-за того, что он не занимается исследованием соседства. Это означает, что не нужно делать отдельные вычисления для каждой прогнозируемой локации.

Сравнение точных и неточных интерполяторов. Точный интерполятор дает значение поверхности прогноза равное наблюдаемому значению во всех рассматриваемых локациях. Неточный интерполятор сглаживает или фильтрует данные таким образом, что значение поверхности прогноза не равно наблюдаемым значениям.

Кригинг обычно рассматривается как точный интерполятор. Тем не менее, вы можете выбрать модели с ошибками измерений. Ошибки измерений имеют место, когда ваши измерения не точны, например, когда лаборатория измеряет химические свойства почвы и в отчете указывают, что их измерения лежат в пределах + - нескольких процентов от истинного значения. Другой пример, когда измерения некоторых свойств окружающей среды производятся с помощью инструментов, точность которых имеет некоторый допуск. В таких случаях Кригинг и Кокригинг отфильтровывают ошибки измерений и больше не дают точных интерполяций.

Гибкость. Гибкий интерполятор дает возможность управлять результатами выходной поверхности через установку различных параметров. Гибкие интерполяторы требуют больше решений с вашей стороны, больше инструментов для принятия решений (таких, как инструменты анализа исследуемых данных), и более глубокого понимания того, как работает интерполятор.

Негибкий интерполятор дает небольшую возможность управлять поверхностью. Можно установить только несколько параметров, создание поверхности в основном автоматическое.

Предположения. Некоторые типы поверхностей, производимые Кригингом - такие, как поверхности квантилей - требуют предположения о нормальном распределении. Для всех типов поверхностей Кригинг предполагает, что ошибки происходят от стационарного процесса.

Таблица 4. Сравнение методов

Метод	Тип	Поверхности вывода	Скорость	Точный интерполятор	Гибкость	Продвинутый	Не продвинутый	Предполож.
Обратные взвешенные расстояния	Детерминир.	Предсказание	Быстро	Да	Не гибкий; мало параметров решений	Мало решений	No assessment of prediction errors; bull's-eyes around data locations	Нет
Глобальный Полином	Детерминир.	Предсказание	Быстро	Нет	Не гибкий; мало параметров решений	Мало решений	No assessment of prediction errors; may be too smooth; edge points have large influence	Нет
Локальный Полином	Детерминир.	Предсказание	Достаточно быстро	Нет	Относительно гибкий; больше параметров решений	Гибкий	No assessment of prediction errors; may be hard to choose a good local neighborhoods	Нет
Базовые радиальные функции	Детерминир.	Предсказание	Достаточно быстро	Да	Гибкий; больше параметров решений	Гибкий	No assessment of prediction errors; may be too automatic	Нет
Кригинг	Стохастич.	Предсказание; Стандартная ошибка; Вероятность; Квантиль	Достаточно быстро	Да (без ошибок измерений) Нет (с ошибками измерений)	Очень гибкий; assess spatial autocorrelation; получается предсказанием стандартных ошибок; много решений	Гибкий со средствами моделирования; предсказание стандартных ошибок	Many decisions on transformations, trends, models, parameters, and neighborhoods	Stationarity, some methods require a normal data distribution
Кокригинг	Стохастич.	Предсказание; Стандартная ошибка; Вероятность; Квантиль	Достаточно быстро	Да (без ошибок измерений) Нет (с ошибками измерений)	Очень гибкий; use info in multiple data sets; assess spatial crosscorrelation; очень много решений	Гибкий со средствами моделирования; предсказание стандартных ошибок	Many decisions on transformations, trends, models, parameters, and neighborhoods	Stationarity, some methods require a normal data distribution

Каждый метод интерполяции имеет преимущества и недостатки. Рассмотрение преимуществ и недостатков дает возможность сделать лучший выбор (Таблица 4). Например, гибкость метода дает возможность управлять выходной цифровой поверхностью (преимущество), но требует принятия предварительных решений (возможный недостаток) [68].

2.3.2 Общая методика геостатистического исследования для медико-экологических данных: выбор математических методов, моделей, получение цифровых пространственных моделей (поверхностей) и моделей ошибок интерполяционных значений

Для пространственной локализации статистических оценок медико-статистических характеристик обычно используются методы современной теории многомерного пространственного анализа (в геостатистике это кокригинг) основанные на нормальном распределении данных. Однако специфика медико-экологического мониторинга состоит (как уже упоминалось) в существенной статистической неоднородности данных. Для преодоления этой трудности в работе предлагается многомерные преобразования исходных данных в квантильные и ранговые последовательности. Ранг наблюдения xi задается как его положение среди порядковых статистик: R{ xi}=i. Таким образом исходные данные заменяются ранговыми последовательностями (Ri), где i= 1,…n. Здесь, реализуется непараметрический подход к выявлению и обнаружению локаций территорий, на которых характеристики загрязнения ОС статистически устойчиво коррелируют с медицинскими аномалиями. Он основан на ранговой модификации методов интерполяций и используется для формирования робастных цифровых пространственных моделей по набору значений ИЗА группы веществ, полученных в разные сезоны внутри одного календарного года. Данный подход приводит к следующим модификациям кригинга.

1. Модификация. При получении интерполяций, как результат, цифровых пространственных моделей значений «Индекса загрязнения атмосферы» рассчитывался по с учетом квантильных преобразований, по формуле Z(s) = s/r2, где s - квантилированное местоположение предсказываемой локации (как представление пары координат х, у). Ж(s) - предсказываемое значение, например ИЗА группы веществ, r- расстояние от истинного (замеренного) значения до искомой точки. В первый момент времени рассчитывается расстояние между искомой точкой и всеми окружающими ее точками. Далее рассчитывается медианное значение всех точек, окружающих искомую точку, с учетом расстояния до искомой точки. Переход к медианам и квантилям обеспечивает устойчивость оценок при неизвестном типе распределения данных. Этот метод в варианте вычисления средних довольно широко применялся для моделирования распространения загрязнений в компонентах окружающей среды одного какого-либо вещества или группы веществ и ранее, но не обнаружил робастных свойств при изменении типа распределения данных [Фридман К. Б., Мирский В. Е. и др.].

2. Модификация. Для случая ранжирования исходных наблюдений процедура универсального крикинга предлагается в виде : V (Ri)=Ni=1 wi V (Ri) , где wi - веса приписываемые данным, Ri - преобразованные в ранги элементы исходной выборки.

3. Модификация. Помимо интерполяции и тренда, проводится анализ вариограмм с допущением, что чем ближе значения друг к другу (меньше лаг), тем более автокоррелированы между собой. После перехода от исходной выборки к рангам данных процедуры оценки вариограмм(h) представляются в виде: (h) =(1/2N(h)) Ni=1( V (Ri) - V (Ri+h) )2 , где N - число точек находящихся на расстоянии h. Подобные оценки обладают непараметрическими свойствами и следовательно являются и устойчивыми процедурами, что также подтверждается практическим использованием модифицируемых процедур. Таким образом использование подобных вариограмм, дает возможность пользователям подобрать к данным непараметрически устойчивую (робастную) модель пространственной зависимости. Для расчета (прогноза) неизвестного значения переменной в заданном месте (интерполяции) процедура кригинга будет использовать подобранную модель вариограммы, конфигурацию пространственных данных и значения в точках измерений вокруг данного местоположения.

4. Модификация. Осуществляется свертка квантильных значений всех ячеек в растрах цифровой пространственной модели при помощи модуля Arc GIS Spatial Analyst. В результате - с учетом ранговых статистик получались устойчивые (робастные) зоны постоянного во времени нахождения повышенного ИЗА в тех или иных ареалах города. Метод удобен для нахождения робастных значений, здесь появилась возможность группировать факторы в зависимости от целей, например, в работе сгруппированы только те сезоны, в которых наличие фактора фильтрации зеленых насаждений отсутствует, чтобы вычислить робастные зоны с особой нагрузкой на окружающую городскую среду.

5. Модификация. Традиционный подход при ГИС анализе в медико-экологическом мониторинге не учитывал погрешность интерполяции (средне-квадртатичные ошибки прогнозных значений), а соответственно,- погрешность суммарной результирующей цифровой модели, например загрязнения атмосферного воздуха. В данной работе осуществляется учет этих погрешностей и с использованием непараметрических оценок разброса.

Аналогичная модификация процедур кокригинга дала на практике устойчивое выявление зон заболеваемости. С учетом того, что кокригинг позволяет строить поверхности не только по одному набору данных, но и по нескольким наборам данных, модификация усиливает надежность и детальность результатов интерполяции и за счет использования дополнительной информации по взаимокоррелируемым данным.

Таким образом, использование преобразования данных в ранговые и квантильные последовательности обеспечивает модификациию средств кригинга и кокригинга, которые создают не только саму (непараметрически устойчивую, свободную от распределения) интерполированную поверхность, но также поверхности ошибок и вероятности интерполированных значений, зависимых от значений факторов, что позволяет пользователю статистически достоверно и надежно (робастно) оценивать точность получаемых результатов интерполяции.

В главе 4 показаны результаты применения геостатистических методов как для интерполяций различных показателей загрязнения атмосферы и различных патологий у разных групп населения Санкт-Петербурга (методами Кригинг-интерполяции), так и некоторые результаты, полученные автором, с использованием Ко-Кригинг интерполяции для нахождения ареалов внутри города, где имеется зависимость между уровнями загрязнения группой веществ атмосферы и тех или иных видов заболеваний населения тех или иных территорий внутри мегаполиса на примере Санкт-Петербурга.

Для получения выводов, экспериментов с последующим применением в системе пространственного мониторинга автором была разработана методика геостатистического исследования для медико-экологических данных (Рисунок 30), а также подробная схема исследования от начала проверки пространственной структуры данных, трендов до построения цифровых пространственных моделей распределений факторов, откликов, зависимостей и их ошибок (см. Концептуальную модель на рисунке 31).



Рисунок 30. Схема геостатистического метода получения цифровых моделей распределения при помощи Arc GIS Geostatistical Analyst. Подробно -см. в приложении 1

Рисунок 31. Подробная методика построения цифровых моделей распределения медицинских и экологических данных. (Подробно -см. в приложении 2)

Глава 3. Создание системы пространственного мониторинга состояния здоровья населения города

3.1 Цели, задачи и структура системы

Сфера здравоохранения работает в сложной и многофакторной системе «Окружающая среда - человек», поэтому для принятия решений в этой сфере важно найти наиболее адекватный возникающим задачам инструмент анализа разнородных данных. На государственном уровне возникла необходимость организовать цельную систему, которая позволила бы объединить в себе параметры ОС и показатели здоровья населения, проанализировать и представить ЛПР возможные варианты совершенствования системы. Цель такой сложной системы очевидна и проста - это улучшение состояния человеческого здоровья путем снижения влияния негативных факторов ОС. Такая система мониторинга существует сейчас в РФ на региональных уровнях. Это система социально-гигиенического мониторинга [14,31,43].

Функциональные возможности ГИС и экономическая эффективность от их внедрения позволяют объединить в себе некоторые блоки системы социально-гигиенического мониторинга [36,43]. На примере выделения одного компонента среды (атмосферы), автор в работе предложил внедрение Системы пространственного мониторинга состояния здоровья населения (ПМСЗН) (Рисунок 32)

Цель деятельности системы ПМСЗН - сбор, обработка, геокодирование и визуализация баз данных о показателях здоровья населения и факторах окружающей среды в пределах мегаполиса Сантк-Петербурга. Цель на практике реализуется посредством решения следующих задач:

- Постановка типовых задач и обоснование выбора ведущих (определяющих) факторов, влияющих на состояние здоровья населения;



Рисунок 32. Блок-схема ПМСЗН.

- Загрузка баз данных из систем экологического и социально-гигиенического мониторинга, создание и сопровождения геоданных (геокодирование);

- Загрузка баз данных медицинской статистики (стандартные годовые формы отчетности по районам города и ЛПУ), создание и сопровождения геоданных (геокодирование);

- Загрузка баз данных по отдельным проектам, например «Диспансеризация детей 2002 года» [65,66], создание и сопровождения геоданных (геокодирование);

- Загрузка баз данных по Популяционному раковому регистру [71], создание и сопровождения геоданных (геокодирование);

- Визуализация показателей состояния здоровья населения по различным территориальным единицам : административный район, квартал

- Пространственно-временной анализ распределения показателей на различных геоуровнях: на уровне субъектов и городов РФ (сранвение ситуации), а также на уровне районов и кварталос Санкт-Петербурга, а также тенденций распределения;

- Анализ робастных зон влияния факотороов загрязнения в пределах границ Санкет-Петербурга;

- Геостатистическое исследование для выявления причинно-следственных связей между фаткорами и откликами в определенных локациях внутри городов;

- Создание единой платформы для обмена данными между источниками информации в закрытом режиме (интеграция с ГИС органов государственной власти Санкт-Петербурга)

- Создание вебГИС платформы для специалистов МИАЦ, а также подсистем для населения (об информаироваании и мед. Услугах ЛПУ)

Система ПМСЗН имеет ряд существенных преимуществ. Она дает возможность лицам, принимающим решения (ЛПР):

- осуществлять информационную поддержку ситуации с показателями состояния населения на картограммах на различных уровнях: для федерального уровня - сравнение субъектов, городов, для субъектового уровня - сравнение административных районов субъекта, или даже кварталов городов [41,71];

- выполнить прогноз государственных затрат на здравоохранение, связанных с воздействием одного или нескольких факторов [43];

- обосновать материальный иск граждан на ущерб здоровью, связанный с вредным воздействием факторов среды обитания [43];

- информировать местное население о ситуации с состоянием здоровья в регионе проживания в соответствии с законодательством РФ [40].

Оценка риска является одной из основ для принятия решений по профилактике неблагоприятного воздействия экологических факторов на здоровье населения [43], но не самим решением. Решения, принимаемые на такой основе, не являются ни чисто хозяйственными, ориентирующимися только на экономическую выгоду [87], ни чисто медико-экологическими, преследующими цель устранения даже минимального риска для здоровья человека или стабильности экосистемы без учета затрат на обеспечение такой ситуации [86, 87]. Другими словами, сопоставление медико-экологических, социальных и технико-экономических факторов дает основу для ответа на вопрос о степени приемлемости риска и необходимости принятия решения, ограничивающего или запрещающего использование того или иного технического решения, функционального зонирования территории поселения при разработке его генплана, принятия немедленных мер по стимулированию природоохранной деятельности предприятий и т.д. [22]. Целевой функцией системы ПМСЗН является принятие решений о корректировке деятельности государственных и негосударственных учреждений здравоохранения и предприятий с учетом выявленных экологически неблагоприятных зон с повышенными рисками для здоровья населения этих районов [21, 43].

Этап принятия управленческих решений включает, помимо количественных величин риска, анализ и характеристику неопределенностей, связанных с оценкой, и обобщение всей информации по оценке риска. Важной составляющей для ЛПР является доступный и понятный инструмент анализа результатов [20].

В настоящее время существующие системы сбора данных за состоянием здоровья населения давно устарели. С другой стороны перетерпливают значительные изменения и системы мониторинга за ОС: запущены системы социально-гигиенического мониторинга, где, помимо баз данных показателей загрязнения ОС ведется сбор данных по показателям здоровья [31]. Однако он имеет определенные недостатки, связанные, прежде всего, с различиями в структуре организации сбора данных: как по времени так и по пространству. Кроме того, само пространственное изучение распределения инфекционных и неинфекционных заболеваемостей может помочь найти причинно-следственные связи, понять тенденции распространения и т.д. Автором предлагается вводить системы пространственного мониторинга за ПМСЗН на базе ГИС. Данные системы могут быть подсистемами уже существующих систем мониторинга, помогать выполнять задачи социально-гигиенического мониторинга более эффективно [11,35, 36, 41]: решать задачи по выявлению локаций (территорий), где наиболее значимая «нагрузка» факторов загрязнений компонентов ОС, индуцированные показателями здоровья населения конкретных территорий (заболеваемость, инвалидность). Это решает проблемы профилактики здоровья у населения особо загрязнённых территорий, либо проблемы крупных городов, где факторы экологической «нагрузки» весьма ощутимо сказываются на здоровье всех жителей.

Однако, системы пространственного мониторинга состояния здоровья населения, сами по себе так же являются важными и актуальны для развертывания в т.ч. в региональных МИАЦ России, преобразовавшиеся после реорганизации системы здравоохранения из Бюро медицинской статистики [88]. Основные причины этому следующие:

1) МИАЦ являются налаженными системами сбора информации о показателях состояния здоровья населения из региональных лечебно-профилактических учреждений и облегчают централизованное взаимодействие с ними на субъектовом уровне;

2) Некоторые МИАЦ регионов имеют регистры, которые аккумулируют информацию до дома и до конкретной персоны(эти регистры могут быть и в крупных профильных НИИ);

3) МИАЦ отвечают за перевод информации в цифровой вид, что улучшает обработку данных медицинской статистики;

4) МИАЦ ведут отчетность перед органами управления здравоохранением по ситуации со здравоохранением субъекта.

Кроме того, другими источниками информации по показателям здоровья могут быть НИИ, отдельные лаборатории лечено-профилактических учреждений, отдельные проекты (например «Диспансеризация») и т.д. Таким образом, назрела необходимость внедрения в сети МИАЦ субъектов систем пространственного мониторинга здоровья населения, наряду с внедряемыми в сегодняшнее время региональных фрагментов единой государственной информационной системы в сфере здравоохранения (приказ Минздравсоцразвития РФ №364 от 28 апреля 2011 г. )». Перечень задач, которая может решать Система ПМСЗН, предложенная автором для задач организации управления здравоохранением субъекта РФ (Уровень органов исполнительной власти региона, или регионального МИАЦ) приведены в Разделе 3.1 работы.

Обеспечение устойчивого развития страны и конкретных ее регионов неразрывно связано с объединением в единую систему управления построение инвестиционно-экономической политики и решение социальных и медико-экологических задач не без участия технических разработок и концепций. Необходимость такого подхода иллюстрирует сегодняшняя ситуация в нашей стране, когда на фоне экономического спада углубляется кризис в состоянии здоровья населения. Причем, если выход из экономического кризиса может быть спрогнозирован с учетом принятия радикальных мер, то кризис в состоянии здоровья будет продолжаться даже после оздоровления экономики из-за определенной инерции в нормализации качества ОС и условий проживания человека, а также его физиологических особенностей [16].

Все выше перечисленное обусловливает необходимость создания информационной системы о состоянии среды обитания населения и влияния ее на здоровье уже сейчас. Такой системой может явиться ПМСЗН.

Существующие методы и подходы к созданию такой системы базируются на "фотографировании" ситуации в регионе, его жителями и требуют периодического обновления для определения ее динамики. Это приводит к постоянным затратам но, главное, не дает возможности прогнозировать социальную ситуацию, состояние здоровья в результате проводимых или планируемых мероприятий (крупномасштабные инвестиции в промышленность, транспорт, здравоохранение и пр.). Да и сам фактор "здоровье" определяется, зачастую, только показателями заболеваемости, демографии (результат) и затратами на органы здравоохранения (а не на здоровье населения) [43, 87]. Не используются разработанные в последнее время у нас [57] и за рубежом методические подходы качественного и количественного прогнозирования влияния фактора на здоровье [58, 89]. Отсюда и остаточный принцип финансирования такой важной отрасли, как здравоохранение, в т.ч. направленного на профилактику заболеваний (сохранение здоровья региона) [16].

Применение ПМСЗН видится автору более предпочтительным и реальным по сравнению с разработкой социально-гигиенического мониторинга [43, 86]. Главное обоснование этому - применение одного унифицированного и, в то же время, - «настроенного» на данную отрасль программного продукта на основе современных ГИС-технологий (в т.ч. с использованием Интернет, веб ГИС-технологий) [90]. ГИС ПМСЗН дает возможность получения результатов в кратчайшие сроки в дружественном виде большому кругу лиц, что приводит к принятию соответствующими лицами эффективных решений в условиях больших неопределенностей, связанных с самими сложными объектами исследований (население, компоненты ОС), с одной стороны. А с другой, - получение достоверных результатов и их доступное, понятное представление для последующего принятия решений в жестко ограниченной финансовой и временной среде.

Санкт-Петербургский МИАЦ одним из первых в России формирует единую МИС СПб МИАЦ, в которой ГИС уже применяется как средство визуализации и анализа разнородных данных [40]. Таким образом, система ПМСЗН, будучи функциональным блоком МИС, может решить конкретные задачи обработки, представления и анализа медицинских и экологических данных.

3.2 Блоки, отвечающие за информационное обеспечение системы

Примеры информационного обеспечения мы рассмотрим в разделе 4.1.1 работы. Далее рассмотрим подсистемы, в соответствии с блок-схемой (Рисунок 32)

Блок «База данных по параметрам окружающей среды» (БД ОС)

Назначение: формирование удобной и доступной БД по параметрам антропогенных воздействий и сопутствующим факторам природной среды.

Вход: набор таблиц различного объема по параметрам антропогенных воздействий, их классам, метеопараметрам, а также - географическим координатам мест съема данных и времени взятия проб.

Реализация: исходя из целей и задач системы ПМСЗН, необходимы следующие требования к формированиям БД:

- Необходим единый формат (в целях упрощения дальнейшей работы), а также - предусмотрение форматов для доступа к другим БД и ПО.

- Необходимы таблицы, где имеются обязательные поля, характеризующие географические координаты, дату съема данных, параметры антропогенных воздействий и метеопараметры.

- В целях упрощения работ по агрегации таблиц внутри БД и с другими БД, необходимо разработать систему кодов параметров и входных значений, а также - географических координат. Последние должны иметь универсальный вид. Организовывается набор таблиц с разнородными входными данными в единую БД при помощи ПО MS Access, которое полностью удовлетворяет указанным требованиям к БД Системы ПМСЗН.

Выход: БД по параметрам антропогенных воздействий и сопутствующим параметрам (географическим координатам, местности и времени взятия проб, метеопараметрам и др.), имеющие неодинаковые размерности физических величин.

В работе применялись БД Загрязнения атмосферного воздуха (БД Атмосферы) по 49 пунктам забора воздуха ТУ «Роспотребнадзора» по Санкт-Петербургу и Ленинградской области (бывший ГЦСЭН).

Блок «База данных медицинской статистики»

Назначение: сбор и классификация показателей, характеризующих здоровье населения по различным территориальным единицам (объектам, территориальным делениям).

Общественное здоровье - это здоровье групп населения (возрастно-половых, социальных, профессиональных и других), проживающих на определенных территориях. Общественное здоровье оценивается комплексом медико-статистических показателей.

К числу основных из них относятся:

- заболеваемость населения (общая, по отдельным классам и группам болезней, с временной утратой трудоспособности);

- инвалидность населения (стойкая утрата трудоспособности в связи с заболеваниями и травмами);

- физическое развитие.

- демографические характеристики (численность, возрастно-половая структура, рождаемость, смертность - формируются ниже);

Вход:

а) обращаемость населения за медицинской помощью в ЛПУ (БД ЛПУ), либо зарегистрированные в случае медицинских регистров (БД ПРР), либо результаты наблюдений, в случае диспансеризации (БД Диспансеризация);

б) число выявленных больных по результатам медицинских осмотров населения (в том числе диспансеризации, популяционных и раковых регистров);

в) данные по причинам смерти, зарегистрированных в ЛПУ;

г) данные по материалам интервью.

Реализация:

А) в зависимости от метода получения данных (а-г), а также (что увеличивает достоверность результатов) - от их комбинации, формируются учетные и отчетные записи ЛПУ, которые являются официальными документами. Они ведутся по классам болезней в виде форм, основные из которых следующие (например [47, 64, 65]):

- форма № 12 "Сведения о числе заболеваний, зарегистрированных у больных, проживающих в районе обслуживания лечебного учреждения";

- форма № 31 "Сведения о медицинской помощи детям и подросткам школьникам";

- форма № 32 "Сведения о медицинской помощи беременным, роженицам и родильницам";

- популяционный раковый регистр;

- диспансеризация детей.

С развитием ЕГИСЗ такой учет в натоящее время переведен в Медицинские информационные системы в электронный вид, доступный для различных выгрузок. Если раньше информация от ЛПУ предоставлялась в MS Excel ,то с развитием ЕГИСЗ на разных этапах такая информация может быть выгружена в Единое хранилище данных региональных фрагментов ЕГИСЗ.

Б) необходимо предусмотреть автоматизированный, полуавтоматизированный и ручной перевод учетных и отчетных форм в электронный вид. Сформированный таким образом таблицы составляют единую БД на основе ПО MS Access, которое удовлетворяет следующим требованиям к БД:

- Кроме классификаторов, характеризующих здоровье населения, в БД должны быть поля с зонами обслуживания ЛПУ (географическая привязка), дата обращения, дата установки диагноза, форма заболевания, специфические особенности заболевания, а также - половозрастные характеристики групп населения.

- Необходим единый формат (в целях упрощения дальнейшей работы), а также - предусмотрение форматов для доступа к другим БД и ПО.

- В целях упрощения работ по агрегации таблиц внутри БД и с другими БД, необходимо разработать систему кодов параметров и входных значений, а также -- географических координат. Последние должны иметь универсальный вид.

Выход:

А) классификация заболеваний на основе официальных документов ЛПУ и число болеющих (обратившихся за медицинской помощью) в зонах их обслуживания ЛПУ, либо по административным делениям и пр.

Б) ненормированные показатели здоровья:

- Инвалидность (временная, стойкая);

- Число лиц с временной утратой трудоспособности;

- Число лиц с неудовлетворительным физическим развитием;

- Число лиц, заболевших определенным классом болезни и некоторые др.

- Данные популяционного ракового регистра (адресная информация по количеству случаев в домах).

Примеры БД, БГД по факторам здоровья, загрязнения атмосферного воздуха на примере Санкт-Пететербурга рассматриваются в разделе 3.1.2 настоящей диссертационной работы

Блок «База данных других органов государственной власти».

Назначение: Интеграция с данными и геоданными из других источников для понимания причинно-следственных связей при изучении этиологии заболеваний, причин и направления распространения, а также для оперативных задач реагирования вызовов к врачу и т.д.

Вход: это должна быть, как минимум, официальная региональная база адресных данных, а также сеть улично-дорожной сети, административные деления. Эти и другие геоданные об инфраструктуры региона лили населенного пункта называются базовым набором пространственных данных, выгружаются в любых популярных форматах ГИС (Arc GIS, Map Info и др.), и должны быть доступны в векторном формате, для геокодирования, пространственной привзязки к таким базовым данным атрибутивной информации об объектах (например ЛПУ, или случая госпитализации больного), либо данных медицинской статистики, например по зонам обслуживания ЛПУ или Административным делениям.

Могут быть и другие базы геоданных из других источников.

Реализация: в зависимости от типа объектов с т.з. ГИС, выбираются (точка, линия или полигон), и геокодируются или пространственно-привязываются данные к базовому набору пространственных данных, что , при помощи ПО ГИС и оператора может делаться в полуавтоматизированном режиме. В случае, привязки к адресам, требуется проверка на правильность. В настоящее время при помощи сервисов геокодирования может быть решена задача хорошего «попадания» адреса в конкретную координату пространства. Иногда могут иметь место специфические слои, например, медико-санитарные зоны. Эти базы геоданных могут быть сделаны на основе поставленных задач оптимизации здравоохранения региона или города

Выход:

А) Либо это картографические основы в векторном формате в проектции Mercator, либо какие то определенные базы геоданных от других ведомств

Б) В настоящее время это могут быть определенные интерфейсы программирования приложений, интерфейс прикладного программирования - API (applicationprogramming interface)

Первый вариант потребует знания ПО ГИС, второй - программирования. Оба варианта пригодны для создания веб-ориентированной геоинформационной системы (вебГИС) для задач здравоохранения.

3.3 Программное обеспечение системы (Геоинформационная подсистема, подсистема анализа, моделирования и визуализации)

ГИС - является ядром ПМСЗН. Формирование интеллектуализированных баз данных с последующей их математико-статистической обработкой и представления ЛПР в виде таблиц, графиков, тематических карт, а также - их комбинаций (компановок).

ГИС - открытая система программных модулей, способная как к интеграции почти всех распространенных форматов хранения электронных данных, так и - к самостоятельному выполнению практически всего диапазона сбора, обработки, анализа (в т. ч. - и статистического) и представления географически привязанных данных.

Программное обеспечение - ArcGIS (ver. 8-10), возможности, которого позволяют не только решить традиционные для ГИС задачи, но - дают возможность стать, во-первых, мощным средством сбора данных; а, во-вторых - эффективным и исчерпывающим инструментом пространственного математико-статистического анализа данных [2, 37-39, 67 - 70]. Таким образом нет необходимости приобретать и вводить в Систему дополнительное специализированное ПО.

На вход в ГИС ПМСЗН подаются параметры баз данных по антропогенным воздействиям (БД ОС), сопутствующим факторам и баз данных по показателям здоровья населения (БД Медицинской статистики), проживающего в исследуемом районе, либо по ЛПУ. В ПО ГИС необходимо предусмотреть подсистему нормировки показателей с целью сравнения имеющихся данных с допустимыми значениями.

Например, на входе в ПО ГИС мы загружаем, помимо БД ОС (Санитарно-гигиенические нормативы) [43]:

- ПДК и др нормативные показатели, их классификации (среднесуточная, максимальноразовая и пр.);

- БД по параметрам антропогенных воздействий и сопутствующим факторам.

Реализация:

1 Подсчет общепризнанных интегральных показателей загрязнения среды в пересчете на нормативные значения.

2 Формирование в БД дополнительных полей по вычисленным интегральным показателям среды.

На выходе по результатам подсистемы нормировок: укрупненная «интеллектуализированная» БД с нормированными географически привязанными значениями параметров антропогенных воздействий, готовыми для дальнейшего анализа на карте города.

Нормировка показателей здоровья населения, поступивших от ЛПУ к общему числу жителей, либо к общему числу заболевших, либо к общему числу родившихся, умерших и пр. - в зависимости от данных ЛПУ, происходит по данным о численности населения на той или иной территории. На выходе из подсистемы нормировок в ПО ГИС пользователь «видит» укрупненную «интеллектуализированную» готовую для дальнейшего анализа БД по нормированным параметрам здоровья населения с географически привязанными координатами постоянного проживания.

Подсистема моделирования и прогнозирования блок статистического анализа

Назначение: выявление причинно-следственных связей между различными интегральными характеристиками природной среды и показателями здоровья населения.

Вход: интересующие поля в БД со значениями параметров антропогенных воздействий, сопутствующих факторов среды и поля БД с показателями здоровья.

Реализация:

1 При помощи ПО «Statistica 5.5» [43].

- Благодаря различным статистическим методам анализа осуществляется поиск причинно-следственных связей. Как правило, это - непараметрические методы статистического анализа, поскольку неизвестны законы (модели) распределения (например, по территории) показателей загрязнения и здоровья населения.

- Далее ведется вычисление соответствующих данному методу коэффициентов корреляции и доверительных интервалов.

- В результате строятся регрессионные зависимости, по которым специалисты и выявляют причинно-следственные связи.

2 При помощи модуля ArcGIS "Geostatistical Analyst" [69].

- Организовываются «тематические слои» необходимых показателей и наносятся на электронную карту.

- Далее с помощью методов детерминированных и геостатистических интерполяций строятся непрерывные 2D-поверхности в рамках указанных территорий.

- Затем, с целью правильного дальнейшего анализа, строят 2D-поверхности ошибок интерполяции.

- При помощи геостатистических методов анализа осуществляется поиск взаимокорреляции между несколькими наборами данных. А также - ищутся ковариации между значениями показателей на интерполированной поверхности и расстояниями от этих значений (к примеру, как зависит заболеваемость населения от расстояния до загруженных трасс).

Выход:

- Классы болезней, заболеваемость, смертность и другие показатели здоровья населения, имеющие достоверную корреляцию с антропогенным воздействием на ОС, а также выявления иных географических, временных (сезонных) зависимостей (например, исследование заболеваемости на слабо проветриваемых территориях или - по преимущественной годовой «Розе ветров»).

- Факторы ОС, отвечающие за ту или иную заболеваемость, смертность и т. д.

Блок оценки риска здоровью

Назначение: Расчет на основе подходящих для РФ моделей риска здоровья населения от достоверно выявленных антропогенных факторов ОС; исходя из значений рисков, оценивание ущерба здоровью от причиненного вреда [43].

Вход:

- Классы болезней, заболеваемость, смертность и другие показатели здоровья населения, имеющие достоверную корреляцию с антропогенным воздействием на ОС, а также -- выявления иных географических, временных (сезонных) зависимостей (например, исследование заболеваемости на слабо проветриваемых территориях или - по преимущественной годовой «Розе ветров»).

- Факторы ОС, отвечающие за ту или иную заболеваемость, смертность и т. д.

- Научно-доказанные справочные коэфициенты по общепризнанным моделям оценки риска (Американское Агенство по охране ОС - ЕРА US)

- Экономические показатели стоимости комплекса лечебно-профилактических мероприятий и экспертиз.

Выход:

- Оценки рисков здоровью от достоверно выявленных ПМСЗН факторов природной среды.

- Оценка нанесенного экономического ущерба здоровью в результате действия антропогенных факторов ОС [87].

- Прогностические оценки экономического ущерба здоровью на определенной территории [20].

Подсистемы визуализации для различных групп пользователей

Одно из преимуществ использования ГИС видится прежде всего в том, что система дает возможность широкого, доступного и понятного для неспециалистов представления полученных данных. В результате, упрощается управление рисками (работа с населением через СМИ, с органами власти и пр.), что повышает эффективность принятия решений ЛПР.

Вход:

- Численные оценки рисков здоровью от достоверно выявленных ПМСЗН факторов природной среды.

- Численные оценки нанесенного экономического ущерба здоровью в результате действия антропогенных факторов ОС.

- Численные прогностические оценки экономического ущерба здоровью на определенной территории.

- Сопутствующие разнородные численные данные неодинакового объема (географическое местоположение, направление ветра, время установления диагноза и пр.).

Выход:

1. Представление входных данных на графиках и картограммах.

2. Формирование соответствующих п. А) электронных карт в виде геоинформационной системы с возможностью не только представления численных результатов, но и работы с ними (поиска по запросам, редактирования, «подключения» новых данных). Причем, формируется система так, чтоб каждая координата исследуемой территории «несла» необходимую информацию для ЛПР. Результат формируется по запросам из баз геоданных на сервере в виде картинки в web-интерфейса ЛПР (Рис. 33). Web интерфейс, не требующий специального ПО, обучения, прост и доступен)

Поступившие на выходе различных подсистем визуализации (для ЛПР, для сотрудников МИАЦ, ТУ Роспотребнадзора и пр.) доступные и понятные данные могут дать возможность управлять рисками и ситуацией в окружающей природной среде посредством:

- Формирования в соответствующих органах новых (с учетом современной ситуации) нормативных параметров, которые могут быть использованы в дальнейшем, что принесет дополнительную достоверность результатов в системе ПМСЗН.

Рисунок 33. Веб-интерфейс ЛПР

- Работы с региональными, областными, городскими, муниципальными и локальными (объектовыми) органами власти: представление им данных с целью дальнейшего принятия решений по корректировки своей управленческой деятельности.

- Выработки (расчета) санкций физическим и юридическим лицам в случае нарушений ими благоприятной экологический обстановки, приведшей к ухудшению здоровья населения.

- Работы со СМИ с целью уведомления населения о зонах риска здоровью, вследствие, например, неблагоприятной с экологической точки зрения деятельности предприятия [43, 28-30].

Этап принятия управленческих решений включает, помимо количественных величин риска, анализ и характеристику неопределенностей, связанных с оценкой, и обобщение всей информации по оценке риска.

Среди основных источников неопределенности, с которыми вынуждены считаться ЛПР, это:

...