Систематизация эффективных мер популяционной профилактики в условиях неопределённости: онтологический подход

Процесс принятия эффективных управленческих решений в сфере охраны здоровья и профилактики заболеваний требует системного, целостного и научно обоснованного подхода. Однако в такой трудно формализуемой сфере деятельности, как профилактическая медицина, существует проблема фрагментарности и недостаточности данных.

Цель. Разработать подходы к моделированию популяционных профилактических мер в России, применимых в условиях недостаточности данных.

Материал и методы. На первом этапе отобрали основные хронические неинфекционные заболевания (ХНИЗ), ассоциированные с высокой заболеваемостью и смертностью в России, в отношении которых есть эффективные меры профилактики. На следующем этапе, на основании анализа литературы отобрали факторы риска, ассоциированные с увеличением вероятности развития данных ХНИЗ. На следующем этапе проведен отбор мер популяционной профилактики. Рассматривались следующие меры популяционной профилактики: экономические меры, налоги, субсидии; информационные кампании в средствах массовой информации и образование населения; изменение среды, инфраструктуры; маркировка и информация для потребителя, запрет и другие законодательные меры.

Результаты. Построена онтологическая модель, имеющая вид графика. Процесс моделирования социально-экономического эффекта популяционных мер профилактики начинается с выбора профилактической меры с доказанным эффектом, реализация которой может опосредовано, через снижение распространённости факторов риска, привести к предотвращению новых случаев ХНИЗ среди населения России и снизить ассоциированные с ними затраты в будущем.

Заключение. Онтологический анализ позволил выявить функциональную структуру популяционной профилактики (объекты и их связи) и определить ее поведение (сценарии) в условиях недостаточности данных. Развитие онтологий способствует целенаправленному получению дополнительных средств доступа к имеющейся в мировом научном пространстве информации, необходимой для принятия научно обоснованных управленческих решений и эффективного распределения ограниченных ресурсов.

1. Концевая А. В., Шальнова С. А., Суворова Е. И. и др. Модель прогнозирования сердечно-сосудистых событий в российской популяции: методологические аспекты. Кардиология. 2016;12:54-62. https://doi.org/10.18565/cardio.2016.12.54-62.

2. Pearson-Stuttard J, Hooton W, Critchley J, et al. Cost-effectiveness analysis of eliminating industrial and all trans fats in England and Wales: modelling study. Public Health (Oxf). 2017;39(3):574-82. https://doi.org/10.1093/pubmed/fdw095.

3. Thow AM, Jan S, Leeder S, Swinburn B. The effect of fiscal policy on diet, obesity and chronic disease: a systematic review. Bull World Health Organ. 2010;88:609-14. https://doi.org/10.2471/BLT.09.070987.

4. Pearson-Stuttard J, Bandosz P, Rehm CD, et al. Reducing US cardiovascular disease burden and disparities through national and targeted dietary policies: A modelling study. PLoS Med. 2017;14(6):e1002311. https://doi.org/10.1371/journal.pmed.1002311.

5. Mozaffarian D, Afshin A, Benowitz NL, et al. Population approaches to improve diet, physical activity, and smoking habits: a scientific statement from the American Heart Association. Circulation. 2012;126:1514-63. https://doi.org/10.1161/CIR.0b013e318260a20b.

6. Концевая А. В., Мырзаматова А. О., Муканеева Д. К. и др. Экономический ущерб от основных хронических неинфекционных заболеваний в Российской Федерации в 2016 году. Профилактическая медицина. 2019;22(6):18-23. https://doi.org/10.17116//profmed20192206118.

7. Мырзаматова А. О., Концевая А. В., Баланова Ю. А., Муканеева Д. К. Аналитический обзор ассоциации поведенческих факторов риска с хроническими неинфекционными заболеваниями. Профилактическая медицина. 2019;22(5):117-23. https://doi.org/10.17116/profmed201922051136.

8. Концевая А. В., Баланова Ю. А., Мырзаматова А. О. и др. Экономический ущерб онкологических заболеваний, ассоциированных с модифицируемыми факторами риска. Анализ риска здоровью. 2020;1:133-41. https://doi.org/10.21668/health.risk/2020.1.15.

9. Lim S, Vos T, Flaxman A, et al. A comparative risk assessment of burden of disease and injury attributable to 67 risk factors and risk factor clusters in 21 regions, 1990-2010: a systematic analysis for the Global Burden of Disease Study 2010. Lancet. 2012;380(9859):222-60. https://doi.org/10.1016/S0140-6736(12)61766-8.

10. Rehm J, Mathers С, Popova S, et al. Global burden of disease and injury and economic cost attributable to alcohol use and alcoholuse disorders. Lancet. 2009,373(9682):2223-33. https://doi.org/10.1016/S0140-6736(09)60746-7

11. Evans CE, Christian MS, Cleghorn CL, et al. Systematic review and meta-analysis of school-based interventions to improve daily fruit and vegetable intake in children aged 5 to 12. Am J Clin Nutr. 2012;96:889-901. https://doi.org/10.3945/ajcn.111.030270.

12. Iqbal R, Masrah M, Mustapha A, et al. An Analysis of Ontology Engineering Methodologies: A Literature Review. Res J Appl Sci Eng Tech. 2013;6(16):2993-3000. https://doi.org/10.19026/rjaset.6.3684.

13. Баланова Ю. А., Концевая А. В., Шальнова С. А., и др. Распространенность поведенческих факторов риска сердечно-сосудистых заболеваний в российской популяции по результатам исследования ЭССЕ-РФ. Профилактическая медицина. 2014;17(5):42-52.

14. Yang C, Ambayo H, De Baets B, et al. An Ontology to Standardize Research Output of Nutritional Epidemiology: From Paper-Based Standards to Linked Content. Nutrients 2019,11:1300. https://doi.org/10.3390/nu11061300.

15. Vitali F, Lombardo R, Rivero D, et al. ONS: an ontology for a standardized description of interventions and observational studies in nutrition. Genes Nutr. 2018;13:12. https://doi.org/10.1186/s12263-018-0601-y.

16. Michie S, Thomas J, Johnston M, et al. The Human Behaviour-Change Project: harnessing the power of artificial intelligence and machine learning for evidence synthesis and interpretation. Implement Sci. 2017;12(1):121. https://doi.org/10.1186/s13012-017-0641-5.

17. Norris E, Finnerty AN, Hastings J, et al. A scoping review of ontologies related to human behaviour change. Nat Hum Behav. 2019;3(2):164-72. https://doi.org/10.1038/s41562-018-0511-4.

18. Riano D, Real F, Lopez-Vallverdu JA, et al. An ontology-based personalization of health-care knowledge to support clinical decisions for chronically ill patients. J Biomed Inform. 2012;45(3):429-46. https://doi.org/10.1016/j.jbi.2011.12.008.

19. Golding L, Nicola G. A Business Case for Artificial Intelligence Tools: The Currency of Improved Quality and Reduced Cost. J Am Coll Radiol. 2019;16(9 Pt B):1357-61. https://doi.org/10.1016/j.jacr.2019.05.004

20. Liyanage H, Liaw S, Jonnagaddala J. Artificial Intelligence in Primary Health Care: Perceptions, Issues, and Challenges. Yearb Med Inform. 2019;28(1):41-6. https://doi.org/10.1055/s-0039-1677901.

21. Бойцов С.А., Шальнова С. А., Концевая А. В. и др. Динамика моделированной 10-летней смертности и оценка социально-экономической эффективности различных сценариев профилактики. Профилактическая медицина. 2016;19(3):12-8. https://doi.org/10.17116/profmed201619312-18.