8.3. Прогнозирование количества заболеваний

Прогнозирование или предсказание количества заболеваний того или иного типа на уровне города, региона, и т. д. является необходимым элементом организации лечебно-профилактических мероприятий. С формальной точки зрения эта задача относится к широкому классу задач прогнозирования дискретных последовательностей (совокупности значений в фиксированные моменты), которые возникают не только в медицине, но и в физике, технике, экономике, социологии, и других областях.

Нетривиальность прогнозирования дискретных последовательностей обусловлена тем, что, в отличие от хорошо алгоритмизованных процедур интерполяции [13], прогнозирование требует экстраполяции данных о прошлом на будущее. При этом необходимо учитывать неизвестную закономерность о явлении, лежащем в основе процесса, который генерирует дискретные последовательности. Разработке математических моделей прогнозирования посвящено большое количество исследований [16]. Наиболее распространенными являются методы, построенные на базе вероятностно-статистического аппарата. Но их использование требует значительного количества экспериментальных данных, которые не всегда удается собрать в условиях событий, состоявшихся относительно недавно, например, авария в Чернобыле.

В последнее время в задачах прогнозирования возродился интерес к использованию искусственных нейронных сетей [12,63]. Они рассматриваются как близкие к человеческому мозгу универсальные модели, которые обучаются распознаванию неизвестных закономерностей. Но, как и в случае вероятностно-статистических методов, для обучения нейронных сетей требуется большая выборка экспериментальных данных. Кроме того обученная нейронная сеть не допускает ясной интерпретации весов дуг.

В этом разделе предлагается подход к прогнозированию, который объединяет экспериментальные данные о количестве заболеваний с экспертно-лингвистической информацией о закономерностях, которые удается увидеть в существующих данных. Использование экспертно-лингвистических закономерностей, которые формализуются при помощи нечеткой логики, позволяет построить модель прогнозирования в условиях малых экспериментальных выборок. Предлагаемый здесь подход идеологически достаточно близок к так называемому <нейро - нечеткому> подходу [66], объединяющему способности нейронных сетей к обучению и легкую интерпретируемость нечетких правил  ЕСЛИ-ТО. Однако, в отличие от [66], мы не используем нейронную сеть для обучения модели прогноза, а непосредственно настраиваем нечеткие правила ЕСЛИ-ТО с помощью существующих экспериментальных данных [33].

8.3.1. Экспериментальные данные

Нами рассматривается количество заболеваний аппендикулярным перитонитом у детей по данным клиники детской хирургии г. Винницы в 1982-1997 годах, которые сведены в табл. 8.11.

Таблица 8.11.

Распределение количества заболеваний по годам.

Год	1982	1983	1984	1985	1986	1987	1988	1989
Количество заболеваний	109	143	161	136	161	163	213	220
Год	1990	1991	1992	1993	1994	1995	1996	1997
Количество заболеваний	162	194	164	196	245	252	240	225

Наблюдая динамику изменения количества заболеваний по рис. 8.9, легко заметить наличие четырехлетних циклов, в которых на третьем месте стоит високосный год. Эти циклы будем обозначать так:

где  - номер четырехлетнего цикла,

 - количество заболеваний за два года до високосного,

 - количество заболеваний за один год до високосного,

 - количество заболеваний в високосном году,

 - количество заболеваний в следующем году после високосного.

Введенные обозначения будут использованы в дальнейшем при формировании закономерностей, необходимых для прогнозирования.