Нейросетевая классификация комплексного индекса профессионального риска здоровью работников агропромышленного комплекса периферийных зон мегаполиса: данные Ленинградской области
Аннотация
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.
Скачивания
Литература
Rosstat (Federal State Statistics Service). (2024). Agriculture in Russia [Statistical collection]. Moscow: Rosstat.
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/YVWCFZ
Osborne, 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.21033
Virtanen, 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/kws139
Lunner 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.2013.796903
Rospotrebnadzor (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.
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/HTKRSY
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
Badri, 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.2018.06.012
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD (pp. 785–794). https://doi.org/10.1145/2939672.2939785
Sarkar, 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/KJJKWV
Mostafalou, 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/YVVOCH
Thayer, 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.2011.11.009
Lelieveld, 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/nature15371
Marmot, 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)61228-8
Violanti, 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/10.1080/19338240903241259
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324. EDN: https://elibrary.ru/ARROTH
DeLong, 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/10.2307/2531595
Chawla, 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.953
Saaty, 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.2008.017590
Damalas, 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/toxics4010001
Kakhki, 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.2019.04.026
Bertke, 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.2012.10.012
Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. In 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/SNHYEN
Tixier, 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.2015.11.001
Cheng, 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.2013.07.002
Bezrukova, 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/SPFVOI
Mohammadfam, 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/DOVKOO
Shrikumar, 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.
Список литературы
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/YVWCFZ
Osborne, 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.21033
Virtanen, 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/kws139
Lunner 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.2013.796903
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.
Бухтияров, 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/HTKRSY
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
Badri, 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.2018.06.012
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. В Proceedings of the 22nd ACM SIGKDD (pp. 785–794). https://doi.org/10.1145/2939672.2939785
Sarkar, 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/KJJKWV
Mostafalou, 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/YVVOCH
Thayer, 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.2011.11.009
Lelieveld, 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/nature15371
Marmot, 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)61228-8
Violanti, 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/10.1080/19338240903241259
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324. EDN: https://elibrary.ru/ARROTH
DeLong, 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/10.2307/2531595
Chawla, 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.953
Saaty, 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.2008.017590
Damalas, 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/toxics4010001
Kakhki, 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.2019.04.026
Bertke, 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.2012.10.012
Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. В Advances in Neural Information Processing Systems, 30, 4765–4774.
Измеров, 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/SNHYEN
Tixier, 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.2015.11.001
Cheng, 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.2013.07.002
Безрукова, 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/SPFVOI
Mohammadfam, 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/DOVKOO
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.
Copyright (c) 2026 Yin Li, Olga T. Ergunova, Aleksandr B. Titov, Andrey G. Somov
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
