Анна Викторовна Кузнецова — кандидат биологических наук, старший научный сотрудник Лаборатории математической биофизики
Москва
Anna V. Kuznetsova — PhD (Bio.), Senior Researcher Laboratory of Mathematical Biophysics
Moscow
Людмила Робертовна Борисова — кандидат физико-математических наук, доцент кафедры математики и анализа данных факультета информационных технологий и анализа больших данных
Москва
Lyudmila R. Borisova — Cand. Sci. (Phys.-Math.) Assoc. Prof., Department of Mathematics and Data Analysis, Faculty of Information Technology and Big Data Analysis
Moscow
Галина Александровна Постовалова — кандидат педагогических наук, доцент кафедры математики и анализа данных факультета информационных технологий
Москва
Galina A. Postovalova — Cand. Sci. (Ped.), Assoc. Prof., Department of Mathematics and Data Analysis, Faculty of Information Technology and Big Data Analysis
Moscow
Прогнозирование ожидаемой продолжительности жизни связано не только с серьезными социальными и финансовыми факторами, но и с состоянием общественного здравоохранения и экономики, а также с состоянием окружающей среды. Использование математических методов позволяет выделить наиболее информативные показатели, влияющие на продолжительность жизни. Целью работы является прогнозирование ожидаемой продолжительности жизни по данным Всемирного банка* методами машинного обучения (МО), а также сравнение эффективности прогнозирования ожидаемой продолжительности жизни с использованием различных алгоритмов машинного обучения, включая такие широко распространенные методы, как метод опорных векторов, дерево решений, случайный лес, линейный дискриминант Фишера, нейронные сети, два варианта градиентного бустинга, логистическую регрессию и метод статистически взвешенных синдромов. База данных включила данные для 238 стран. Применены стандартные непараметрические критерии хи-квадрат (χ²) и критерий Манна-Уиттни (U-тест). Выявлены 11 значимых показателей.
Использованы методы машинного обучения (МО) системы анализа данных Data Master Azforus. Результат прогнозирования методом статистически взвешенных синдромов (СВС) достиг значения ROC, AUC = 0,986. Представлены одномерные и двумерные диаграммы взаимосвязи исследуемых социально-экономических и медицинских показателей на ожидаемую продолжительность жизни. Из этих диаграмм можно получать прогноз для изменения отдельных показателей с целью улучшения качества и продолжительности жизни. Таким образом, система анализа данных Data Master Azforus (САД ДМА) позволит исследователям создавать рекомендательные системы по прогнозированию ожидаемой продолжительности жизни. Кроме того, проведенное исследование поможет создать более совершенную систему прогнозирования с использованием моделей машинного обучения, которые могут служить руководством для политиков при улучшении прогнозирования ожидаемой продолжительности жизни.
Forecasting of life expectancy is associated not only with serious social and financial factors, but also with the state of public health and economy, as well as with the state of the environment. The use of mathematical methods makes it possible to identify the most informative indicators affecting life expectancy. The aim of the paper is to predict life expectancy from World Bank data using machine learning (ML) methods, and to compare the effectiveness of life expectancy prediction using different machine learning algorithms, including such widely used methods as support vector method, decision tree, random forest, Fisher’s linear discriminant, neural networks, two variants of gradient bousting, logistic regression and statistically weighted syndrome method. The database included data for 238 countries. Standard non-parametric chi-square (χ²) and Mann-Whitney criteria (U-test) were applied. Eleven significant indicators were identified. Machine learning (ML) methods of Data Master Azforus data analysis system was used. The prediction result of the statistically weighted syndrome (SWS) method achieved a ROC AUC = 0.986. One-dimensional and two-dimensional diagrams of the relationship between the studied socio-economic and medical indicators on life expectancy are presented. From these charts, predictions can be derived for changes in individual indicators to improve quality and length of life. Thus, the Data Master Azforus data analysis system will enable researchers to create recommendation systems for life expectancy prediction. In addition, the conducted research will help to create a more advanced forecasting system using machine learning models that can serve as a guide for politicians makers in improving life expectancy forecasting.
The authors declare that there are no conflicts of interest present.