ОПТИМИЗАЦИЯ СТРАТЕГИИ РЕАГИРОВАНИЯ В ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЯХ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ
ОПТИМИЗАЦИЯ СТРАТЕГИИ РЕАГИРОВАНИЯ В ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЯХ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ
Аннотация
В настоящей работе исследована возможность внедрения интеллектуальных систем поддержки принятия решений и байесовских вероятностных сетей для координации мероприятий по устранению последствий чрезвычайных ситуаций, включая пандемию COVID-19.
Цель. Исследование заключается в интеграции рекомендательного алгоритма, реализованного на основе нейросетевых методов, в практическую деятельность по защите населения при угрозе или возникновении чрезвычайных ситуаций. Учтён опыт ликвидации техногенных катастроф на Чернобыльской АЭС и АЭС «Фукусима-Дайичи», а также уроки противодействия распространению коронавирусной инфекции.
Материалы и методы. Построение модели прогнозирования временных зависимостей с применением GeNIe Academic, функционирующего на базе байесовских сетей. Проведён анализ существующих систем поддержки принятия решений (RODOS, NEWMS, ЭСПЛА-ПРО). Разработан диагностический алгоритм для оценки вероятностных исходов в различные интервалы времени на основании официальных статистических данных по динамике заболеваемости SARS-CoV-2, ОРВИ и гриппом в Краснодарском крае.
Результаты. Исследования демонстрируют универсальный вычислительный сценарий, адаптируемый к различным нейросетевым архитектурам. Формула Байеса обеспечивает вычисление вероятностей событий с учётом их статистической зависимости во временных интервалах, позволяя корректировать прогнозы по мере поступления новых сведений.
Заключение. Разработанный алгоритм подчёркивает научную новизну предложенного подхода: использование интеллектуальных систем поддержки принятия решений не только для предсказания вариантов реагирования при ЧС, но и для оценки их последствий, включая обоснование методов экстренной защиты населения и распределения ресурсов по регионам. Особое внимание уделено необходимости заблаговременного оснащения амбулаторно-поликлинических и стационарных подразделений медицинским оборудованием, лекарственными средствами и квалифицированным персоналом в связи с возможным массовым поступлением пострадавших.
1. Введение
Эксперты Совета по мониторингу глобальной готовности (GPMB), действующего при Всемирной организации здравоохранения, охарактеризовали текущее положение человечества как «перед пропастью», о чём свидетельствует доклад «Мир на грани: приоритеты для устойчивого к пандемиям будущего». В документе акцентируется возрастающий риск глобальной эпидемии, причём возникновение инфекций чаще всего связано с зоонозными вирусами. Вероятность появления нового «вируса X» не исключается ввиду циркуляции значительных групп опасных патогенов. Пандемия COVID-19 продемонстрировала масштабные медицинские, социальные и экономические последствия, квалифицируемые как чрезвычайная ситуация (ЧС). Сложность определения экстренных мер защиты населения обусловлена необходимостью обработки больших объемов данных, оценки критических факторов распространения инфекции, выбора оптимальной стратегии реагирования, планирования ресурсного обеспечения по регионам, а также долгосрочного прогнозирования отдалённых осложнений.
Мировой опыт применения искусственного интеллекта (ИИ) включает системы поддержки принятия решений (СППР): европейскую RODOS, американскую NEWMS и российскую разработку ЭСПЛА-ПРО
, , . Тем не менее существующие системы недостаточно полно реализуют функции моделирования событий и долгосрочного планирования , . Ликвидация последствий Чернобыльской катастрофы выявила отсутствие эффективных стратегических механизмов . В Японии внедрение систем с усовершенствованными алгоритмами и байесовскими сетями позволило ускорить мобилизацию медицинских служб и сил гражданской обороны, упростить процесс принятия решений, проводить многоканальный анализ данных . Пандемия COVID-19 обнажила системные проблемы, связанные с межрегиональным характером распространения инфекции и дефицитом ресурсов.Принципиальное значение имеет возраст и половое различие пострадавших с сопутствующей патологией. Наличие гипертонической болезни, диабета, дислипидемии и избыточной массы тела являются факторами риска острой коронарной патологии на фоне стресса
, . По данным многоцентровых исследований РЕЗОНАНС и ЭССЕ-РФ-2, распространённость артериальной гипертензии в России достигает 44%, что обусловливает высокий риск сердечно-сосудистых заболеваний и смертности . Таким образом, разработка алгоритмов диагностики и стратегической тактики с применением нейросетевых технологий открывает перспективы динамического реагирования и минимизации последствий в условиях ЧС.Цель исследования. Программное обеспечение с использованием нейросетевых технологий позволит интегрировать рекомендательную систему (алгоритм) в практику защиты населения в ЧС, учитывая уроки по ликвидации последствий на примере техногенных аварий на атомном комплексе в Чернобыле и «Фукусима-Дайичи», а также пандемии COVID-19.
2. Материалы и методы
Построение модели прогнозирования временных рядов выполнено с применением GeNIe Academic на основе байесовских сетей. Проведён анализ систем поддержки принятия решений, включающих RODOS, NEWMS, ЭСПЛА-ПРО. Разработан диагностический алгоритм вероятностных событий в разные временные интервалы по данным Росстата о распространении SARS-CoV-2, ОРВИ и гриппа в Краснодарском крае.
Критерии включения: оценка модели основана на трех составляющих, относящимся к структуре модели: входные данные, выходные данные и валидация результатов группы людей (ретроспективная, проспективная, IT проверка программного обеспечения на соответствие заданным требованиям).
Критерии исключения: индивидуальная (персонализированная) диагностика и лечение больного.
3. Результаты и обсуждение
Предложен универсальный алгоритм прогнозирования сценариев реагирования при ЧС, допускающий адаптацию к различным нейросетевым архитектурам. Байесовская формула позволяет вычислять вероятности событий, находящихся в статистической зависимости, пересчитывая как имеющуюся информацию, так и вновь поступающую в процентах
(рис. 1).
Нейросетевые технологии, включающие байесовские сети
В расчётах вводится гипотеза (А), для которой появляется новое условие (В). Требуется определить вероятность А при условии В (P(B|A) / P(B)). Используются статистические данные в процентах (по гипотезе А и результату В), которые рассчитываются по формуле: / P(B) = P(A|B). Осуществляется соотнесение каждой случайной величины (число выявленных и госпитализированных больных COVID-19) с ненаблюдаемой случайной величиной (общее число инфицированных), задающей прогнозируемое распределение. Тем самым численно зависит от латентной переменной в конкретный момент, что придаёт марковское свойство; следовательно, определяется только значением (рис. 2).
Рисунок 2 - Вероятностная модель нейросетевых технологий с интеграцией формулы Байеса
Рисунок 3 - Алгоритм временных вероятностных величин соотношения заболеваний коронавирусом, ОРВИ и гриппом с применением байесовских сетей.
Сходство проблем в организации ликвидации последствий аварии на Фукусиме и во время пандемии COVID-19
Общие проблемы | Фукусима | Пандемия COVID-19 |
Сложные взаимодействия различных факторов | Сложные взаимодействия между несколькими ядерными реакторами и восстановительными работами | Сложные взаимодействия между пандемическим статусом во многих регионах и ограничениями на поведение |
Задержка реагирования | Задержка восстановительной деятельности | Задержка реагирования на пандемии |
Трудности в распределении ограниченных ресурсов | Трудности в распределении ограниченных людских ресурсов между несколькими реакторными установками | Трудности в распределении ограниченных медицинских ресурсов по нескольким регионам страны |
Приоритетное значение отводится руководителям здравоохранения. Концентрация ресурсов в одном регионе снижает их доступность в соседних, что требует систематического анализа распространения пандемии для динамического прогнозирования сценариев с использованием СППР, моделирующих распространение носителей SARS-CoV-2 и ответные действия медицинских служб (рис. 4).
Алгоритм экспертной оценки ЧС с использованием системы поддержки принятия решений
Модель является логической математической основой, которая позволяет объединить качественные и количественные данные и соединить их с результатами, представляющими интерес для лиц, принимающих решения в области здравоохранения. Ценность модели заключается не только в результатах, но и в ее способности выявлять логические связи между входными и выходными параметрами.
Результаты моделирования в наших исследованиях не следует представлять в виде точечных оценок или в виде безусловных утверждений о действенности, что является ограничением моделирования. В нашей работе существуют и другие ограничения моделирования для выполнения задач СППР, которые могут быть связаны с недостаточной имеющейся информации на фоне отсутствия информационного хранилища, преобладанием количественных оценок целей над качественными, составлением аналитических отчетов в произвольной форме вследствие слабой формализованности алгоритмов решения, снижением возможности персонализированной диагностики и тактики лечения, учитывая математическое и имитационное моделирование.
Новизна подхода состоит в применении интеллектуальных систем поддержки принятия решений как для прогнозирования сценариев реагирования при ЧС, так и для оценки последствий с определением методов защиты населения и ресурсного обеспечения по регионам. Данный тезис продиктован, в первую очередь, массовым поступлением пострадавших в амбулаторно-поликлинические и стационарные сети, которые должны быть заблаговременно обеспечены как медицинским оборудованием и лекарственным средствами, так и квалифицированным медицинским персоналом.
Практическая значимость определяется возможностью оценки наиболее обоснованных аргументов реагирования в больших информационных потоках с использованием нейросетевых технологий на уровне как руководителей здравоохранения, так и практикующих врачей.
4. Заключение
Управление рисками чрезвычайных ситуаций на всех уровнях системы здравоохранения способствует совершенствованию единого информационного пространства для прогнозирования распространения SARS-CoV-2 и отслеживания динамики в различных регионах. Использование СППР на основе байесовских сетей обеспечивает системный анализ и оперативность реагирования, выработку обоснованных клинических и профилактических стратегий, а также дополнительное выделение кадровых и материальных ресурсов. Прогнозирование с применением ИИ динамического развития сценариев реагирования при ЧС представляет собой обширное поле для внедрения СППР на основе байесовских сетей — как на уровне отдельного специалиста (управление здравоохранением, поддержка врачебной диагностики), так и на уровне групп населения, городов, регионов и государства (расчёт заболеваемости и летальности в период пандемий, оценка потенциального числа пострадавших при различных сценариях).