Методы машинного обучения для прогнозирования ожидаемой продолжительности жизни

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.

1. Куккоев С. П. Моделирование ожидаемой продолжительности жизни в Российской Федерации. Бюллетень Национального научно-исследовательского института общественного здоровья им. Н. А. Семашко. 2018;1:29–37. URL: https://nriph.ru/images/assets/files/archive/2018/2018-1.pdf#page=29

2. Степанов В. С., Бобков В. Н., Шамаева Е. Ф., Одинцова Е. В. Построение модели, связывающей индикатор уровня жизни населения с комплексом показателей социально-экономической политики в регионах России. Уровень жизни населения регионов России. 2022;18(4):450–465. DOI: 10.19181/lsprr.2022.18.4.3

3. Куделина О. В., Канева М.А. Выбор индикатора капитала здоровья в российских регионах. Экология человека. 2020;9:18–27. DOI: 10.33396/1728-0869-2020-9-18-27

4. Степанов В. С. Прогноз распространенности онкозаболеваний среди жителей Московского региона на основе модели регрессии. Моделирование, оптимизация и информационные технологии. 2024;12(3). DOI: 10.26102/2310-6018/2024.46.3.023

5. SK Khader Basha S. K., et al. Machine learning method for life expectancy prediction. Mukt Shabd Journal. 2022;9(6):140–145. URL: https://www.researchgate.net/publication/378874579_MACHINE_LEARNING_METHOD_FOR_LIFE_EXPECTANCY_PREDICTION

6. Bergeron Boucher V.-P., Strozza C., Simonacci Y., Oeppen J. Modeling and Forecasting Healthy Life Expectancy with Compositional Data Analysis Demography. 2025;62(3):787–810. DOI: 10.1215/00703370-11974712

7. Aburto J. M., Schöley J., Kashnitsky I., Zhang L., et al. Quantifying impacts of the COVID-19 pandemic through life-expectancy losses: a population-level study of 29 countries. Int. J. Epidemiol. 2022;51(1):63–74. DOI: 10.1101/2021.03.02.21252772

8. Borisova L., Zhukova G., Kuznetsova A., Martin J. Features of machine learning in the study of the main factors of development of countries of the world. SHS Web of Conferences. 2021;110(5):02006. DOI: 10.1051/shsconf/202111002006

9. Кирилюк И. Л., Волынский А. И., Круглова М. С., Кузнецова А. В., Рубинштейн А. А., Сенько О. В. Эмпирическая проверка теории институциональных матриц методами интеллектуального анализа данных. Компьютерные исследования и моделирование. 2015;7(4):923–939. DOI: 10.20537/2076-7633-2015-7-4-923-939

10. Борисова Л.Р., Кузнецова А.В., Алещенко А.В., Кирилюк И.Л. Зависимость количественных индикаторов уровня жизни населения от экономического уклада страны. Новые технологии высшей школы. Наука. Техника. Педагогика. Сборник трудов конференции. М.: Московский Политех; 2021:127–132. URL: https://www.elibrary.ru/ublkvx

11. Кузнецова А. В., Борисова Л. Р., Демина И.А. Методы машинного обучения для прогнозирования течения заболевания на примере развития тяжелой степени пневмонии. Цифровые решения и технологии искусственного интеллекта. 2025;1(1):6–19.

12. Борисова Л.Р., Кузнецова А.В. Использование работающего компьютерного тренажера Data Master Azforus для обучения методам машинного обучения. Цифровая трансформация социальных и экономических систем. Материалы Международной научно-практической конференции; 28 января 2022 г. М.: Московский университет им. С. Ю. Витте; 2022:264–270. URL: https://www.elibrary.ru/ohcndx