Siberian Journal of Life Sciences and AgricultureSiberian Journal of Life Sciences and AgricultureSiberian Journal of Life Sciences and Agriculture2658-66492658-6657Science and Innovation Center Publishing House48256110.12731/2658-6649-2026-18-3-1815XITOHHГигиенаHygieneResearch ArticleNeural network classification of a comprehensive occupational health risk index for agricultural workers in the peripheral zones of a megacity: Data from the Leningrad RegionНейросетевая классификация комплексного индекса профессионального риска здоровью работников агропромышленного комплекса периферийных зон мегаполиса: данные Ленинградской областиhttps://orcid.org/0000-0001-6474-9289LiYinЛиИнь
China

PhD, Associate Professor, School of Management

доцент, Школа менеджмента

dr.liyin@hit.edu.cnhttps://orcid.org/0000-0002-1714-7784ErgunovaOlga T.ЕргуноваОльга Титовна
Russian Federation

PhD in Economics, Associate Professor, Associate Professor, Graduate School of Industrial Management

кандидат экономических наук, доцент, доцент Высшей школы производственного менеджмента

ergunova-olga@yandex.ruhttps://orcid.org/0000-0002-9014-2541TitovAleksandr B.ТитовАлександр Борисович
Russian Federation

PhD in Economics, Associate Professor, Associate Professor at the Graduate School of Industrial Management; Associate Professor at the Department of Business Informatics

кандидат экономических наук, доцент, доцент Высшей школы производственного менеджмента; доцент кафедры «Бизнес-информатика»

titov_ab@spbstu.ruhttps://orcid.org/0009-0004-2592-9198SomovAndrey G.СомовАндрей Георгиевич
Russian Federation

PhD in Economics, Senior Lecturer at the Graduate School of Industrial Management

кандидат экономических наук, старший преподаватель Высшей школы производственного менеджмента

somovspb@yandex.ruHarbin Institute of TechnologyХарбинский технологический институтPeter the Great St. Petersburg Polytechnic UniversityСанкт-Петербургский политехнический университет Петра ВеликогоFinancial University under the Government of the Russian Federation (St. Petersburg branch)Финансовый университет при Правительстве РФ (Санкт-Петербургский филиал)en300620263006202620261833233481102202627032026Received:11022026Accepted:27032026Published:30062026Copyright ©; 2026, Li Yin, O.T. Ergunova, A.B. Titov, A.G. SomovCopyright ©; 2026, Ли Инь, О.Т. Ергунова, А.Б. Титов, А.Г. Сомов2026Li Yin, O.T. Ergunova, A.B. Titov, A.G. SomovЛи Инь, О.Т. Ергунова, А.Б. Титов, А.Г. Сомовhttps://creativecommons.org/licenses/by-nc-nd/4.0https://journals.rcsi.science/2658-6649/article/view/482561482561/482561-1259663-1-SM.pdf

Background. Agricultural workers in periurban zones of large metropolitan areas are exposed to a complex combination of occupational, ecological and socio-occupational stressors that substantially elevate the burden of work-related diseases. Preventive medicine frameworks require quantitative, data-driven instruments capable of stratifying individual health risk under conditions of high inter-individual variability and incomplete administrative records. However, existing categorical risk scoring systems treat exposure domains independently and rely on manual expert evaluation, limiting their scalability.

Purpose. To develop and validate a feedforward artificial neural network (ANN) model for automated classification of an expert-constructed composite occupational health risk index (OHRI) among agro-industrial workers in the Leningrad Region, and to assess the relative contribution of ecological, physiological and socio-occupational predictor domains to risk classification through permutation importance analysis.

Methods. A cross-sectional dataset comprising 1,248 agricultural workers from 14 enterprises of the Leningrad Region (index examinations conducted between 2021 and 2025) was assembled from periodic medical examinations, workplace sanitary inspections, and regional environmental monitoring records. The OHRI was constructed as a weighted composite of three domain scores – Ecological Exposure Score (EES), Physiological Strain Score (PSS), and Social-Labor Stress Score (SLSS) – with weights derived through Analytic Hierarchy Process (AHP) expert elicitation. A feedforward ANN with two hidden layers (architecture: 22–64–32–1) was implemented in PyTorch and trained using a 70/15/15 stratified split. The ANN was benchmarked against logistic regression with elastic net regularization (LR-EN) and a gradient boosting classifier (GBC, XGBoost). Model performance was evaluated by AUC-ROC, sensitivity, specificity, F1 score, and Brier score on the holdout test set. Enterprise-aware group splitting was applied to mitigate data leakage arising from the clustered data structure.

Results. The ANN model achieved an AUC-ROC of 0.872 (95 % CI: 0.831–0.913), outperforming logistic regression (AUC 0.803, DeLong p < 0.001) and performing comparably to gradient boosting (AUC 0.858, DeLong p = 0.214). The five most important predictors by permutation importance were: cumulative pesticide exposure index (mean importance = 0.083), heart rate variability SDNN (0.071), ambient PM2.5 concentration at the worksite (0.063), subjective labor intensity score (0.054), and years of employment in the sector (0.049). On the holdout set, the ANN achieved sensitivity of 0.806, specificity of 0.862, and an overall accuracy of 0.843.

Conclusion. A feedforward neural network can classify an expert-constructed composite occupational health risk index with good discriminatory accuracy and may serve as a scalable digital tool for automated risk stratification in agro-industrial enterprises. The ecological domain contributed the largest share of predictor importance, followed by physiological and socio-occupational domains. Prospective validation against incident occupational disease outcomes is required before the model can be recommended for clinical deployment.

Обоснование. Работники аграрного сектора периферийных зон мегаполисов подвергаются комплексному воздействию профессиональных, экологических и социально-трудовых стрессоров, что существенно увеличивает бремя профессиональной заболеваемости. Существующие категориальные системы оценки профессионального риска рассматривают домены экспозиции независимо и основаны на ручной экспертной оценке, что ограничивает их масштабируемость.

Цель. Разработка и валидация модели на основе многослойного персептрона (искусственной нейронной сети, ИНС) для автоматизированной классификации экспертно-конструированного комплексного индекса профессионального риска здоровью (ИПРЗ) работников агропромышленных предприятий Ленинградской области, а также оценка относительного вклада экологических, физиологических и социально-трудовых предикторов в классификацию риска методом пермутационной важности.

Методы. Сформирована поперечная выборка из 1 248 работников АПК 14 предприятий Ленинградской области (индексные осмотры за 2021–2025 гг.) на основании данных периодических медицинских осмотров (ПМО), санитарно-гигиенических характеристик рабочих мест и регионального экологического мониторинга. ИПРЗ рассчитан как взвешенная композиция трёх доменных оценок (экологической, физиологической, социально-трудовой) с весами, полученными методом анализа иерархий (AHP). ИНС с двумя скрытыми слоями (архитектура: 22–64–32–1) реализована в PyTorch, обучена в разбивке 70/15/15 с учётом кластерной структуры по предприятиям и сопоставлена с логистической регрессией и градиентным бустингом (XGBoost).

Результаты. Модель ИНС достигла AUC-ROC = 0,872 (95 % ДИ: 0,831–0,913), превзойдя логистическую регрессию (AUC 0,803; DeLong p < 0,001) и показав сопоставимую с градиентным бустингом точность (AUC 0,858; DeLong p = 0,214). Пять наиболее значимых предикторов (по пермутационной важности): кумулятивный индекс воздействия пестицидов (0,083), вариабельность сердечного ритма SDNN (0,071), концентрация PM2,5 на рабочем месте (0,063), субъективная оценка трудовой интенсивности (0,054), стаж работы в отрасли (0,049). Чувствительность модели – 0,806, специфичность – 0,862, общая точность – 0,843.

Заключение. ИНС обеспечивает автоматизированную классификацию экспертно-конструированного комплексного индекса профессионального риска с хорошей дискриминационной точностью. Для клинического внедрения модели необходима проспективная валидация с использованием подтверждённых клинических исходов профессиональных заболеваний. Важно подчеркнуть, что текущая модель классифицирует экспертно-конструированный индекс, а не независимый клинический исход, что ограничивает клиническую интерпретируемость результатов.

artificial neural networkoccupational health risk indexagricultural workerspreventive medicineperiurban areaecological monitoringsocio-occupational factorsanalytic hierarchy processcomposite risk indexmachine learningLeningrad Regionискусственная нейронная сетьиндекс профессионального риска здоровьюработники АПКпрофилактическая медицинапериферия мегаполисаэкологический мониторингсоциально-трудовые факторыметод анализа иерархийкомпозитный индекс рискамашинное обучениеЛенинградская областьRosstat (Federal State Statistics Service). (2024). Agriculture in Russia [Statistical collection]. Moscow: Rosstat.Росстат (Федеральная служба государственной статистики). (2024). Сельское хозяйство в России [Статистический сборник]. Москва: Росстат.Kim, K.-H., Kabir, E., & Jahan, S. A. (2017). Exposure to pesticides and the associated human health effects. Science of The Total Environment, 575, 525–535. https://doi.org/10.1016/j.scitotenv.2016.09.009. EDN: https://elibrary.ru/YVWCFZOsborne, A., Blake, C., Fullen, B. M., Meredith, D., Phelan, J., McNamara, J., & Cunningham, C. (2012). Prevalence of musculoskeletal disorders among farmers: A systematic review. American Journal of Industrial Medicine, 55(2), 143–158. https://doi.org/10.1002/ajim.21033Virtanen, M., Heikkilä, K., Jokela, M., et al. (2012). Long working hours and coronary heart disease: A systematic review and meta-analysis. American Journal of Epidemiology, 176(7), 586–596. https://doi.org/10.1093/aje/kws139Lunner Kolstrup, C., Kallioniemi, M., Lundqvist, P., Kymäläinen, H.-R., Stallones, L., & Brumby, S. (2013). International perspectives on psychosocial working conditions, mental health, and stress of dairy farm operators. Journal of Agromedicine, 18(3), 244–255. https://doi.org/10.1080/1059924X.2013.796903Rospotrebnadzor (Federal Service for Surveillance on Consumer Rights Protection and Human Wellbeing). (2023). On the state of sanitary and epidemiological well-being of the population of the Russian Federation in 2022 [State report]. Moscow: Rospotrebnadzor. 364 pp.Роспотребнадзор. (2023). О состоянии санитарно-эпидемиологического благополучия населения Российской Федерации в 2022 году [Государственный доклад]. Москва: Федеральная служба по надзору за защитой прав потребителей и благополучия человека. 364 с.Bukhtiyarov, I. V. (2019). Current status and main directions for preserving and strengthening the health of the working population in Russia. Russian Journal of Occupational Health and Industrial Ecology, 59(9), 527–532. https://doi.org/10.31089/1026-9428-2019-59-9-527-532. EDN: https://elibrary.ru/HTKRSYБухтияров, И. В. (2019). Современное состояние и основные направления сохранения и укрепления здоровья трудящегося населения России. Российский журнал гигиены труда и промышленной экологии, 59(9), 527–532. https://doi.org/10.31089/1026-9428-2019-59-9-527-532. EDN: https://elibrary.ru/HTKRSYLeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539Badri, A., Boudreau-Trudel, B., & Souissi, A. S. (2018). Occupational health and safety in the industry 4.0 era: A cause for major concern? Safety Science, 109, 403–411. https://doi.org/10.1016/j.ssci.2018.06.012чChen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD (pp. 785–794). https://doi.org/10.1145/2939672.2939785Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. В Proceedings of the 22nd ACM SIGKDD (pp. 785–794). https://doi.org/10.1145/2939672.2939785Sarkar, S., & Maiti, J. (2020). Machine learning in occupational accident analysis: A review using science mapping approach with citation network analysis. Safety Science, 131, 104900. https://doi.org/10.1016/j.ssci.2020.104900. EDN: https://elibrary.ru/KJJKWVMostafalou, S., & Abdollahi, M. (2017). Pesticides: An update of human exposure and toxicity. Archives of Toxicology, 91(2), 549–599. https://doi.org/10.1007/s00204-016-1849-x. EDN: https://elibrary.ru/YVVOCHThayer, J. F., Åhs, F., Fredrikson, M., et al. (2012). A meta-analysis of heart rate variability and neuroimaging studies: Implications for heart rate variability as a marker of stress and health. Neuroscience & Biobehavioral Reviews, 36(2), 747–756. https://doi.org/10.1016/j.neubiorev.2011.11.009Lelieveld, J., Evans, J. S., Fnais, M., et al. (2015). The contribution of outdoor air pollution sources to premature mortality on a global scale. Nature, 525(7569), 367–371. https://doi.org/10.1038/nature15371Marmot, M., Allen, J., Bell, R., et al. (2012). WHO European review of social determinants of health and the health divide. Lancet, 380(9846), 1011–1029. https://doi.org/10.1016/S0140-6736(12)61228-8Violanti, J. M., Burchfiel, C. M., Hartley, T. A., Mnatsakanova, A., Fekedulegn, D., Andrew, M. E., Charles, L. E., & Vila, B. J. (2009). Atypical work hours and metabolic syndrome among police officers. Archives of Environmental & Occupational Health, 64(3), 194–201. https://doi.org/10.1080/19338240903241259Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324. EDN: https://elibrary.ru/ARROTHDeLong, E. R., DeLong, D. M., & Clarke-Pearson, D. L. (1988). Comparing the areas under two or more correlated receiver operating characteristic curves. Biometrics, 44(3), 837–845. https://doi.org/10.2307/2531595Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16, 321–357. https://doi.org/10.1613/jair.953Saaty, T. L. (2008). Decision making with the analytic hierarchy process. International Journal of Services Sciences, 1(1), 83–98. https://doi.org/10.1504/IJSSCI.2008.017590Damalas, C. A., & Koutroubas, S. D. (2016). Farmers’ exposure to pesticides: Toxicity types and ways of prevention. Toxics, 4(1), Article 1. https://doi.org/10.3390/toxics4010001Kakhki, F. D., Freeman, S. A., & Mosher, G. A. (2019). Evaluating machine learning performance in predicting injury severity in agribusiness industries. Safety Science, 117, 257–262. https://doi.org/10.1016/j.ssci.2019.04.026Bertke, S. J., Meyers, A. R., Wurzelbacher, S. J., et al. (2012). Development and evaluation of a naïve Bayesian model for coding causation of workers’ compensation claims. Journal of Safety Research, 43(5–6), 327–332. https://doi.org/10.1016/j.jsr.2012.10.012Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. In Advances in Neural Information Processing Systems, 30, 4765–4774.Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. В Advances in Neural Information Processing Systems, 30, 4765–4774.Izmerov, N. F., Tikhonova, G. I., & Churanova, A. N. (2014). Mortality of the working-age population in Russia and industrialized European countries: Trends over the last two decades. Annals of the Russian Academy of Medical Sciences, (7–8), 121–126. https://doi.org/10.15690/vramn.v69i7-8.1118. EDN: https://elibrary.ru/SNHYENИзмеров, Н. Ф., Тихонова, Г. И., & Чуранова, А. Н. (2014). Смертность трудоспособного населения в России и промышленно развитых странах Европы: тенденции последних двух десятилетий. Вестник Российской академии медицинских наук, (7–8), 121–126. https://doi.org/10.15690/vramn.v69i7-8.1118. EDN: https://elibrary.ru/SNHYENTixier, A. J.-P., Hallowell, M. R., Rajagopalan, B., & Bowman, D. (2016). Automated content analysis for construction safety: A natural language processing system to extract precursors and outcomes from unstructured injury reports. Automation in Construction, 62, 45–56. https://doi.org/10.1016/j.autcon.2015.11.001Cheng, C.-W., Yao, H.-Q., & Wu, T.-C. (2013). Applying data mining techniques to analyze the causes of major occupational accidents in the petrochemical industry. Journal of Loss Prevention in the Process Industries, 26(6), 1269–1278. https://doi.org/10.1016/j.jlp.2013.07.002Bezrukova, G. A., Spirin, V. F., & Novikova, T. A. (2021). Current aspects of occupational hearing loss in agricultural workers. Hygiene and Sanitation, 100(10), 1109–1114. https://doi.org/10.47470/0016-9900-2021-100-10-1109-1114. EDN: https://elibrary.ru/SPFVOIБезрукова, Г. А., Спирин, В. Ф., & Новикова, Т. А. (2021). Актуальные аспекты профессиональной потери слуха у сельскохозяйственных рабочих. Гигиена и санитария, 100(10), 1109–1114. https://doi.org/10.47470/0016-9900-2021-100-10-1109-1114. EDN: https://elibrary.ru/SPFVOIMohammadfam, I., Kalatpour, O., & Gholamizadeh, K. (2020). Quantitative assessment of safety and health risks in HAZMAT road transport using a hybrid approach: A case study in Tehran. ACS Chemical Health & Safety, 27(4), 240–250. https://doi.org/10.1021/acs.chas.0c00018. EDN: https://elibrary.ru/DOVKOOShrikumar, A., Greenside, P., & Kundaje, A. (2017). Learning important features through propagating activation differences. In Proceedings of the 34th International Conference on Machine Learning, 70, 3145–3153.Shrikumar, A., Greenside, P., & Kundaje, A. (2017). Learning important features through propagating activation differences. В Proceedings of the 34th International Conference on Machine Learning, 70, 3145–3153.