Информационная система пространственного мониторинга состояния здоровья населения региона

2. Для всех трех поллютантов выявились 2 области, где загрязненность максимальна и постоянна - это район Измайловского и Вознесенского проспектов и район Невского проспекта. Это согласуется с данными отчетов ГИБДД о местах сосредоточения наибольшего количества автомобильных пробок [73].

3. Летом и осенью наблюдается общее небольшое снижение максимального уровня загрязненности. Причина видится в благотворном влиянии зеленых насаждений в этот период на состоянии атмосферы. Кроме того, наблюдается некоторое «расползание» «облаков» загрязненности от центра к границам города вдоль основных трасс, ведущих из города. Это может быть связанно с резким сезонным возрастанием потока автотранспорта, особенно в выходные дни, из города в пригородную зону [74].

Для оценки загрязнения вокруг дорог в период максимальной деловой активности населения, были выбраны области перекрытия облаков загрязненности осенью, зимой и весной, т.е. в период, когда потоки автотранспорта предположительно максимальны (период максимальной деловой активности). Получена поверхность, которая отображает устойчивое загрязнение вокруг дорог в этот период (Рисунок 61). Эти области покрывают перекрестки, в которых либо наблюдаются пробки в течение года, либо - большой поток грузового транспорта [26-30,73].

Рисунок 61. Экологическая «нагрузка» на основные магистрали. Состояние зелёных насаждений.

Устойчивые по всем сезонам очаги загрязнения бензолом, фенолом, формальдегидом и кадмием и анализ структуры распределения загруженности автодорог в этих очагах. Учитывая все сезоны с помощью модуля GeoProcessing для программного обеспечения ArcView GIS, были выявлены и построены зоны загрязнения которые устойчивы в течение всего года. Для анализа структуры распределения загруженности автодорог в очагах загрязнения мы взяли карты ГИБДД (пробки в центральной части города и потоки грузового транспорта) [26-30,73]. При сравнении нашей карты с картами ГИБДД видно, что вблизи очагов загрязнения (Петроградский район, Центральный район) проходят основные маршруты движения грузового транспорта, например, - Кременчугская улица, видно, что в очагах загрязнения высоки среднесуточные потоки транспорта. Так же в Центральном районе сосредоточено большое количество перекрестков с затрудненными условиями проезда, т.е. практически места автомобильных “пробок” (Рисунок 61, 62).

Рисунок 62. Экологическая «нагрузка» на основные магистрали. Загрязненность вокруг магистралей (устойчивые зоны).

Сезонная изменчивость и специфику самого вещества необходимо учитывать в медико-экологических, медико-биологических, эпидемиологических исследованиях системы «Человек - окружающая среда» [36]. Например - для выявления зон устойчивых загрязнении (не изменяющихся в пространстве на протяжении года), Эти территории могут учитываться в построении зон рисков [36, 43,76].

Аналогичный метод нахождения «устойчивых» зон был получен при оценке экологической нагрузки на зеленые насаждения, а также при анализе промышленных зон Центрального района на выявление источников загрязнений атмосферного воздуха [27-30].

4.4 Результаты экспериментов с применением геостатистических методов анализа показателей и их взаимозависимости на определенных территориях

В качестве злокачественного образования анализировались заболевания лейкозами населения [79,80]. ПРР ведет персонифицированный учет больных злокачественными новообразованиями [71]. За год в каждом доме может быть зафиксировано до нескольких случаев новообразований.

Анализ базы данных ПРР (Раздел 3.1.1., пример в Таблице 20) показал, что в год лейкозами болеют в среднем порядка 550 человек. За период с 1998 - 2000 гг. объем выборки составил порядка 1700. За 5 лет (1995 - 2000 гг.) в Санкт-Петербурге число больных лейкозами превысило 2500 человек взрослого населения. Всего же за 5 лет лейкозами болело 3500 человек (включая детей).

В Санкт-Петербурге эксплуатируется более 39000 жилых домов, которые условно объединены в избирательные участки, каждый из которых охватывает приблизительно 2000 человек взрослого населения. Количество таких разно площадных объектов по городу составляет 1645 единиц. По этим участкам были построены центроиды, разработанные автором по специальным макросам и выбран приемлемый масштаб анализа с целью минимизации ошибок интерполяции (Рисунок 83).

Рисунок 83. Построение центроидов по жилым кварталам

Блок исследовательского анализа данных.

Тренд - анализ распределения лейкозов (на Рисунке 84) - показывает юго-восточную тенденцию распространения заболеваемости на 1000 населения.

Рисунок 84. Тренд- анализ распространение заболеваемости лейкозами по городу за 5 лет (1995-2000 г г )

Как известно, лейкозы относятся к сравнительно редким заболеваниям. Гистограмма выборки дала возможность судить о Пуассоновском распределении данных (за период 1995 по 2000 гг.) (Рисунок 85). Больше всего замечено людей, не болеющих лейкозами (0), реже - несколько случаев в одном центроиде участка.

Рисунок 85. Распространенность заболеваемости лейкозами, подчиненная Пуассоновскому распределению.

Проверка на нормальность позволила выявить «мешающие» для применения геостатистических методов интерполяции значения заболеваемости. Оказалось, что это значения, показывающие отсутствия заболеваемости за рассмотренный период.

При дальнейшей интерполяции значений «с нулями» и «без нулей» были получены более сглаженные модели поверхностей распределения лейкозов. Применяемый метод интерполяции, альтернативный кригинг, использующий непараметрические методы статистики, в принципе, применим для выборок больших объемов, даже если данные не подчинены нормальному распределению [69]. Этот факт доказан и в нашем сравнении поверхностей, построенных при помощи геостатистических методов с поверхностями, выполненными по детерминированным методам интерполяции. Такой вывод позволил судить об адекватности полученной цифровой модели распределения лейкозов за период с 1995 - 2000 г.г. Однако, при малых объемах нецелесообразно использовать геостатистические методы интерполяции из-за падения точности распределения. Поэтому при построении цифровых моделей распределения лейкозов за различные годовые интервалы времени, использовались детерминированные методы интерполяции (обратно-взвешенных расстояний и радиальных функций) [68] (пример - смотрите Рисунок 86)

Анализ цифровой модели:

- тенденция к низким значениям заболеваемости в нежилых зонах Кировского, Выборгского, а также - Приморского районов;

- тенденция к высоким значениям - в Московском, Фрунзенском и Невском районах (преимущественно - юго-восточные грайоны), а также - на границе Калининского и Красногвардейского районов.

Цифровая модель подтверждена построением модели распределения лейкозов за трехлетний промежуток времени (1998-2000). К примеру, четко выделились зоны с высокими и низкими значениями. Однако более точной является модель за 5 лет, имеющая больший объем выборки (см. Рисунок 86).

Рисунок 86. Цифровая модель заболеваемости лейкозами на 1000 взрослого населения (1995-2000)

Пространственный анализ зависимости распределения заболеваемости лейкозами от кацерогенных факторов в атмосфере.

В исследовании была поставлена гипотеза, основанная на результатах исследований в мире, о зависимости лейкозов от химических канцерогенных факторов [79, 80]. Была описана модель взаимодействия «человек - окружающая среда», а также выявлены правильные промежутки времени для нахождения этой зависимости (вследствие характерного продолжительного латентного периода онкологического заболевания). Промежутки времени «подбирались» с применением также и геостатистических методов. Основные результаты приведены ниже.

Лейкозы распределены в пределах центроидов избирательных участков (в несколько домов) - VAR1 (Рисунок 86). Суммарный ИЗА формальдегида, бензола, кадмия, сажи и пыли - посчитан по пунктам мониторига атмосферы - VAR2 (Рисунок 78)

Взаимная ковариационная функция демонстрируетпространственную зависимость между переменными VAR1 и VAR2 (т. е. - между заболеваемостью лейкозами и канцерогенами в атмосфере) (Рисунок 87).

Рисунок 87. Взаимная ковариационная функция зависимости между распространением лейкозов в 1995-2000 г г и распространение канцерогенов в атмосфере (1990-1998 г г)

Максимальная дистанция, на которой есть зависимость - 0,112 км. На этом расстоянии полудисперсия значений заболеваемости достигает 0,07.

Пространственный прогноз интерполяционных значений распространения заболеваемости лейкозами, связанных с канцерогенами, показал следующее (см. Рисунок 87):

- в целом, модель демонстрирует общие для лейкозов и канцерогенов тренды с повышенными значениями к югу и юго-востоку.

- ошибки цифровой модели показывают доверительные значения заболеваемости. Такие значения относятся только к Московскому, Фрунзенскому и Невскому районам.

- особого внимания требуют повышенные значения заболеваемости в Московском, Фрунзенском и Невском районах города (1-3 чел на 1000 взрослого населения за 5 лет). Возможно, одной из причин заболеваемости лейкозами в этой местности является факт постоянного наличия в атмосфере канцерогенов (1990-1998 г г ).

Остальные области не дают адекватной оценки зависимости заболеваний от канцерогенных факторов. Например, не объяснить вспышку заболеваемости в Калининском районе с точки зрения распределения канцерогенных веществ, ибо за период с 1993 по 1995 г.г. ИЗА компонентов в этой местности был относительно невелик (смотрите Рисунок 82). Возможно, причина этому - другие факторы.

4.4.7 Выводы по результатам исследования с применением геостатистистических методов анализа в здравоохранении

Наличие мутагенных и канцерогенных факторов. Имеется пространственная зависимость в распределении канцерогенных факторов в среде, что говорит о неслучайности пространственного процесса. Доказано, что группа канцерогенов, в которую входят преимущественно летучие вещества (формальдегид, бензол, сажа и пыль), находятся в прямой пространственной зависимости от направления ветра. Мутагенная группа веществ, в которую входят некоторые тяжелые металлы (свинец, кадмий, цинк) - практически не зависит от преимущественной годовой розы ветров. В целом, выборка канцерогенных и мутагенных веществ подчинена нормальному закону (или легко преобразовывается по нему).

Исходные данные о наличии химических веществ в воздушной среде ограничиваются всего 49-ю пунктами мониторинга атмосферы, что недостаточно для получения более точной картины распределений факторов ОС. Кроме того, они распространены неравномерно по городу, что приводит к выявлению зон с большими ошибками, говорящими о неопределенности в пространственной структуре данных распространения канцерогенов и мутагенов в среде. Уже этот факт может привести к неопределенностям в цифровых моделях зависимостей между заболеваемостью и факторами среды. Следовательно, для получения более точных цифровых моделей поверхностей необходимо организовать еще около 50-ти пунктов мониторинга с учетом их равномерного расположения.

Высокие значения индекса загрязнения атмосферы (от 2 до 5 ± 0,6) мутагенных факторов наблюдались на территориях Адмиралтейского, Петроградского (район Каменоостровского проспекта), Центрального, Василеостровского («стрелка» В. О.) и Выборгского районов (вдоль набережной). Средние значения суммарного индекса загрязнения атмосферы (от 1 до 2 ± 0,6) - вдоль Московского пр. а также повсеместно в Выборгском, Калининском и Красногвардейском районах.

Высокие значения суммарного индекса загрязнения атмосферы канцерогенных факторов (от 11 до 18) в период с 1990 по 1998 г. г. наблюдаются от Центра и далее - по Неве, охватывая Фрунзенский, Невский, Колпинский районы. (Рисунки 80 и 81).

Пространственно-временной анализ распространения канцерогенов в атмосфере показал:

- высокие значения индекса загрязнения атмосферы, наблюдающиеся на центральных территориях города, довольно устойчивы во времени. Возможная причина этому - наличие пробок и плотного движения автотранспорта в центре города

- средние и устойчивые во времени значения индекса загрязнения атмосферы имеют юго-восточное направление (соответствующие Невскому, Красногвардейскому и Фрунзенскому районам). Возможные причины: непрерывная приповерхностная составляющая воздушного слоя, вызванная преимущественными северо-западными ветрами; промышленная зона в Невском районе вдоль Невы и транспортные потоки [98,99].

Распределение откликов на воздействие факторов. Пространственный анализ продемонстрировал случайное распределение врожденных аномалий, деформаций и хромосомных нарушений по Санкт-Петербургу с тенденцией увеличения заболеваемости к юго-западу, что совпадает с пространственным трендом распространения мутагенов в атмосфере. Высокие значения врожденных аномалий, деформаций и хромосомных нарушений зафиксированы на территории Кировского района, на границе Московского и Фрунзенского районов, а также - в Красносельском районе. Однако большие территории с высокими значениями заболеваемости в Красносельском районе являются скорее всего ошибкой интерполяции и могут ввести в заблуждение.

Интересно, что при построении цифровых моделей поверхности распределений отдельных отклонений беременных в перинатальный период выявились вспышки заболеваемости на тех же территориях Адмиралтейского и Кировского районов. Это говорит как о факте мутагенной и канцерогенной опасности этих территорий для населения, так и о факте предрасположенности чувствительных групп населения к отклику на воздействия факторов среды.

Цифровые модели поверхности распределения врожденных аномалий, деформаций и хромосомных нарушений, связанных с мутагенными факторами, продемонстрировала явный вклад фактора среды в причину заболеваемости детей до года. Причем, это видно как по вспышкам, так и по низким значениям заболеваемости и параметрам загрязнения. Исключения составляют области неопределенности, связанные с ошибками построения цифровых моделей (Красносельский район и пр.).

Особенно выделим прогнозные зоны прямого влияния мутационных факторов, охватывающие Адмиралтейский, Кировский, а также - граничащие с ними районы и, частично, - Московский (Рисунки 75 и 76).

Интересно, что такие же зоны получены и при построении цифровых моделей поверхности распределения отдельных отклонений в перинатальный период развития плода. Это доказывает предположения в литературе о том, что чувствительная группа населения склонна реагировать на значимые отклонения в ОС [59]..

Топологическая привязка географических слоёв к цифровым моделям поверхности распределения врожденных аномалий, деформаций и хромосомных нарушений по Санкт-Петербургу при помощи средств ГИС продемонстрировала возможные источники мутагенных факторов в центральном районе (см. Рисунок 88).

К ним относятся загруженные автомагистрали города, относящиеся к 4-му рангу, что соответствует максимальной загруженности по субъективной экспертной оценке [27-30, 73]. Основные загрязнители - свинец и бензол. В Кировском районе, кроме автотранспорта источники загрязнения могут быть промышленные зоны (Кировский завод и пр.) [27-30, 73]. Таким образом, при помощи ГИС возможен анализ разнородной информации путем накладывания различных слоев (промышленных, объектов, дорог, рек и пр.) с целью более эффективного поиска причин высоких загрязнений.

Цифровые модели поверхностей распределений заболеваемости лейкозами имеет немного иную пространственную структуру данных. Она была построена по 1645 точкам, центроидам избирательных участков, охватывающих несколько домов. Это и преимущество, и недостаток. Преимущество видится в том, что количество точек в пространстве в несколько раз может превосходить имеющиеся данные по заболеваемости. Лейкозы - сравнительно редкое заболевание [79], отсюда - большое количество фактов отсутствия усредненных годовых значений заболеваемости в пределах центроидов.

Рисунок 87. Единая географически привязанная цифровая модель поверхности распределения врожденных аномалий, деформаций и хромосомных нарушений у детей до года, зависимых от наличия мутагенов в атмосфере

Геостатистические и детерминированные методы построения цифровых моделей при помощи блок-схемы геостатистического исследования, разработанной автором, и цифровые модели распределения лейкозов в пространстве и во времени дают возможность сделать следующие выводы [101]:

- пространственное расположение заболеваемости лейкозами преимущественно случайно и имеет малоустойчивую временную динамику изменения своих значений в пределах определенных территорий. Эти территории - кварталы жилой застройки. Таким образом, для более четкого понимания вкладов негативных факторов среды в причины заболеваемости лейкозами на определенных территориях необходимо строить цифровую модель поверхности распределения отдельных типов этого вида злокачественного новообразования. Например, в пределах кварталов жилой застройки в перспективе можно построить цифровую модель распределения миеломной болезни.

- более приблизительный (сглаженный) пространственный прогноз усредненного распределения значений заболеваемости лейкозами по Санкт-Петербургу за трехлетний период (1998-2000) и пятилетний (1995-2000) периоды говорит о высоких значениях заболеваемости на границе Калининского и Выборгского районов, а также - в Центральном, Кировском и Московском районах.

- пространственная зависимость распределения лейкозов наблюдалась на пространственных моделях, однако, при построении цифровых моделей распределения выявились большие ошибки (причина - в редком заболевании).

- большой недостаток в анализе цифровых моделей распределения лейкозов видится в нехватке данных по причине малой встречаемости лейкозов. Этот факт вызвал определенные затруднения в проверке и подборе латентного периода заболеваемости (по литературным данным латентный период лейкозов от 1 года до 5 лет, в зависимости от факторов и их действия) [101].

- однако, несмотря на недостаточное количество наблюдений, была получена цифровая модель поверхности распределения заболеваемости лейкозами (1995-2000), зависимых от канцерогенных факторов, непрерывно присутствующих в атмосфере за 8 лет (1990-1998). Построенная модель распределения выявила (с учетом минимума ошибок) локализации заболеваемости в юго-восточных районах зонах города, охватывающие Московский, Фрунзенский и Невский районы (Рисунок 81). Эти результаты совпали и с тенденцией распределения канцерогенов, и с преимущественной розой ветров. Следовательно, с большой осторожностью, но можно говорить о том, что и автотранспорт, и предприятия, находящиеся на этих территориях могут быть источниками бензола, формальдегида, кадмия, сажи и пыли, которые, в свою очередь, могут вносить свой «вклад» в заболеваемость лейкозами на этих территориях.

Из перечисленных результатов можно сделать следующие краткие практические заключения с медицинской точки зрения:

1. С точки зрения всего взрослого населения болеющего определенным типом онкологии трудно выявить связь, а значит - предсказать в будущем, где именно (на какой территории) будет вспышка через несколько лет. Для этого надо делать выборку, например, только по пенсионерам. А это значит - уменьшение объема данных. Кроме всего прочего, надо знать латентный период, либо пытаться подобрать его. Однако, с учетом клинических исследований, подтверждающих теорию химического и мутационного канцерогенеза [71, 81, 82], можно выявить ориентировочные очаги и зоны вероятной вспышки онкологической заболеваемости. Индикаторами в данном случае является чувствительная группа населения. Однако, погрешность ошибок интерполяционных значений и ее поверхность могут дать новые знания о причинах даже сложных заболеваний, выявленных на той или иной локации [101].

2. Наиболее чувствительная группа населения (дети, беременные) сильнее реагирует на факторы окружающей среды по сравнению с взрослой группой. С точки зрения пространственного анализа это может быть связано с тем, что для взрослых более характерна миграция, преимущественно в канцерогеноопасном центре города. Хотя живут они (а факт наличия заболеваемости регистрируются по месту жительства) на периферии [98].

3. Там, где заранее известно отсутствие связи между определенными типами онкологии и факторами окружающей городской среды, взятой автором в исследовании, геостатистический подход и цифровые пространственные модели распределений не показали никаких значимых результатов, что доказывает применимость метода (Рисунок 89) [99]

Рис 89. Цифровая модель распределения рака молочной железы, зависимая от канцерогенов в атмосфере

Симбиоз примененных методов анализа, визуализации данных с другими статистическими, математическими методами, инструментами [84] а также - выводами, полученными при помощи стандартных методов обработки данных [72], может только усилить и улучшить качество прогноза в пространстве и во времени. Построение цифровых пространственных моделей факторов и откликов, а также ошибок распределений интерполяционных значений, предложенных авторов с учётом принципов когнитивной машинной графики [85], и апробированных на ЛПР [36, 41, 71], дает неоценимый эффект и вклад в улучшение современных систем пространственного мониторинга здоровья населения. Именно от качества прогноза и представления выводов в системе пространственного мониторинга здоровья зависит не только адекватные объяснения явлений специалистами в той или иной предметной области, но и зависит также качество принятия решений по управлению (корректировка ситуации, ликвидация проблем) этими явлениями.

Заключение

В работе подробно описаны различные методы, алгоритмы обработки и визуализации данных, ОС и здоровья населения, которые могут быть использованы при анализе в системе «ОС-человек-город».

Проведена большая работа по исследованию воздействия различных факторов ОС на население города Санкт-Петербурга, а также по анализу этих данных с применением различных методов ГИС.

Процесс урбанизации повлек за собой проблему увеличения загрязненности городов и, как следствие, - изменение показателей здоровья населения. Важным аспектом является учет и регистрация показателей загрязнения ОС, здоровья населения в конкретных локациях, а также влияния факторов на здоровье населения в этих локациях (селитебных, деловых зонах). В соответствии с медико-эпидемиологическими принципами при изучении влияния конкретных факторов на население необходимо описать модель «Человек - окружающая среда»: факторы воздействия, показатели откликов воздействия, каналы воздействия. Кроме того, в работе выделен отдельный элемент модели - город. По причине доступа к некоторым уникальным данным, в качестве примера был выбран крупный мегаполис - Санкт-Петербург.

Среди многообразия внешних факторов окружающих каждого человека в работе рассматриваются измеряемые - факторы техносферы. К таким относятся производственные, химические, физические факторы. Приоритетным загрязнителем атмосферы города Санкт-Петербурга является автотранспорт (78%), в выхлопах которого содержатся органические вещества (бензол, формальдегид), а также - тяжелые металлы (кадмий, свинец и пр.) [24-30]. Компонентом ОС в рассматриваемой модели «Человек-ОС-город» выбрана атмосфера.

Откликом на изменение ОС и, как следствие, отклонением от нормального состояния каждого индивидуума человеческого общества, может являться заболеваемость. [3,5,14,15,18,19,22,23 и др.]. Однако, не только этот показатель важен для характеристик действия факторов на население городской популяции. Для понимания откликов на различных этапах жизни горожанина, важно описать показатели, фиксируемые специальными медицинскими и социальными службами. К таким показателям относятся и временная утрата трудоспособности, смертность и многие другие. Однако, ряд отдельных мер по мониторингу здоровья и специальных программ, таких, как «Диспансеризация детей 2002 года», позволяют собирать и другие показатели, которые могут служить откликом в модели «Человек-ОС-город». Это - показатель коэффициента здоровья, который был использован в разработке «Алгоритма ПАЗФ», описанного в работе.

В конце 90-х годов в России развивались технологии ГИС не только в геологии, но и в других сферах [2]. Применение инструментов ГИС в здравоохранении, эпидемиологии дало толчок к разработке новых методик и подходов в медико-эпидемиологических исследованиях человеческих популяций в системе «Человек-ОС-город», где информация о городской инфраструктуре является неотъемлемой частью. При обработке данных здравоохранения в экспериментальной части кандидатской диссертации применялись программные инструменты геокодирования информации с различной географической детализацией (от района до дома), реализованные в средствах ГИС. Это было сделано как для понимания сложных процессов влияния факторов городской среды на жителей, так и для выработки и принятия решений по оздоровлению городской среды

Актуальной задачей интеграции сбора и обработки геоданных по обширным территориям является построение цифро-пространственных моделей распределения показателей факторов и откликов при помощи методов интерполяции, которые так же получены в кандидатской работе.

Исследователи уже строили пространственные распределения (интерполяции) по результатам мониторинга в отдельных пунктах [19, 24,25,27 и др.], однако эти распределения не учитывали статистические отклонения интерполяционных значений. Это часто могло приводить к ошибкам в оценках (прогнозах) медико-экологических рисков: они рассчитывались без предоставления распределения характеристик точности прогнозных значений интерполяции, что, в конечном счете, приводило к большим неопределенностям при формировании гипотез и решениям на основе них. Для преодоления этих трудностей в диссертации разрабатываются методики и алгоритмы при помощи которых повышается статистическая устойчивость геостатистических инструментов и когнитивных электронных карт пространственных картин отображений. Решаются задачи получения поверхности стандартных отклонений от прогнозных значений интерполяции, что позволит контролировать качество экологических оценок и прогнозов.

Таким образом, рассматриваемая работа, посвящена развитию методов, разработке алгоритмов пространственного анализа показателей здоровья населения и факторов окружающей городской среды, их когнитивной интерпретации (отображения) при помощи робастных методов и ГИС относится к актуальному направлению совершенствования систем медико-экологического мониторинга и подсистем предоставления оперативной стратегической информации ЛПР.

В работе научно обосновывается разработка и усовершенствование следующих алгоритмов и методов пространственного анализа:

алгоритм, учитывающий взаимосвязи характеристик здоровья (не заболеваемости), отклонений от него и тяжести последствий этих отклонений у населения, проживающего на территории города и факторов среды в определенных локациях («Алгорим ПАЗФ»)

методы нахождения робастных («устойчивых» во времени зон) - территорий, на которых характеристики загрязнения ОС постоянны во времени,

геостатистические методы исследований для нахождения пространственных связей между факторами (определенными показателями загрязнения ОС) и откликами (определенными показателями отклонений у популяций) в определенных локациях,

методы определения распределения выборки в пространстве при помощи построения интерполяций недетерминированных величин.

Разрабатываемые автором методы (схемы) геостатистического исследования медико-экологических данных и получения цифровых моделей (поверхностей) распределения факторов, откликов и взаимосвязей базируются на статистических закономерностях, то есть используются для более точного и сложного моделирования поверхностей, включая оценку ошибок и построение вероятностных параметров построенных поверхностей. В этой группу входят методы Кригинга и Кокригинга (Kriging, Cokriging), которые используют предварительные ранжированные данные, что повышает устойчивость этих методов в условиях априорной неопределенности в отношении статистических свойств исходных данных.. Таким образом модифицируемая группа методов создает не только саму интерполированную поверхность, но также поверхности ошибок и вероятности интерполированных значений, что позволяет пользователю более статистически достоверно и надежно оценивать точность получаемых результатов.

С помощью таких методов интерполяции построены четыре типа цифровых моделей поверхностей: поверхность данных (или прогнозную поверхность), квантильную поверхность, поверхность ошибок и поверхность вероятности прогнозируемых значений. Это позволяет пользователю наиболее разносторонне проанализировать получаемые данные (в отличии от детерминированных методов обратно-взвешенных расстояний и сплайн).

В диссертационной работе был модифицирован алгоритм построения интерполяционных поверхностей с использованием геостатистических методов с применением модуля Geostatistical Analyst [69] для медико-экологической задачи, представлен ниже и состоит из двух этапов: блок анализа выборки, блок интерполяции (включая блок построения ошибок интерполяции и блок оценки интерполируемых значений).

Результатом экспериментальной части работы является получение цифровых пространственных моделей распределения показателей факторов окружающей среди и медицинских данных, характеризующих отклик, как в отдельности, так и цифро-пространственных моделей распределения медицинских показателей, зависимых от факторов.

Кроме того, при помощи ГИС, были разработаны когнитивные методы отображения (визуализации) цифро-пространственных моделей распределения в зависимости от их целей: для специалистов, для населения, для ЛПР в сфере здравоохранения и ОС [85].

Отдельная глава посвящена примерам обработки данных здравоохранения и загрязнения ОС, полученных автором при помощи робастных методов, алгоритмов анализа и геостатистического исследования. При помощи ГИС получены распределения показателей здоровья населения и загрязнения атмосферы, робастные во времени загрязнения на территориях Петербурга, проведен анализ и выдвинуты гипотезы этиологий заболеваний в конкретных местах города, а также - выведены первые результаты применения «Алгоритма ПАЗФ» в трех районах Санкт-Петербурга.

Важными результатами для использования в системе мониторинга - стали получения цифровых пространственных моделей различных групп населения при помощи геостатистических методов:

· Цифровые модели распределения мутагенных веществ в атмосфере (тяжелых металлов)

· Цифровые модели распределения врожденных деформаций и хромосомных нарушений у детей до 1 года жизни

· Цифровые модели зависимости распределения ВАДХН от мутагенных веществ в атмосфере

· Цифровые модели поверхности распределения отдельных отклонений, возникающих у женщин в перинатальный период

· Цифровые модели зависимости поверхности распределения отдельных отклонений, возникающих у женщин в перинатальный период развития плода и мутагенных факторов в атмосфере.

· Пространственный анализ распределения канцерогенных факторов в атмосфере.

· Пространственный анализ заболеваемости лейкозами.

· Пространственный анализ зависимости распределения заболеваемости лейкозами от канцерогенных факторов в атмосфере.

Эти цифро-пространственные модели дали не только понимания распространения групп загрязнений, но и их статистические ошибки прогноза интерполяционных значений (также в виде цифровых поверхностей), что позволяет делать выводы об оптимизации самой системы взятия проб о загрязнении в атмосферном воздухе. Важным выводом является применимость данных методов для эпидемиологических задач исследования этиологий заболеваемости тех или иных групп населения, проживающих (локализованных) в тех или иных ареалах города, даже с учетом сложного взаимодействия человека и городской ОС.

Полученные по этой схеме цифровые модели поверхностей распределения, а также выводы, к которым привели эти модели, открывают границы для доказательства новых исследований пространственных зависимостей между факторами и пространственно распределенными популяциями, реагирующими на эти факторы.

Симбиоз примененного метода анализа данных с другими статистическими, математическими методами, инструментами, а также - выводами, полученными при помощи стандартных методов обработки данных, может только усилить и улучшить качество прогноза в пространстве и во времени.

Именно от качества прогноза зависит не только адекватные объяснения явлений специалистами в той или иной предметной области, но и зависит также качество принятия решений по управлению (корректировка ситуации, ликвидация проблем) этими явлениями.

В работе описывается разработка архитектуры и концептуальной модели системы ПМСЗН, которая позволит организовать систематизированный сбор и анализ данных, необходимых для управления состоянием ОС и здоровьем населения Санкт-Петербурга.