Передвижной медицинский комплекс «Мобильный центр здоровья» на базе автобуса ПАЗ-32053 или ПАЗ-4234 предназначен для проведения скрининга состояния здоровья людей и выявление факторов риска в целях предупреждения различных заболеваний, проведения профилактических, диагностических и лечебных мероприятий вне стационарных центров здоровья. Его реализация возможна на базе уже созданных медицинских учреждений и является способом диверсификации их деятельности и роста объемов оказанных услуг. Повышение уровня доступности населения медицинской помощью является важным фактором перехода к высокоразвитому обществу, поэтому преодоление социальных проблем (в особенности в сфере здравоохранения) являются важным шагом к этой цели [1].

Среди этапов обследования в мобильном центре здоровья мы выделяем: аппаратно-программное тестирование; лабораторные исследования; аппаратные обследования или инструментальная диагностика. На основе результатов предварительного обследования пациенты получают рекомендации по ведению здорового образа жизни, отказу от вредных привычек, изменению рациона питания и т.д. Процесс реализации такого проекта определяется возможностью кооперирования с органами управления на селе (сельсоветами), которые в свою очередь заинтересованы в возможности людей получать подобные медицинские услуги, которые для большинства из них в стандартных условиях являются малодоступными или труднодоступными.

Шкала единых тарифов на амбулаторную медицинскую помощь в центрах здоровья, предоставляемую гражданам по Программе ОМС для взрослых людей составляет 960 рублей 12 копеек. Перечень входящих услуг в программу комплексного обследования, представлена в таблице 1.

 Таблица 1 – Составляющие элементы комплексного обследования

Затраты времени на проведение этих услуг в рамках медицинского обслуживания составляет 40 минут. При пятидневной рабочей неделе и 12 праздничных днях за один год число рабочих дней составляет 249, что при 8–ми часовом рабочем дне дает 1992 трудочаса. Учитывая трудоемкость медицинского обследования в 40 минут в рамках данного проекта можно будет обслужить 2988 пациентов.

Состав выездной медицинской бригады для работы в мобильном центре здоровья (формируется и утверждается руководителям стационарного центра здоровья): врач для приема пациентов и проведения аппаратно-программного тестирования (1 ставка), стоматолог-гигиенист (0,25 ставки), – медицинская сестра (2 ставки), водитель, бухгалтер (0,25 ставки). Калькуляция затрат на оплату их труда и начисления представлена в таблице 2.

 Таблица 2 – Затраты на оплату труда и начисления

Следует заметить, что наряду с рекомендуемым перечнем специалистов для работы в мобильных центрах здоровья состав выездной бригады мобильного центра может быть расширен и дополнен медицинскими специалистами исходя из дополнительных целей и задач, стоящих перед центром здоровья; сложившейся социально-демографической ситуации и статистических данных по заболеваемости всех возрастных групп населения региона и учета других факторов.

Оказание такого перечня медицинских услуг в рамках обследования требует широкого перечня оборудования, функциональность которого и рыночная стоимость представлены в таблице 3.

 Таблица 3 – перечень оборудования необходимого для проведения медицинского обследования

Величина амортизации при среднем сроке эксплуатации в 7 лет составляет 361878 рублей, в расчете на 1 услугу – 90,83 руб. Помимо этого для большинства видов оборудования требуется обязательное техническое обслуживание, стоимость которого приведена в таблице 4.

 Таблица 4 – Затраты на техническое обслуживание медицинского оборудования

Учитывая ограниченные возможности собственных источников финансирования, то обеспечить приобретение оборудования стоимостью более 2,5 млн. руб. можно только за счет внешних источников финансирования (кредитных ресурсов финансовых учреждений, льготные государственный кредит или за счет субсидий из бюджетов всех уровней). Следует отметить, что, по нашему мнению [2], использование кредитных ресурсов в условиях текущей монетарной политики значительно снижает экономический потенциал анализируемого проекта, поэтому рассмотрим ряд альтернативных вариантов приобретения необходимого оборудования. Первый вариант – приобретение в кредит (сроком на 5 лет) по ставке 18% годовых, в расчете на 1 услугу увеличит ее себестоимость на 114,45 руб., а ежемесячный платеж составит 80216 руб. Второй – льготный (беспроцентный) государственный кредит на 5 лет требует ежемесячного платежа в 42219 руб., соответственно, третий, приобретение за счет бюджетных средств не требует ежемесячных взносов.

В процессе проведения медицинского обслуживания используются расходные материалы, стоимость которых представлена в таблице 5.

 Таблица 5 – Материальные затраты на проведение медицинского обследования

В результате, мы можем провести калькуляцию себестоимости оказания услуги «комплексного диагностического медицинского обследования» в зависимости от трех вариантов приобретения оборудования. Исходя из полученной себестоимости, мы так же определяем эффективность проекта по каждому варианту (таблица 6).

 Таблица 6 – Эффективность проекта в зависимости от источников финансирования приобретения оборудования

Таким образом, все три варианта являются эффективным и позволяют обеспечить положительную величину денежного потока для медицинского учреждения, в том числе и использование кредитных ресурсов. Это позволяет реализовывать предлагаемый проект независимо от участия государства путем выделения льготного кредита или субсидирования полной или частичной стоимости приобретаемого оборудования. В этом случае рентабельность продаж составляет 13,2%, а общая величина прибыли 446 тыс. руб., при этом чистый денежный поток, определяемый как разница между поступлениями денежных средств от пациентов и перечислений по счетам за материалы, обслуживание оборудования и платежи по кредиту с учетом процентов за его приобретение, а также оплата труда с начислениями, составляет более 300 тыс. руб. В случае льготного кредитования медицинское учреждение сможет получить 902 тыс. руб. при рентабельности продаж в 30,9%, а чистый денежный поток составит 757 тыс. руб. При наиболее благоприятном варианте, когда оборудование может быть приобретено за счет бюджетных средств, рентабельность продаж достигнет 49,3%, а чистый денежный поток и прибыль 1264 тыс. руб. за год.

В настоящий момент персональные данные регулируются следующими законами:

1.    Федеральный закон №152 «О персональных данных».

2.    Федеральный закон №242 «О биомедицинских клеточных продуктах».

3.    Федеральный закон №317 «О внесении изменений в отдельные законодательные акты РФ в целях обеспечения биологической безопасности».

Для сбора и обработки данных в медицине используются следующие законы:

1.    Федеральный закон № 323-ФЗ “Об основе охраны здоровья граждан в Российской Федерации” (от 21.11.2011).

2.    Федеральный закон № 86-ФЗ “О внесении изменений в отдельные законодательные акты Российской Федерации в части применения информационных технологий в области охраны здоровья” (от 29.05.2019).

3.    Постановление Правительства РФ № 1119 (от 01.11.2012) — регламентирует меры защиты персональных данных, их хранение и обработку на всех уровнях.

4.    Приказ Минздрава РФ № 956н (от 28.12.2020) — утверждает требования к ведению медицинской документации в электронной форме.

5.    Постановление Правительства РФ № 687 (от 26.06.2021) — устанавливает правила для работы Единой государственной информационной системы в сфере здравоохранения (ЕГИСЗ), где хранятся значимые данные о пациентах.

6.    ГОСТР 59921.5-2021 Системы искусственного интеллекта в клинической медицине: Требования к структуре и порядку применения набора данных для обучения и тестирования алгоритмов. Данный стандарт описывает все этапы подготовки данных для их использования в искусственном интеллекте [3]. На рисунке 1 представлена полная схема.

Рисунок 1. Процесс подготовки набора данных для обучения и тестирования

При использовании любых данных необходимо соблюдать перечисленные выше законы и стандарты, что может вызывать следующие сложности:

• Необходимость наличия информированного согласия у пациента для передачи данных не только для работы врача, но и для исследований.
• Ограничение доступа к данным из-за угрозы утечки персональных данных или несанкционированного доступа.
• Ограничение доступа для различных целей (данные могут быть использованы только определенным кругом лиц для определенных целей без исключений).
• Нежелание передачи данных владельцами Медицинских Информационных Систем (МИС) даже в обезличенном виде. Стоит сделать важное уточнение, что даже после обезличивания данных всё равно остается вероятность идентифицировать человека по каким-либо признакам, так как не все данные можно успешно обезличить. Например, нельзя обезличить ДНК человека, т.к. у каждого человека оно уникальное [1].

Исходя из опыта последних проектов в этой сфере, большинство данных были получены не с помощью обезличивания данных из МИС с соблюдением законов, а с помощью использования служебного положения, наличия контактов с врачами с необходимыми доступами, из закрытых источников, либо из открытых недостоверных источников(утечек), что делает законное получение данных для обучения достаточно сложной задачей. По отзывам создателей этих проектов, многие МИС были готовы предоставить обезличенные данные, но боятся штрафных санкций от регулирующих органов из-за неоднозначности законов.

Помимо юридических аспектов, могут возникать и другие проблемы получения данных для обучения модели:

1.    Относительная цифровизация медицины: многие данные еще не переведены в цифровой вид или представлены в виде неструктурированной информации [2].

2.    Проблема стандартизации: использование разных классификаций, терминологий и кодировок, разных единиц измерения.

3.    Отсутствует общий универсальный стандарт передачи медицинских данных: данные из одной МИС могут быть не прочитаны в другой. Также это может привести к проблеме фрагментации, когда данные разбросаны между разными учреждениями, отделами и системами. Еще в 2011 году Министерством здравоохранения и социального развития Российской Федерации была разработана концепция создания единой государственной информационной системы в сфере здравоохранения (ЕГИСЗ). Говоря проще, это идея объединения всех локальных информационных систем больниц в единую базу. Ее реализации до сих пор препятствует слабое техническое оснащение многих государственных медицинских центров. В связи с этим вопрос защиты и хранения медицинских данных до сих пор решается отдельно в каждом лечебном учреждении.

4.    Проблема качества данных: данные для обучения модели могут быть неточными или неполными, например, рентген снимки могут быть низкого качества или с артефактами сканирования, что делает их негодными для обучения модели.

5.    Финансовые и ресурсные ограничения: в дальнейшем, при развитии проекта, потребуется дорогостоящая и сложная инфраструктура для сбора и хранения данных.

6.    Недостаток специалистов: для проверки модели потребуются опытные врачи с различными специализациями, что затратит много времени на верификацию модели.

7.    Отсутствие субъективности в размеченных данных: в случае, так как для разметки используются независимые эксперты, имеется шанс ошибки, потому что каждый человек мыслит субъективно. Также для найма специалистов, особенно в медицинской сфере, потребуется значительное количество денежных средств.

8.    Недостоверные источники: это сокрытие пациентами каких-либо фактов, наличия редких заболеваний, ошибочная постановка ложноположительного или ложноотрицательного диагноза.

Для решения всех перечисленных выше проблем необходимо провести работу в правовой базе для беспрепятственного использования обезличенных медицинских данных. В частности, стандарт ГОСТР 59921.5-2021 хорошо описывает структуру и порядок обработки этих данных, но никак не регламентирует их получение от медицинских источников. Также необходимо ускорить процесс цифровизации медицины в рамках программы ЕГИСЗ, чтобы все данные хранились в электронном виде и были в едином стандарте.

1. Задача (Постановка проблемы)

В задачах бинарной классификации, таких как медицинская диагностика, критически важна не только точность, но и устойчивость прогноза. Одно дерево решений может быть неустойчивым и сильно зависеть от шума в данных. Как создать модель, которая была бы более надежной и точной? Решением этой проблемы является использование ансамблей — комитета моделей, которые совместно принимают решение.

Конкретная задача: Имея данные пациента (ИМТ = 28, Возраст = 60) и структуру обученного случайного леса из трех деревьев, необходимо:

1. Определить индивидуальный прогноз каждого дерева.
2. Вывести итоговый прогноз леса по правилу большинства голосов.
3. Выявить дерево, прогноз которого отличается от остальных.

2. Теория

Случайный лес (Random Forest) — это алгоритм машинного обучения, относящийся к группе ансамблевых методов. Его основная идея — бэггинг (Bootstrap Aggregating) и случайность.

• Ансамблирование: Принцип «один за всех, и все за одного». Вместо одного сложного дерева строится множество (лес) более простых. Каждое дерево в лесе «голосует» за тот или иной класс.
• Бэггинг: Каждое дерево обучается на своем, случайном подмножестве исходных данных. Это позволяет деревьям быть разнообразными и не повторять ошибки друг друга.
• Случайность признаков: При построении каждого узла дерева рассматривается не все множество признаков, а лишь их случайное подмножество. Это заставляет деревья быть еще более независимыми.

Преимущества подхода:

• Высокая точность: Коллективное решение обычно лучше индивидуального.
• Устойчивость к переобучению: Разные деревья компенсируют переобучение друг друга.
• Робастность: Устойчив к выбросам и шуму в данных.

3. Решение (Практическая реализация)

Проведем пациента с данными (ИМТ=28, Возраст=60) через каждое из трех деревьев.

Дерево 1:

1. Правило: ИМТ ≤ 30? Да, 28 ≤ 30.
2. Следуем по левой ветке и сразу попадаем в лист с ответом: «нет» (0).

Дерево 2:

1. Правило: Возраст ≤ 50? Нет, 60 > 50.
2. Следуем по правой ветке.
3. Следующее правило: ИМТ ≤ 28? Да, 28 ≤ 28.
4. Следуем по левой ветке и попадаем в лист с ответом: «да» (1).

Дерево 3:

1. Правило: ИМТ ≤ 27? Нет, 28 > 27.
2. Следуем по правой ветке.
3. Следующее правило: Возраст ≤ 45? Нет, 60 > 45.
4. Следуем по правой ветке и попадаем в лист с ответом: «да» (1).

Анализ голосования:

• Дерево 1: 0 («нет»)
• Дерево 2: 1 («да»)
• Дерево 3: 1 («да»)

Итоговое решение по правилу большинства: Победил класс 1 («да») с двумя голосами против одного.

Ответы на вопросы задачи:

• Итоговый прогноз: У пациента есть диабет (класс 1).
• Дерево с другим результатом: Дерево 1 предсказало отсутствие диабета, в то время как Дерево 2 и Дерево 3 предсказали его наличие.

4. Вывод

Данный пример наглядно демонстрирует мощь ансамблирования в машинном обучении. Даже несмотря на то, что одно из деревьев (Дерево 1) дало ошибочный, с точки зрения большинства, прогноз, совокупное решение леса оказалось другим и, вероятно, более точным. Это произошло потому, что Дерево 1, ориентированное в первую очередь на ИМТ, «не учло» важность возраста для данного конкретного пациента, которую смогли уловить другие деревья. Таким образом, случайный лес повышает надежность прогноза, агрегируя мнения множества слабых, но разнообразных моделей, что делает его незаменимым инструментом для решения сложных задач классификации.

В области машинного обучения и анализа данных большинство алгоритмов (такие как линейная регрессия, логистическая регрессия, деревья решений и нейронные сети) работают исключительно с числовыми данными. Однако на практике исходные наборы данных часто содержат категориальные (номинальные) признаки. Примером такого признака в вашем задании является столбец «Служил» со значениями «да» и «нет».

Задача: Преобразовать категориальный текстовый признак «Служил» в числовой формат, пригодный для обработки алгоритмами машинного обучения, без потери его логического смысла.

2. Теория

Категориальные признаки — это переменные, которые принимают значение из ограниченного набора возможных вариантов (категорий). Они бывают:

• Номинальные: Категории не имеют порядка (например, «красный», «синий», «зеленый»; «да»/«нет»).
• Порядковые: Категории имеют内在ний порядок (например, «младший», «средний», «старший»).

Проблема «наивного» присвоения чисел: Прямое присвоение чисел (например, «да» = 1, «нет» = 2) для номинальных признаков может ввести алгоритм в заблуждение. Модель может ошибочно интерпретировать, что «нет» (2) больше, чем «да» (1), или что расстояние между «да» и «нет» равно 1, что лишено смысла.

Решение: Бинарное кодирование (Label Encoding для бинарных признаков)
Для признаков, имеющих ровно две категории (бинарных), применяется простой и эффективный метод — прямое сопоставление с числами 0 и 1. Этот частный случай более общего метода Label Encoding является безопасным, так как между двумя состояниями действительно существует лишь одно логическое «расстояние».

• «да» → 1
• «нет» → 0

Такой подход полностью сохраняет информативность признака, преобразуя его в удобный для вычислений формат.

3. Решение (Практическая реализация)

Решение задачи состоит из двух этапов: ручного преобразования (для понимания сути) и программной реализации.

3.1. Ручное преобразование (Ответ на ваше задание)
Мы проходим по каждой строке Таблицы 1 и в соответствии с правилом «да» → 1, «нет» → 0 заполняем Таблицу 2.

Таблица 2. Кодировка (результат)

3.2. Программная реализация на Python с использованием библиотеки Pandas
На практике преобразования выполняются автоматически. Вот пример кода:

python

Копировать

Скачать
import pandas as pd

# Создаем DataFrame из исходных данных
data = {
    ‘№’: [1, 2, 3, 4, 5, 6],
    ‘Возраст’: [44, 41, 39, 17, 33, 47],
    ‘Служил’: ['да', 'нет', 'нет', 'да', 'да', 'нет']
}
df = pd.DataFrame(data)

# Преобразуем признак “Служил” в числовой формат
df['Служба'] = df['Служил'].map({‘да’: 1, ‘нет’: 0})

# Выводим результат
print(df[['№', 'Возраст', 'Служба']])

# Сохраняем в CSV-файл (как в вашем задании)
df[['№', 'Возраст', 'Служба']].to_csv(‘my_submission.csv’, index=False)
Результат выполнения кода будет в точности соответствовать заполненной вами Таблице 2.

4. Вывод

Преобразование категориальных признаков в числовые — это критически важный и обязательный этап предобработки данных перед построением моделей машинного обучения. Для бинарных признаков, таких как «Служил», наиболее простым и корректным методом является прямое отображение значений «да»/«нет» на 1/0. Этот подход устраняет барьер между данными, понятными человеку, и данными, пригодными для машинной обработки, не искажая при этом исходную информацию и не внося ложных закономерностей в модель.