Совершенствование процесса обслуживания в городских поликлиниках на основе адаптивных моделей прогнозирования потоков пациентов тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Прокофьева Елизавета Сергеевна

• Прокофьева Елизавета Сергеевна
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Прокофьева Елизавета Сергеевна

Введение

ГЛАВА 1. ПОДХОДЫ И МЕТОДЫ ФОРМИРОВАНИЯ РАЦИОНАЛЬНОЙ СТРУКТУРЫ СЕРВИСНОЙ МНОГОПРОФИЛЬНОЙ ОРГАНИЗАЦИИ. ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ

1.1. Автоматизация управления ресурсами организации

1.2. Особенности моделирования системы обслуживания многопрофильных сервисных организаций

1.3. Клинический путь пациента как инструмент управления медицинской организацией

1.4. Существующие подходы и методологическая база моделирования клинических путей

1.5. Постановка задачи исследования

1.6. Выводы по главе

ГЛАВА 2. МЕТОД ТИПИЗАЦИИ ВХОДНОГО ПОТОКА ОБЪЕКТОВ

2.1. Статическая модель медицинской организации как системы обслуживания пациентов

2.2. Динамическая модель медицинской организации как системы обслуживания пациентов

2.3. Существующие подходы типизации входного потока

2.4. Методы кластерного анализа объектов

2.5. Методы жёсткой кластеризации объектов

2.6. Результаты вычислительного эксперимента на основе метода жёсткой кластеризации объектов

2.7. Модифицированный метод нечёткого кластеризации объектов

2.8. Результаты вычислительного эксперимента на основе метода нечёткой кластеризации объектов

2.8. Выводы по главе

ГЛАВА 3. РЕАЛИЗАЦИЯ ИМИТАЦИОННОЙ МОДЕЛИ С ИНТЕГРИРОВАННЫМ ПРОГНОЗНЫМ ВХОДНЫМ ПОТОКОМ В РАМКАХ ПРОГРАММНОГО КОМПЛЕКСА

3.1. Принятие рациональных управленческих решений с помощью имитационного моделирования

3.2. Прогнозирование временных рядов

3.2.1. Модель прогнозирования БАММА

3.2.2. Модель прогнозирования Хольта- Уинтерса

3.2.3. Рекуррентные нейронные сети

3.2.4. Управляемый рекуррентный блок ^Яи)

3.2.5. Долгая краткосрочная память (LSTM)

3.3. Модификация метода прогнозирования входного потока объектов имитационной модели

3.4. Имитационная модель для выбора рациональной структуры сервисной организации

3.4. 1. Статические объекты модели

3.4. 2. Динамические объекты модели

3.5. Интеграция внешних открытых источников данных для оценки спроса на медицинские услуги

3.6. Выводы по главе

Заключение

Список литературы

Приложение

Введение диссертации (часть автореферата) на тему «Совершенствование процесса обслуживания в городских поликлиниках на основе адаптивных моделей прогнозирования потоков пациентов»

Введение

Актуальность исследования. Стремительно развивающиеся технологии анализа данных имеют колоссальное значение в здравоохранении. Существующий уровень автоматизации медицинского обслуживания позволяет накапливать и обрабатывать большие массивы данных и использовать их для решения оптимизационных задач. Кроме того, не только объем, но и разнообразие информации, используемой в здравоохранении, открывает новые возможности для продвинутой аналитики, в частности, больших данных. Таким образом, открытые данные Интернет- ресурсов, чаты пациентов и их отзывы о полученных услугах, электронные рецепты, обзоры аптек, ленты новостей социальных платформ, онлайн-консультации и многие другие источники данных становятся ресурсами для получения новых ценных знаний в области здравоохранения, способствующими развитию модели персонализированных услуг.

В рамках национального проекта по цифровизации экономики разработана и утверждена распоряжением Правительства Российской Федерации от 28 июля 2017 г. № 1632-р Программа «Цифровая экономика Российской Федерации», в которой среди реализации отдельных направлений по отраслям в числе приоритетных указано здравоохранение. Одними из основных сквозных цифровых технологий Программы являются большие данные, нейротехнологии и искусственный интеллект. Следовательно, на сегодняшний день задачи по анализу и моделированию больших массивов данных городского здравоохранения с помощью технологий искусственного интеллекта представляет особую значимость для развития отраслевых решений в рамках цифровизации экономики, где данные являются ключевым фактором производства.

Важной областью технологий обработки данных в здравоохранении является оптимизация работы медицинских учреждений: эффективный график работы медицинского персонала, прогнозирование потока пациентов,

планирование и распределение ресурсов, сокращение очередей. Современные аналитические технологии позволяют разрабатывать инструменты для принятия решений, в основе которых лежат эмпирические данные. Например, агрегированные данные фактических перемещений пациентов между медицинскими учреждениями и специалистами в рамках этих учреждений позволяют планировать загруженность ресурсов, обеспечивать высокий уровень доступности услуг и оптимизировать работу организации, исходя из реального спроса на эти услуги. На основе таких данных активно развиваются информационные системы управления потоками пациентов.

Городские учреждения амбулаторно-поликлинического звена как первичного и массового вида медицинского обслуживания имеют данные о записях и приемах, которые ежегодно исчисляются миллионами, однако традиционный подход документирования посещений не позволяет сформировать полную картину всех траекторий пациентов и осуществлять их автоматический анализ в режиме реального времени с учетом прогнозных оценок потоков. Кроме того, разнообразная природа заболеваний отражается в высокой вариативности маршрутов. Формальное представление потока пациентов в виде математических моделей в условиях больших данных позволяет не только обнаруживать основные траектории перемещений в рамках медицинских организаций, но также выявлять наиболее узкие места системы для удовлетворения спроса населения на услуги амбулаторно-поликлинического звена при заданных экономических параметрах системы. Как следствие, конечные пользователи получат на выходе прогнозные значения, которые могут стать отправной точкой для формирования альтернативной организационной модели оказания услуг с оптимально задействованными ресурсными единицами.

На сегодняшний день международные системы здравоохранения продемонстрировали беспрецедентно растущие потребности в адаптивных методах обслуживания потоков пациентов в связи с распространением вируса

8АЯ8-СоУ-2, признанного пандемией ВОЗ (Всемирная организация

5

здравоохранения). Разработка данных методов позволит значительно повысить эффективность процесса оказания медицинских услуг и снизить расходы на его организацию, обеспечив доступность услуг населению.

Таким образом, разработка и применение адаптивных математических моделей прогнозирования потоков пациентов в медицинских учреждениях для решения оптимизационных задач по совершенствованию процесса оказания услуг и ресурсному планированию определяет актуальность темы данного исследования.

Степень разработанности проблемы. Множество работ российских и зарубежных ученых в соответствующих областях науки посвящено исследованию и моделированию сложных организационных систем, методам управления в области здравоохранения для совершенствования процесса медицинского обслуживания. Одними из основополагающих работ в этой области являются труды Перегудова Ф.И., Тарасенко Ф. П. [30], Канта В.И. [15], Шиган Е.Н. [45], Чечерина Г.И. [44], Коновалова А.А. [19], J. Yates [127], G.W. Harrison, G.W., Shafer, A., Mackay, M. [77].

Определение необходимых ресурсов для удовлетворения спроса, например, ожидающего в очереди пациента, является классической задачей теории массового обслуживания, основоположником которой считается датский ученый А. К. Эрланг. Большой вклад в развитие теории систем массового обслуживания внесли советские ученые А. Н. Колмогоров и А.Я. Хинчин, Б.В. Гнеденко, Е.С. Венцель [7]. Применение аппарата теории систем массового обслуживания для моделирования процессов в медицинских учреждениях описано в исследованиях Холодова А.Ю. [40], Храмковой М.А [41], Хачумова В.М. [39], Ковалевский С.С. [17], Fomundam, S., Herrmann, J. [71], Vass H. [118]. Данный подход нацелен на достижение экономического равновесия между стоимостью ресурсного обеспечения инфраструктуры услуг и временем ожидания пациентов на получение этих услуг [62]. Однако, согласно теории массового обслуживания, интенсивность входного потока

пациентов определяется законами распределения, например,

экспоненциальный или Пуассона, что в действительности является только приближениям к реальному поведенческому паттерну исследуемых объектов.

Объектом исследования являются система обслуживания пациентов в городской медицинской организации.

Предметом является структура и динамика изменения структуры системы обслуживания пациентов.

Методологическая база: математическое моделирование, теория систем и системный анализ, теория графов, теория множеств, методы анализа, моделирования и мониторинга клинических путей пациентов, дискретной математики, теории вероятностей и математической статистики, современных технологий программирования и имитационного моделирования.

Цель исследования заключается в развитии методологии определения рациональной ресурсной структуры многопрофильной медицинской организации, обеспечивающей принятие рациональных управленческих решений путем разработки прогнозных моделей для удовлетворения спроса на услуги при имеющихся экономических ограничениях.

Для достижения цели исследования были поставлены следующие задачи:

1. Анализ существующих подходов и методов к моделированию рациональной организационной структуры сервисных организаций с учетом особенностей входных потоков заявок на обслуживание.

2. Разработка и реализация метода типизации входного потока объектов на основе алгоритмов нечёткой кластеризации.

3. Разработка метода прогнозирования входного потока заявок, позволяющего учесть особенности изменения внешних факторов.

4. Разработка методики интеграции имитационной модели обслуживания в ЛПУ с методами анализа, типизации и прогнозирования входного потока заявок.

Методологическая база исследования: математическое

моделирование, теория систем и системный анализ, теория графов, теория

множеств, методы анализа, моделирования и мониторинга клинических путей

7

пациентов, дискретной математики, теории вероятностей и математической статистики, современных технологий программирования и имитационного моделирования.

Научная новизна. В данной работе впервые установлены следующие научные результаты, выносимые на защиту:

1. Оригинальный метод анализа и типизации входного потока заявок на основе нечеткой кластеризации в рамках теории аддитивной регуляризации тематических моделей.

2. Адаптивный метод прогнозирования входных потоков, обеспечивающий учет влияния внешних факторов на входные потоки ЛПУ.

3. Модернизированная модель обслуживания в ЛПУ на основе интеграции имитационной модели с разработанными методами анализа, типизации и прогнозирования входного потока заявок.

Теоретическая значимость исследования состоит в разработке комплексного подхода к исследованию потоков пациентов в городских медицинских учреждениях на основе концепций клинических путей и интегрированных прогнозных моделей. Результаты работы могут быть рекомендованы для формулировки требований к оптимальному штатному расписанию медицинских организаций.

Практическая значимость состоит в добавлении новых функциональных возможностей в комплексы программного инструментария, поддерживающего работу лечебных учреждений. Также внедрении результатов исследования в учебный процесс при преподавании курса «Introduction to Big Data» на факультете бизнеса и менеджмента Национального исследовательского университета «Высшая школа экономики», кафедре инноваций и бизнеса в сфере информационных технологий, направление 38.04.05 Бизнес - информатика, 3-й курс, 1 модуль, 2018-2019, 2019-2020. Также результаты исследования легли в основу докладов на лекциях и семинарах Зимней школы по бизнес-информатике для

поступающих в магистратуру Национального исследовательского университета «Высшая школа экономики», в период с 2017-2020.

Достоверность и обоснованность полученных результатов подтверждается их соответствием общепризнанным теоретическим и практическим данным, опубликованным в литературе, непротиворечивым применением методов логико-методологического анализа, а также положительными результатами численных экспериментов.

Апробация результатов исследования. Основные результаты исследования были представлены на следующих конференциях и семинарах:

1. XXII Апрельская международная конференция по проблемам развития экономики и общества, 13-30 апреля 2021, Москва. Тема доклада: «Прогнозирование типизированного входного потока пациентов в многопрофильных медицинских организациях».

2. The International Conference on Information Systems (ICIS). 5th Annual Workshop on Big Data Applications, 13-16 December 2020, Hyderabad, India. Тема доклада: «Forecasting Heterogeneous Patient Flow through Big Data Application in Medical Facilities for Rational Staffing».

3. 22nd IEEE International Conference on Business Informatics (IEEE CBI 2020) June 22-24, 2020, Antwerp, Belgium. Тема доклада: «Driven Approach To Patient Flow Management And Resource Utilization In Urban Medical Facilities».

4. XXI Апрельская международная конференция по проблемам развития экономики и общества, 6-10 апреля 2020, Москва. Тема доклада: «Применение методов жесткой и нечеткой кластеризации для сегментации входного потока пациентов в городских поликлиниках».

5. Зимняя школа по бизнес-информатике для поступающих в магистратуру Национального исследовательского университета «Высшая школа экономики», 15-19 февраля 2020, пансионат

«Солнечная поляна», Волково, Московская область. Тема доклада:

9

«Анализ и визуализация медицинских данных в Python для прогнозирования посещаемости пациентов».

6. The International Conference on Information Systems (ICIS). Annual Workshop on Big Data Applications, 15-18 December 2019, Munich, Germany. Тема доклада: «Data-Driven Approaches for Efficient Patient Flow Segmentation in Polyclinics».

7. Ежегодный Саммит молодых ученых и инженеров «Большие вызовы для общества, государства и науки», ноябрь, 2019, Сириус, Сочи. Тема доклада: «Анализ и моделирование клинических путей пациентов для повышения качества обслуживания в городских поликлиниках».

8. 21st IEEE 21st International Conference on Business Informatics (IEEE CBI 2020), July 15-17, 2019, Moscow, Russia. Тема доклада: «Application of Modern Data Analysis Methods to Cluster the Clinical Pathways in Urban Medical Facilities».

9. XX Апрельская международная конференция по проблемам развития экономики и общества, 9-12 апреля 2019, Москва. Тема доклада: «Применение современных методов анализа данных при моделировании клинических путей пациентов в городских медицинских учреждениях».

10.Russian-French Workshop in Big Data and Applications, 2017, Moscow, Russia. Тема доклада: «Modeling Demand for Services in the Healthcare Facilities Using Big Data Techniques».

Публикации. Основные результаты опубликованы в следующих работах:

1. Прокофьева Е.С. Автоматизация управления ресурсами организации на основе имитационного моделирования с использованием прогнозирования входных потоков//Автоматизация. Современные технологии. 2021. Т. 75 № 6. С.272-280.

2. Prokofyeva E., Maltseva S., Tsiu-Zhen-Tsin D. Forecasting Heterogeneous

Patient Flow through Big Data Application in Medical Facilities for Rational

10

Staffing// International Conference on Information Systems 2020, Special Interest Group on Big Data Proceedings.

3. Prokofyeva E. S., Maltseva S. V., Fomichev N. Y., Kudryashov A. G. Data-Driven Approach To Patient Flow Management And Resource Utilization In Urban Medical Facilities// 22nd IEEE International Conference on Business Informatics (IEEE CBI 2020). P. 71-77.

4. Прокофьева Е.С., Зайцев Р.Д. Анализ клинических путей пациентов в медицинских учреждениях на основе методов жесткой и нечеткой кластеризации // Бизнес-информатика. 2020. Т. 14. № 1. С. 19-31.

5. Prokofyeva E.S., Zaytsev R.D., Maltseva S.V. Application of Modern Data Analysis Methods to Cluster the Clinical Pathways in Urban Medical Facilities// 2lst IEEE International Conference on Business Informatics (IEEE CBI 2019). P. 75-83.

6. Prokofyeva E., Maltseva S. Data-Driven Approaches for Efficient Patient Flow Segmentation in Polyclinics// International Conference on Information Systems 2019, Special Interest Group on Big Data Proceedings.

7. Prokofyeva E.S., Zaytsev R.D., Maltseva S.V. The Demand for the Healthcare Services: the Opportunities of Big Data in Predicting Patient Flow//International Conference Information Systems 2017 Special Interest Group on Big Data Proceedings.

ГЛАВА 1. Подходы и методы формирования рациональной структуры сервисной многопрофильной организации. Постановка задачи исследования

1.1. Автоматизация управления ресурсами организации

Оперативное управление производственными ресурсами является одной из основополагающих задач для эффективной работы организации, оказывающей услуги населению. Роль автоматизации в управлении ресурсами крайне важна, поскольку она обеспечивает полноценный анализ и оптимальное распределение нагрузки между ними.

Существующий уровень автоматизации в современных организациях позволяет накапливать большие массивы данных о текущих процессах, ресурсах, основных ключевых показателях эффективности и других параметрах производственного процесса в цифровом виде. Накопленные данные могут служить базисом для научного обоснования выбора ресурсной структуры организации и минимизации субъективности принимаемых решений.

В статьях [12, 34] рассмотрена автоматизация сервисных многопрофильных организаций, оказывающих как услуги населению, так и услуги производственным предприятиям. Например, в работе [33] представлена концептуальная структура управления процессами технического обслуживания и услугами ремонта оборудования для повышения эффективности деятельности компании.

Услуги автоматизируемых сервисных организаций могут быть классифицированы по отраслевому признаку, например, торговля, транспорт, здравоохранение [17]. Однако стремительное развитие сферы услуг выявило потребность в альтернативной классификации, поскольку услуги в рамках одной отрасли могут в значительной мере отличаться [17, 42]. Пример такой классификации рассмотрен в работе [42], включающей природу сервисного

действия (осязаемые/неосязаемые действия) и прямых получателей услуги (люди/предметы).

Наиболее важным источником ценности в сервисной экономике, является неосязаемость действий, например, информационные услуги, образовательные консультации, банковское обслуживание и другие [42]. Поэтому все более актуальными становятся задачи определения кадрового состава сервисной организации, от которого в значительной мере зависит качество оказываемых неосязаемых услуг. Проблема кадрового оснащения связана с неравномерностью входных потоков клиентов в разное время суток, в разные периоды года, классический фактор сезонности спроса, особенностями демографической ситуации территории. Также вследствие различных нештатных ситуаций, например эпидемий, когда спрос на некоторые услуги резко повышается, решения относительно кадрового состава организаций необходимо принимать практически в режиме реального времени.

1.2. Особенности моделирования системы обслуживания многопрофильных сервисных организаций

По определению [48], организационная структура — это способ разделения, организации и координации деятельности компании для контроля производительности коллектива. В других источниках, например, в энциклопедическом словаре экономики и права [21], указано, что формирование организационной структуры нацелено на «упорядочение процессов управления, налаживание взаимодействия звеньев, установления подчиненности и соподчиненности, ответственности». С точки зрения моделирования организационной структуры, она может быть представлена как совокупность взаимосвязанных элементов, направленных на обеспечение функционирования и развития организации [28, 14].

Наиболее часто для выбора рациональной структуры организации при условии применения нескольких критериев используется имитационное моделирование. Имитационные модели позволяют исследовать особенности сложных организационных структур [2- 23] и на основе экспериментов производить выбор рациональной структуры.

В исследованиях [19- 36] предложены имитационные модели для оптимизации работы организаций, в частности, для определения рационального штатного расписания. В статье [43] рассматриваются типы подходов к использованию мультиагентных структур, среди которых как перспективное отмечается построение имитационной модели лечебного учреждения с точным воспроизведением организационной структуры, ресурсов, взаимодействия структурных подразделений и статистических характеристик общего потока пациентов.

Внешняя среда организации является одним из решающих факторов при формировании структуры управления [14]. В частности, для многопрофильных сервисных организаций, на предприятиях энергетического сектора, ЖКХ, здравоохранения, структура которых тесно связана с входными запросами на их услуги характерно быстрое и частое изменение этих входных потоков под воздействием различных внешних факторов. Таким образом, при моделировании работы сервисных организаций принципиально учитывать не только статистику наблюдений за их работой, но использовать прогнозные значения потоков клиентов для оперативного реагирования на изменения спроса и своевременной корректировки структуры.

В диссертации в качестве примера сервисной многопрофильной организации рассмотрена медицинская организация. Согласно Федеральному закону №323-Ф3 от 21 ноября 2011 г. «Об основах охраны здоровья граждан в Российской Федерации», медицинской организацией называется юридическое лицо независимо от организационно-правовой формы, осуществляющее в качестве основного вида деятельности медицинскую деятельность на

основании лицензии, выданной в порядке, установленном законодательством Российской Федерации.

В настоящее время электронные системы здравоохранения для регистрации клинической информации об их пациентах и подробностях их медицинского обслуживания используются многими медицинскими учреждениями как основной источник данных.

В области здравоохранения анализ накопленного статистического материала позволяет специалистам принимать оптимальные решения. В частности, технологии анализа больших данных стали важнейшим инструментом для обработки колоссального объема информации, имеющейся в современных медицинских организациях. Кроме того, не только объем, но и разнообразие этой информации открывают новые возможности для ее анализа при помощи технологий больших данных.

С точки зрения иерархии данных в области здравоохранения выделяют [99] следующие слои:

• Молекулярный уровень: использование генетических данных для формирования клинических прогнозов;

• Уровень тканей организма: составление карты связности человеческого мозга на основе снимков;

• Уровень пациента: прогнозирование основных параметров здоровья в режиме реального времени на основе потоковых данных;

• Популяционный уровень: прогнозирование и анализ развития эпидемиологической ситуации на основе запросов в поисковых системах и социальных сетях.

Данные уровня пациента могут быть классифицированы по следующим типам [99]:

1. Данные, непосредственно относящиеся к пациенту (диагнозы, антропометрические показатели, административная информация, демографические и социальные характеристики);

2. Данные, относящиеся к медицинской деятельности (лекарства, операции, медицинские снимки, биологические тесты и т. д.);

3. Данные, относящиеся к медицинскому событию, например приёму пациента (дата, продолжительность, стоимость, результаты и т. д.);

4. Данные, относящиеся к медицинской организации (записи к специалистам различного профиля, кадровые и материальные ресурсы, коэффициент загрузки оборудования, график работы и т. д.).

Выделяют несколько источников, важных для применения технологий больших данных в области здравоохранения: геномика, электронные медицинские карты (Electronic Health Records, EHR), медицинские устройства для мониторинга состояния здоровья пациента, носимые видеоустройства и приложения для мобильных телефонов. Данные социальных сетей, чаты пациентов, электронные рецепты, обзоры аптек, ленты новостей социальных платформ и онлайн-консультации также становятся ресурсами для получения новых ценных знаний.

В докладе, представленном IDC Health Insights [47], рассматривается возможность использования аналитического инструментария больших данных в области здравоохранения через четыре ключевых известных характеристики:

1) Объём. Электронные медицинские карты, которые сегодня внедряются во многих странах, содержат большое количество неструктурированных данных о пациентах. Кроме того, популярные социальные платформы в рамках их применения для электронных карт пациентов также могут служить источником колоссального объема данных;

2) Многообразие. В здравоохранении представлены медицинские документы, записи пациентов, рентгенография, сертификаты, результаты анализа, медицинские устройства и другие источники данных, что делает необходимым использование разнообразных подходов к их обработке;

3) Скорость. В эпоху телемедицины и популярных устройств

мониторинга состояния здоровья важно обрабатывать данные в режиме

16

реального времени, чтобы можно было незамедлительно отреагировать на возникающие проблемы;

4) Достоверность. Для принятия решения в сфере здравоохранения важно обеспечить контроль качества данных, на основании которых можно будет сделать дальнейшие обоснованные выводы.

Данные, полученные из этих разнообразных источников, могут структурированными, слабоструктурированными и неструктурированными. Структурированные данные имеют заданную и описанную структуру, которая не меняется со временем. Примером структурированных данных являются данные, хранящиеся в реляционной базе данных, к которой обеспечен SQL доступ. К слабоструктурированным относятся данные, имеющие определенную структуру, которая не является постоянной во времени и может изменяться достаточно часто. Примером являются данные в текстовом формате .json. Неструктурированная информация содержит минимальное количество метаданных (признаков и свойств, характеризующих их).

При работе с массивами медицинских данных информационных систем учреждения возникает необходимость автоматической обработки этих массивов для моделирования потоков пациентов [99]. Понимание перемещений пациентов между медицинскими учреждениями и специалистами в рамках этих учреждений позволяет планировать загруженность ресурсов, обеспечивать высокий уровень доступности услуг и оптимизировать работу организации.

1.3. Клинический путь пациента как инструмент управления медицинской организацией

Стремительно развивающиеся технологии анализа данных играют

огромную роль в здравоохранении. Существующий уровень автоматизации

медицинского обслуживания позволяет обрабатывать большие массивы

информации и использовать накопленные данные для решения

17

оптимизационных задач. Медицинские учреждения располагают данными о приемах, однако традиционный подход документирования посещений не позволяет сформировать полную картину основных траекторий пациентов и проводить их автоматический анализ.

Разработка и внедрение клинических путей, или траекторий движения пациентов, является важным инструментом в управлении здравоохранением. В общем виде под клиническим путем пациента понимается траектория его движения при получении медицинской услуги в соответствующих учреждениях. Согласно источнику [2], клинические пути стали рассматриваться на международном уровне с 1980-х годов. Данная методология была представлена в медицинских учреждениях Швеции в середине 1990-х. В США, по оценкам источника [2], примерно 80% больниц использовали клинические пути для повышения качества оказываемой помощи.

В исследовании [99] авторы описали клинический путь как план, «отображающий цели для пациентов и определяющий последовательность и время действий, необходимых для достижения этих целей с оптимальной эффективностью».

Согласно источникам [96, 122], разработанные клинические пути интегрировались в электронный документооборот медицинских учреждений. Однако стремительный рост массивов доступных данных, включая изображения в цифровом виде, выявил необходимость автоматического определения клинического пути пациента на основе этих данных. Решением для автоматического выявления персонального клинического пути стали технологии интеллектуального анализа процессов [102, 79], интеллектуального анализа данных [100], алгоритмов машинного обучения [47, 103] и другие.

Список литературы диссертационного исследования кандидат наук Прокофьева Елизавета Сергеевна, 2021 год

Список литературы

1. Аверьянов В. Т., Полынько С. В. Имитационное моделирование системы массового обслуживания на языке GPSS World// Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. - 2010. - №3.

2. Азанов В.Г. Структурно-функциональная модель управления потоками пациентов// Системы и средства информатики. - 2016. Т. 26. - № 1. С. 13-29.

3. Акопов А.С. К вопросу проектирования интеллектуальных систем управления сложными организационными структурами. Ч. 1. Математическое обеспечение системы управления инвестиционной деятельностью вертикально интегрированной нефтяной компании// Проблемы управления. 2010. № 6. С. 12-18.

4. Апишев М.А. Эффективная реализация алгоритмов тематического моделирования с аддитивной регуляризацией: автореф.дис...канд.тех.наук/ Апишев Мурат Азаматович. - Москва, 2020. - 24 с.

5. Багриновский К.А., Левинсон М.Р. Имитационные системы принятия экономических решений. М.: Наука, 1989. 245 с.

6. Бокерия Л.А., Самородская И.В. Актуальные вопросы оценки и компенсации затрат медицинским учреждениям, выполняющим кардиохирургические операции. Грудная и сердечно-сосудистая хирургия. 2012; 3: 4-9

7. Булатов В.Г. Методы оценивания качества и многокритериальной оптимизации тематических моделей в библиотеке TopicNet: автореф.дис.канд.тех.наук/ Булатов Виктор Геннадьевич. - Москва, 2020. - 21 с.

8. Вентцель Е. С. Исследование операций: задачи, принципы, методология. М.: Наука, 1980. 208 с.

9. Воронцов К.В. Вероятностное тематическое моделирование: теория, модели и алгоритмы, и проект BigARTM. 2021. [Электронный ресурс].

10.Воронцов К. В. Потапенко А. А. Регуляризация вероятностных тематических моделей для повышения интерпретируемости и определения числа тем // Компьютерная лингвистика и интеллектуальные технологии: По материалам ежегодной Международной конференции «Диалог» (Бекасово, 4-8 июня 2014 г.) Вып.13 (20). М: Изд-во РГГУ, 2014. С.676-687.

11.Гвиденко Б.В.., Коваленко И.Н. Введение в теорию массового обслуживания. М.: Наука, 1987.

12.Гончаров А.Б., Тулинов А.Б. Промышленный сервис — важнейший фактор повышения производительности оборудования и эффективности производства. - М.: Промышленный сервис. 2017. № 4. С. 3-8.

13.Илюшин Г.Я., Лиманский В.И. Построение системы управления потоками пациентов// Системы и средства информатики. 2015. Т. 25. № 1. С. 186-197.

14.Кабановский Д.С. Основы формирования организационной структуры управления предприятиями сферы услуг // Известия СПбГЭУ. -2011. -№ 4.

15. Кант В.И. Методология системного подхода и ее применение в практике здравоохранения. М.: Медицина, 1978.-136с.

16. Ковалева М.О. Имитационная модель как основа системы поддержки принятия решений ресурсами вуза // Современные проблемы науки и образования. -2012. -№ 4.

17. Ковалевский, С. С. Модели СМО в системах медицинского обслуживания / С. С. Ковалевский, В. Б. Шувалов // Точная наука. - 2017. -№10. - С. 49 - 51.

18.Комаров Н.М., Платонова Н.А. Развитие сервисного менеджмента высокотехнологичной техники в России// Вестник ассоциации вузов туризма и сервиса. -2007. -№ 1.

19. Коновалов, А. А. Метод оптимизации потоков пациентов при организации мероприятий по оказанию санаторно-курортной медицинской помощи // Организация здравоохранения и общественное здоровье. - 2011. - №5. - С. 27 - 37.

20.Куликова О.М., Овсянников Н.В., Ляпин В.А. Имитационное моделирование деятельности медицинских учреждений на примере Омска // Наука о человеке: гуманитарные исследования. -2014. Т. 4 - № 18. С. 219-225.

21.Кураков Л.П., Кураков В.Л., Кураков А.Л. Экономика и право: словарь-справочник. М: Вуз и школа; 2004. 1072 с.

22.Лаврусь О.В., Теория массового обслуживания. Методические указания, учебная программа и задания для контрольных работ № 1, 2 для студентов заочной формы обучения специальности 071900// Информационные системы в технике и технологиях. - Самара: СамГАПС, 2002.- 38с.

23. Лотов А.В. Сравнение деловой игры и имитационного эксперимента с одной моделью стимулирования производства. М.: ЦЭМИ АН СССР, 1977. 352 с.

24.Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. — М.: Финансы и статистика, 2003.

25.Мандель И. Д. Кластерный анализ. — М.: Финансы и статистика, 1988. ISBN 5-279-00050-7.

26. Мельник, Н. И. Моделирование: учебно-метод. пособие по выполнению контрольных работ для студентов специальности I-40 02 01// Вычислительные машины, системы и сети - Минск: БГУИР, 2006. - 27 с.

27.Миркин, Б. Г. Методы кластер-анализа для поддержки принятия решений: обзор: препринт WP7/2011/03 [Текст] / Б. Г. Миркин; Национальный исследовательский университет «Высшая школа

экономики». - М.: Изд. дом Национального исследовательского университета «Высшая школа экономики», 2011. - 88 с. - 150 экз.

28.Миронесецкий Н.Б., Кирина Л.В., Сокольская Т.И. Имитационная модель процесса создания новой продукции. М.: ЦЭМИ АН СССР, 1977. 234 с.

29.Осипов, Г. С. Исследование систем массового обслуживания с ожиданием в Апу^ю// Бюллетень науки и практики. - 2016. - №2 10 (11). - С. 139-151. - Б01 10.5281/7епоёо.161072.

30.0слин Б.Г. Имитационное моделирование СМО: учебное пособие / Томский политехнический университет. - Томск: Изд-во Томского политехнического университета, 2010. - 128 с.

31.Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. М.: Высшая школа, 1989. - 367 с.

32.Пирогова, И. Н. Теория очередей: учебно-методическое пособие / И. Н. Пирогова, П. П. Скачков, Е. Г. Филиппова. — Екатеринбург: 2017. — 84 с. — Текст: электронный // Лань: электронно-библиотечная система.

33.Потапенко А.А, Семантические векторные представления текста на основе вероятностного тематического моделирования: автореф.дис...канд.физ.-мат. наук/ Потапенко Анна Александровна -Москва, 2018. - 20 с.

34.Проталинский О.М., Ханова А.А., Щербатов И.А., Проталинский И.О., Кладов О.Н., Уразалиев Н.С., Степанов П.В. Онтология процесса управления ремонтами в электросетевой компании// Вестник МЭИ. 2018. № 6. С. 110—119.

35. Самойлов Д.И. Функциональное моделирование системы управления поликлиническими объединениями И Электронный научно-технический журнал «Инженерный вестник» 2015. № 2. С. 1011-1018.

36. Семенов А.В. Реализация стратегии Сервиса в ЦБК // Целлюлоза, бумага, картон. - 2004. - № 10 С. 68-72.

37.Теплов В.М., Цебровская Е.А., Карпова Е.А., Миннуллин И.П., Багненко С.Ф. Применение имитационного моделирования для оптимизации работы стационарного отделения скорой медицинской помощи// Скорая медицинская помощь. - 2019. Т. 20. - № 2. С. 14-19.

38.Тютин Д.В., Лесина Т.В. Развитие методик бюджетирования в системе здравоохранения // Вестник Евразийской науки, 2019 №3, https://esj.today/PDF/42ECVN319.pdf (доступ свободный). Загл. с экрана. Яз. рус., англ.

39.Ушанев К.В. Имитационные модели системы массового обслуживания типа Ра/М/1, Н2/М/1 и исследование на их основе качества обслуживания трафика со сложной структурой // Системы управления, связи и безопасности. 2015. №4.

40.Хачумов, В. М. Моделирование работы лечебного учреждения как системы массового обслуживания / В. М. Хачумов, С. В. Погодин //Искусственный интеллект и принятие решений. - 2010. - №1. - С. 49 -56.

41.Холодов А.Ю. Математическое моделирование систем массового обслуживания с циклической дисциплиной прохождения заявок: дис. ... канд. тех. наук: 05.13.10 / Холодов Артем Юрьевич- Астрахань, 2009. -123 с.

42.Храмкова М.А. Математическая модель многофазного бизнес-процесса обслуживания пациентов в медицинском учреждении // Прикаспийский журнал: управление и высокие технологии. — 2011. — №2. — Стр. 93100.

43.Чернышев Б.Н. Сервисный менеджмент: теория, методология, практика: диссертация д-ра экон. наук, Р. Э. А. им. Г.В. Плеханова. М., 2005.

44.Чернявский А. Л., Дорофеюк А. А., Мандель А. С., Покровская И. В., Спиро А. Г. Использование мультиагентных систем в задачах управления медицинским учреждением// Информационные технологии и вычислительные системы. 2016. №4.

45.Чеченин Г. И. Системный подход и системный анализ в здравоохранении и медицине: Учебное пособие. Новокузнецк, 1995. 68 с.

46.Шиган Е.Н. Системный анализ в управлении здравоохранением: Руководство по социальной гигиене и организации здравоохранения/ Под ред. Ю.П. Лисицына. - М.: Медицина, 1987, т.2, с.41-65.

47.Янина А.О., Воронцов К.В. Мультимодальные тематические модели для разведочного поиска в коллективном блоге// Машинное обучение и анализ данных, 2016. Том 2, № 2.

48.Ahmad M. A., Teredesai A., Eckert C. Interpretable machine learning in healthcare //Proceedings of the 2018 IEEE International Conference on Healthcare Informatics (ICHI). NewYork, NY, USA, 4-7 June 2018. P. 447447.

49.Ahmady G.A., Mehrpour M., Nikooravesh A. Organizational Structure// Procedia - Social and Behavioral Sciences. 2016. Vol. 230.

50.Al-Raba'nah Y., Al-Refai M. Data clustering algorithms: A second look// International Journal of Advance Research, Ideas and Innovations in Technology 4— 2018: pp. 1081-1083.

51.Ankerst M., Breunig M., Hans-Peter K., Joerg S. // OPTICS: Ordering Points to Identify the Clustering Structure. Sigmod Record—1999. Vol. 28. Pp. 4960.

52.Aspland E., Harper R., Gartner D., Webb P., Barrett-Lee P. Modified Needleman-Wunsch algorithm for clinical pathway clustering// Journal of Biomedical Informatics, ISSN 1532-0464.

53.Balabaeva K., Kovalchuk S. Post-hoc Interpretation of Clinical Pathways Clustering using Bayesian Inference// Procedia Computer Science. - 2020. vol. 178, pp. 264-273.

54.Baum, L. E., Petrie, T. Stastical Inference for Probabilistic Functions of Finite Markov Chains// The Annals of Mathematical Statistics— 1966, pp. 1554-63.

55.Blei D.M., Ng A.Y. Jordan M.I. Latent Dirichlet allocation // The Journal of Machine Learning Research. 2003. No 3. P. 993-1022.

56.Bose, R.P.J.C., van der Aalst, W.M.P. Trace clustering based on conserved patterns: Towards achieving better process models// BPM 2009 International Workshops, September 7—2009. Pp.170-181.

57.Boytsov L. Indexing methods for approximate dictionary searching// Journal of Experimental Algorithmics. —2011. Vol. 16, no 1, article no 1.1.

58.Burghard C. Big Data and Analytics Key to Accountable Care Success// IDC Health Insights—2012.

59.Buzmakov A., Egho E., Jay N., Kuznetsov S., Napoli A. On mining complex sequential data by means of FCA and pattern structures, International Journal of General Systems—2016. Vol. 45:2, pp. 135-159.

60.Carter, E.M., Potts, H.W.W. Predicting length of stay from an electronic patient record system: a primary total knee replacement example// BMC Medical Informatics & Decision Making—2014.

61.Chen J., Sun L., et al. A data-driven framework of typical treatment process extraction and evaluation// Journal of Biomedical Informatics. - 2018. Vol. 83, pp. 178-195.

62.Cho KW, Kim SM, Chae YM, Song YU. Application of Queueing Theory to the Analysis of Changes in Outpatients' Waiting Times in Hospitals Introducing EMR. Healthcare Informatics Research. 2017. Vol. 23(1). Pp. 3542.

63.Chung, J., Caglar G., KyungHyun C., Yoshua B. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling, arXiv:1412.3555 [cs.NE].

64.Cote M.J., Stein W.E. A stochastic model for a visit to the doctor's office // Mathematical and Computer Modelling. 2007. Vol. 45. No 3-4. P. 309-323.

65.Cote, M. J., Understanding Patient Flow// Decision Line 31-2000. Pp. 8-10.

66.Ester, Martin, et al. A density-based algorithm for discovering clusters in large spatial databases with noise. -1996. Vol. 96. № 34.

67.Fei H., Meskens N. Clustering of patient's trajectories with an auto-stopped bisecting K-Medoids algorithm// Journal of Mathematical Modelling and Algorithms. -2013. Vol. 12, № 2, p. 135-154.

68.Fernández-Llatas C., Benedi J.-M., García-Gómez J.M., Traver V. Process mining for individualized behavior modeling using wireless tracking in nursing homes // Sensors (Basel) -2013. Vol. 13. No 11. P. 15434-15451.

69.Fernández-Llatas C., Meneu T., Benedí J.M., Traver V. Activity-based process mining for clinical pathways computer aided design // Proceedings of the 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology. Buenos Aires, Argentina, 31 August- 4 September 2010. P. 61786181.

70.Ferreira L., Hitchcock D. A comparison of hierarchical methods for clustering functional data// Communications in Statistics - Simulation and Computation, no 38, pp. 1925-1949.

71.Fomundam, S., Herrmann, J. A survey of Queuing Theory Applications in healthcare// ISR Technical Report 24-2007.

72.Fontanini A.D., Abreu J. A Data-Driven BIRCH Clustering Method for Extracting Typical Load Profiles for Big Data// 2018 IEEE Power & Energy Society General Meeting (PESGM) — 2018, pp. 1-5.

73.Gateri J., Muthoni S., Kimani J., et al. Review of Predicting Number of Patients in the Queue in the Hospital Using Monte Carlo Simulation- 2014.

74.Greco, G., Guzzo, A., Pontieri, L., Sacca, D. Discovering expressive process models by clustering log traces// IEEE Transactions on Knowledge and Data Engineering - 2006. Vol. 18 № 8. Pp. 1010-1027.

75.Gunther W. Process Mining in Flexible Environments. PhD thesis, Eindhoven University of Technology, 2009.

76.Hae-Sang P. A simple and fast algorithm for K-medoids clustering// Expert systems with applications. -2009. Vol. 36. Pp. 3336-3341.

77.Harrison, G.W., Shafer, A., Mackay, M. Modelling Variability in Hospital Bed Occupancy// Health Care Management Science- 2005. Vol. 8. Pp. 325-334.

105

78.Hutzschenreuter, A. K. A computational approach to patient flow logistics in hospitals. Technische Universiteit Eindhoven. 2010.

79.Huang Z. Discovery of clinical pathway patterns from event logs using probabilistic topic models// Journal of Biomedical Informatics. - 2014. No 47. P. 39-57.

80.Huang Z., Lu X., Duan H. On mining clinical pathway patterns from medical behaviors //Artificial Intelligence in Medicine. -2012. Vol. 56. No 1. P. 3550.

81.Hyndman, R.J., & Athanasopoulos, G. Forecasting: principles and practice, 2nd edition, OTexts: Melbourne, Australia. -2018.

82.Jiang, F. C., Shih, C. M., et al. Decision Support for the Optimization of Provider Staffing for Hospital Emergency Departments with a Queue-Based Approach// Journal of clinical medicine. - 2019. Vol. 8. №12. Pp. 2154.

83.Johnson A.E.W, Pollard T.J, Shen L. et al. MIMIC-III, a freely accessible critical care database// Scientific Data. 2016. Vol. 3, No 160035.

84.Kam H. J., Sung J. O., Park R. W. Prediction of Daily Patient Numbers for a Regional Emergency Medical Center using Time Series Analysis // Healthcare informatics research. 2010. Vol. 16 No 3, P. 158-165.

85.Karypis G., Eui-Hong HanKumar. Chameleon: hierarchical clustering using dynamic modeling// Computer., vol. 32, no. 8, pp. 68-75, Aug. 1999.

86.Kaufmann L., Rousseeuw P. Clustering by means of medoids// Data analysis based on the L1-norm and related methods. - 1987. pp. 405-416.

87.Kaur J., Singh H. Performance evaluation of a novel hybrid clustering lgorithm using birch and K-means// 2015 Annual IEEE India Conference (INDICON). - 2015, pp. 1-6.

88.Kendall, D. G. Some Problems in the Theory of Queues, Journal of the Royal Statistical Society. - 1951.Series B (Methodological), 13(2), 151-185.

89.Kinsman L., Rotter T. et al. What is a clinical pathway? Development of a definition to inform the debate// BMC Medicine. - 2010. vol. 8, no 31.

90.Kovalchuk S.V., Funkner A.A., Metsker O.G., Yakovlev A.N. Simulation of patient flow in multiple healthcare units using process and data mining techniques for model identification// Journal of Biomedical Informatics. -2108. № 82, pp. 128-142.

91.Lakshmanan G., Rozsnyai S., Wang F. Investigating clinical care pathways correlated with outcomes// Lecture Notes Computer Science - 2013. Pp. 323338.

92.Lee, H., Grosse, R., Ranganath, R., and Ng, A. Y. // Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations. In ICML'2009—2009. —pp.609—616.

93.Lin F., Chou S., Pan S., Chen Y. Mining time dependency patterns in clinical pathways //International Journal of Medical Informatics. 2001. Vol. 62. No 1. P. 11-25.

94.Lu, X., Tabatabaei, S. A. et el. Trace Clustering on Very Large Event Data in Healthcare Using Frequent Sequence Patterns// Business Process Management: 17th International Conference. - 2019. pp. 198-215.

95.Luo L., Luo L., Zhang, X., He, X. Hospital daily outpatient visits forecasting using a combinatorial model based on ARIMA and SES models // BMC health services research. 2017. Vol. 17 No 1, P. 469.

96.MacQueen J. Some methods for classification and analysis of multivariate observations// Proceedings of the fifth Berkeley symposium on mathematical statistics and probability. - 1967. Vol. 1. No. 14.

97.Ouyang, G., Dey, D. Clique-Based Method for Social Network Clustering// Journal of Classification. Vol. 37, pp. 254-274.

98.Pearson S.D., Goulart-Fisher D., Lee T.H. Critical pathways as a strategy for improving care: Problems and potential// Annals of Internal Medicine. -1995. vol. 123, no 12, pp. 941-948.

99.Prodel M. Process discovery, analysis and simulation of clinical pathways using health-care data. Universit de Lyon, 2017.

100.Prokofyeva E.S., Zaytsev R.D. Clinical pathways analysis of patients in medical institutions based on hard and fuzzy clustering methods// Business Informatics. -2020, vol. 14, no 1, pp. 19-31.

101.Rakocevic G., Djukic T., Filipovic N., Milutinovic V. Computational medicine in data mining and modeling. N.Y.: Springer, 2013.

102. Rojas E., Munoz-Gama J., Sepulveda M., Capurro D. Process mining in healthcare: A literature review// Journal of Biomedical Informatics. - 2016/ no 61, pp. 224-236.

103. Rotter T. Clinical pathways: effects on professional practice, patient outcomes, length of stay and hospital costs: Cochrane database of systematic reviews and meta-analysis //Evaluation & the Health Professions. — 2010. Vol. 35. № 1. P. 3-27.

104. Rousseeuw P.J. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis// Journal of Computational and Applied Mathematics. -1987. vol. 20, pp. 53-65.

105. Rumelhart, David E. Learning Internal Representations by Error Propagation. San Diego (CA): Institute for Cognitive Science, University of California. -1985.

106. Sagvekar, V., V. Sagvekar, and K. Deorukhkar. Performance assessment of clarans: A method for clustering objects for spatial data mining. Global journal of engineering, design and technology. -2013. Vol. 2, № 6, pp. 1-8.

107. Saini, S., & Rani, P. A Survey on STING and CLIQUE Grid Based Clustering Methods// International Journal of Advanced Research in Computer Science. -2017. Vol. 8, pp. 1510-1512.

108. Sarmiento J.R., Lao A., Solano G.A. Pathway-based human disease clustering tool using self-organizing maps// 8th International Conference on Information, Intelligence, Systems & Applications (IISA), Larnaca, Cyprus. -2017, pp. 1-6.

109. Schweigler L.M., Desmond J.S., McCarthy M.L., Bukowski K.J., Ionides E.L., Younger J.G. Forecasting models of emergency department crowding // Academic Emergency Medicine. - 2009. Vol. 16 No 4. P. 301308.

110. Sepp Hochreiter, Jürgen Schmidhuber; Long Short-Term Memory// Neural Computation. - 1997. Vol. 9, № 8, pp. 1735-1780.

111. Sharnil P. Saket S. An overview of partitioning algorithms in clustering techniques// International Journal of Electrical and Computer Engineering. -2020. Vol. 5.

112. Shortliffe E-H. Knowledge engineering for medical decision making// Computer-based clinical decision aids. 1979. Vol. 67, № 9. P. 1207-1223.

113. Song, M., Gunther, C.W., van der Aalst, W.M.P.: Trace clustering in process mining// BPM 2008 International Workshops, Milano, Italyy. - 2008. Pp. 109-120.

114. Van der Aalst W.M.P. Process mining and simulation: A match made in heaven!// Proceedings of the 50th Computer Simulation Conference. Bordeaux, France, 9-12 July 2018.

115. Van der Aalst W.M.P. Process mining manifesto// Business Process Management Workshops. Springer, 2011. P. 169-194.

116. Van der Aalst W.M.P. Process mining: Discovery, conformance and enhancement of business processes. Springer, 2011.

117. Van der Aalst W.M.P. Process mining: Data science in action. Berlin: Springer-Verlag, 2016.

118. Vass, H., Szabo, Z. Application of Queuing Model to Patient Flow in Emergency Department. Case Study. Procedia. // Economics and finance. -2015. Vol. 2, 479-487.

119. Vesely A. Medical guidelines presentation and comparing with electronic health record // International Journal of Medical Informatics. -2006. Vol. 75. № 3-4. P. 240-245.

120. Vogt V, Scholz SM, Sundmacher L. Applying sequence clustering techniques to explore practice-based ambulatory care pathways in insurance claims data// Eur J Public Health. -2018 Apr 1;28(2):214-219.

121. Vorontsov K.V., Potapenko A.A. Tutorial on probabilistic topic modeling: Additive regularization for stochastic matrix factorization// AIST'2014, Analysis of Images, Social Networks and Texts. Communications in Computer and Information Science. Springer. 2014. pp. 265-267.

122. Wakamiya S., Yamauchi K. What are the standard functions of electronic clinical pathways? // International Journal of Medical Informatics. -2009. Vol. 78. No 8. P. 543-550.

123. Ward J.H. Hierarchical grouping to optimize an objective function. Journal of the American Statistical Association. 1963. vol. 58, no 301, pp. 236-244.

124. Williams R., Buchan I., Prosperi M., Ainsworth J. Using string metrics to identify patient journeys through care pathways. Proceedings of the AMIA Annual Symposium, Washington, DC, USA, 15-19 November 2014, pp. 1208-1217.

125. Willmott C.J., Matsuura K. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance // Clim Res. 2005. Vol. 30, No 1, P. 79-82.

126. Xiufeng S., Wei C. Improved CURE algorithm and application of clustering for large-scale data. 2011 IEEE International Symposium on IT in Medicine and Education. - 2011, pp. 305-308.

127. Yates, J. Hospital Beds: A problem for diagnosis and management. London: William Heinemann.1982.

128. Yoshikazu G. Decision-tree model for predicting outcomes after out-of-hospital cardiac arrest in the emergency department. 2013.

129. Yu S, Farooq F, van Esbroeck A. et al. Predicting readmission risk with institution-specific prediction models// Artificial Intelligence in Medicine. - 2015. Vol. 2. Pp. 89-96.

130. Zhang Y., Padman R., Patel N. Paving the cowpath: Learning and visualizing clinical pathways from electronic health record data// Journal of Biomedical Informatics. 2015. no 58, pp. 186-197.

131. Zhang, Ding et al. A genetic evolutionary ROCK algorithm// 2010 International Conference on Computer Application and System Modeling. -2010, pp. V12-347-V12-351.

132. Zhang, Y., Ding, S., Wang, L. et al. Chameleon algorithm based on mutual k-nearest neighbors// Appl Intell.- 2021.Vol. 51. Pp. 2031-2044.

Приложение. Результаты тематического моделирования на основе аддитивной регуляризации

А 0Л0.20472845 2Л0.25094473 3Л0.056172576 4Л0.34621504 5Л0.13793103

В 2Л0.31591785 3Л0.0804124 4Л0.59794307

С 2Л0.43433434 3Л0.4081694 6Л0.15394373

Б 0Л0.269751 2Л0.62204623 3Л0.10738771

Е 0Л0.014719851 4Л0.9807415

Б 2Л0.048205554 3Л0.7285043 4Л0.2220294

в 0Л0.017998157 2Л0.059349068 4Л0.5676379 6Л0.35303143

Н 0Л0.16274616 1Л0.109899595 2Л0.08268521 3Л0.016755203 6Л0.6182206

I 1Л0.7271091 2Л0.040800642 4Л0.16320838 6Л0.06646766

I 0Л0.26885462 2Л0.4888821 3Л0.16578344 4Л0.07595149

К 0Л0.025530832 2Л0.23489715 3Л0.16165423 4Л0.23987517 6Л0.33226854

Ь 2Л0.5500032 3Л0.41118115 6Л0.03374122

м 0Л0.14285715 6Л0.14285715 1Л0.14285715 2Л0.14285715 3Л0.14285715 4Л0.14285715

N 0Л0.4035253 4Л0.58131063

О 2Л0.05767187 3Л0.35223433 4Л0.5768448

Р 0Л0.14285715 6Л0.14285715 1Л0.14285715 2Л0.14285715 3Л0.14285715 4Л0.14285715

1Л1.0

я 0Л1.0

8 2Л0.54554266 3Л0.11540903 6Л0.32807216

Т 0Л0.014769259 2Л0.10219356 3Л0.019664994 4Л0.8317883 6Л0.03158387

и 2Л0.07869545 3Л0.026686316 4Л0.040557463 6Л0.84473747

V 0Л0.029227447 2Л0.11383573 4Л0.42423666 6Л0.4248729

W 2Л0.35540703 3Л0.026155142 4Л0.6128427

X 1Л0.28267035 2Л0.1495266 4Л0.54466516 6Л0.018970283

У 0Л0.096032664 3Л0.07402258 4Л0.8250207

ъ 0Л0.1630385 2Л0.14518356 3Л0.08820543 4Л0.02124689 6Л0.5752799

АА 1Л0.055351216 2Л0.19729635 3Л0.74633986

ВА 0Л0.017600479 2Л0.46455127 4Л0.51261884

СА 4Л0.999366

DA 0Л0.4940526 3Л0.017975992 4Л0.4826107

EA 2Л0.88365614 3Л0.11065244

FA 4Л1.0

GA 0Л0.044747557 2Л0.048753954 3Л0.024907274 4Л0.8790566

HA 0Л0.17272358 2Л0.17494312 3Л0.019225378 4Л0.6325898

IA 0Л0.013000239 1Л0.017772526 2Л0.21746175 3Л0.40320194

JA 1Л0.011789095 2Л0.49360424 4Л0.48315892

KA 2Л0.10618142 4Л0.524753 6Л0.36058843

LA

MA 2Л0.12424336 3Л0.8500301 6Л0.015276765

OA 2Л0.0909091 4Л0.9067693

PA

QA 0Л0.36521804 2Л0.09632169 4Л0.52662235

RA 0Л0.14285715 1Л0.14285715 2Л0.14285715 3Л0.14285715

6Л0.14285715

SA 1Л0.6930508 2Л0.16693147 4Л0.12725332

TA 0Л0.53850055 2Л0.17230071 3Л0.05826989 4Л0.23061815 UA 3Л0.99266076

VA 0Л0.55730736 2Л0.12895754 3Л0.1891891 4Л0.109365106 6Л0.015163117

WA 0Л0.3717079 2Л0.43610215 3Л0.13731378 4Л0.032953434 6Л0.017986754

XA 0Л0.14285715 1Л0.14285715 2Л0.14285715 3Л0.14285715 4Л0.14285715 5Л0.14285715 6Л0.14285715

YA

ZA 0Л0.8228726 3Л0.1700204

AB 0Л0.8228726 3Л0.1700204

BB 0Л1.0

CB 0Л0.23682949 2Л0.3858487 3Л0.30112943 4Л0.07619244

DB 0Л0.32372943 1Л0.3999274 2Л0.09271745 3Л0.1824057

EB 0Л0.035093673 2Л0.22101977 3Л0.74334216

FB 4Л1.0

GB 1Л0.042882457 2Л0.17017145 3Л0.18145217 4Л0.60547334

HB 0Л0.48916847 2Л0.10961513 3Л0.11088341 6Л0.2854252

IB 0Л0.13777316 2Л0.10659392 3Л0.13279985 4Л0.48128825

JB 0Л0.8228726 3Л0.1700204

KB 0Л0.012317019 2Л0.48394063 3Л0.3287861 4Л0.16584714

LB 2Л0.3710171 3Л0.13303715 4Л0.49415612

MB 0Л0.14285715 6Л0.14285715 1Л0.14285715 2Л0.14285715 3Л0.14285715 4Л0.14285715

NB 0Л0.1659199 2Л0.30160972 3Л0.42366028 4Л0.10290704

OB 2Л0.24601282 3Л0.17666218 4Л0.5772988

PB 0Л0.024302464 1Л0.018792426 2Л0.1485188 3Л0.13988137 4Л0.668505

QB 0Л0.27697125 1Л0.014943778 2Л0.24079336 3Л0.01888972 4Л0.44840196

RB 1Л0.8667245 2Л0.056911882 3Л0.055676337 6Л0.01012348

SB 0Л0.013821771 2Л0.3722711 3Л0.14795539 4Л0.45002362 6Л0.013930476

TB 1Л0.028937064 2Л0.5014082 3Л0.32028985 4Л0.030036055 6Л0.11150805

UB 0Л0.04646539 1Л0.040149078 2Л0.19045496 4Л0.72293055

VB 2Л0.5888868 3Л0.31101805 4Л0.09824581

WB 0Л1.0

XB 0Л0.02928179 2Л0.5255132 3Л0.4353394

YB 0Л0.22907251 2Л0.75866914

ZB 0Л0.09358639 2Л0.2652028 3Л0.041850988 4Л0.59365785

AC 2Л0.2936254 3Л0.59757805 4Л0.10639472

BC

CC 0Л0.08460196 2Л0.32940197 4Л0.5662149

DC 2Л0.5388427 3Л0.45853618

EC 2Л0.48300153 3Л0.5125213

FC 0Л0.7133541 2Л0.11218172 3Л0.11456087 4Л0.019408682 6Л0.037146043

GC 0Л0.32877785 2Л0.051400065 4Л0.5961986 6Л0.01856682

HC

IC 0Л0.27086025 2Л0.11825827 4Л0.55938226 6Л0.041667096

JC 2Л0.40217268 4Л0.56496316 6Л0.025162727

KC 2Л0.67211753 3Л0.32534415

LC 0Л0.19916053 1Л0.15946679 2Л0.43112913 3Л0.17328224 4Л0.036961313

MC 1Л0.4666671 2Л0.12018225 3Л0.0426706 4Л0.37045267

NC 1Л0.028120901 2Л0.22603637 3Л0.08722505 4Л0.2582532 6Л0.40036452

OC 2Л0.3275044 4Л0.28669384 6Л0.38498193

PC

QC 0Л0.49916503 2Л0.2312154 3Л0.2680027

RC 0Л0.17380005 2Л0.38867494 3Л0.4318269

SC 0Л0.6805041 1Л0.01020228 2Л0.033143688 4Л0.27615

TC 2Л0.06954957 3Л0.08138055 4Л0.33250377 6Л0.50731957

UC 2Л0.20174846 3Л0.10777643 4Л0.28573364 6Л0.4013876

VC 2Л0.7225574 3Л0.23464416 4Л0.018860979 6Л0.018184518

WC 0Л0.027423223 1Л0.052399512 2Л0.42071977 3Л0.28964275 4Л0.17034715

XC 4Л0.9996565

YC 3Л0.08327538 4Л0.91266817

ZC 1Л0.056999143 2Л0.014646801 3Л0.2852957 4Л0.56042504 6Л0.07709436

AD 0Л0.018646518 2Л0.35578114 3Л0.22925939 4Л0.032143418 6Л0.3641695

BD 0Л0.18484774 2Л0.09816637 3Л0.01579084 4Л0.37711492 6Л0.31762043

CD 1Л0.055351216 2Л0.19729635 3Л0.74633986

DD 0Л0.011401002 3Л0.70731926 4Л0.08986635 6Л0.18741326

ED 0Л0.05573588 2Л0.76844305 3Л0.1038825 6Л0.06524391

FD 0Л0.39283717 2Л0.024950108 3Л0.08214337 4Л0.50000006

GD 0Л0.18702307 1Л0.016993683 2Л0.057868574 3Л0.6419991 4Л0.09594111

HD 1Л0.28057283 4Л0.3206654 6Л0.38674027

ID 0Л0.14285715 6Л0.14285715 1Л0.14285715 2Л0.14285715 3Л0.14285715 4Л0.14285715

JD 0Л0.027001712 1Л0.5275595 2Л0.28919777 3Л0.02964809 4Л0.12659292

KD 2Л0.15971403 3Л0.058379233 4Л0.28415084 6Л0.4928122

LD 0Л0.030390726 1Л0.023378873 2Л0.072315976 3Л0.13966368 4Л0.7342508

MD 2Л0.18735138 3Л0.18577102 4Л0.6268605

ND 0Л0.37493417 2Л0.16046892 3Л0.058046177 4Л0.40641123

OD 2Л0.0963065 4Л0.29860216 6Л0.60303664

PD 1Л0.071367554 4Л0.92863244

QD 0Л0.37317705 2Л0.4041883 3Л0.054483794 4Л0.15539284

RD 3Л0.9999313

SD 0Л0.3079844 2Л0.05263955 4Л0.5867043 5Л0.052631583

TD 0Л0.47833645 2Л0.22647654 3Л0.02794782 4Л0.2296344 6Л0.03745627

UD 0Л0.27664143 2Л0.6574849 3Л0.0621782

VD 0Л0.02183238 1Л0.05426819 2Л0.31238034 3Л0.010245236 4Л0.60127383

WD 0Л0.14285715 6Л0.14285715 1Л0.14285715 2Л0.14285715 3Л0.14285715 4Л0.14285715

XD 0Л0.050243642 1Л0.011933427 3Л0.012689962 4Л0.85893446 6Л0.06618029

YD 3Л0.99998283

ZD 0Л0.89424396 3Л0.08053203 4Л0.020160275

AE 2Л0.4218994 3Л0.11167413 4Л0.017735546 6Л0.44550878

BE 0Л0.29827592 2Л0.3680288 3Л0.0733038 4Л0.19208996 5Л0.05263158

CE 0Л0.17759901 2Л0.20775647 3Л0.57917815 4Л0.020406077 6Л0.010165185

DE 0Л1.0

EE 1Л0.5973844 2Л0.15757242 3Л0.168319

FE 2Л0.17326188 3Л0.28872138 4Л0.52999794

GE 2Л0.4398975 3Л0.47201067 4Л0.08612779

HE 0Л0.32732067 2Л0.5694574 3Л0.09811896

IE 0Л0.015332273 2Л0.1137795 3Л0.15567094

JE 2Л0.6018438 3Л0.22142315 4Л0.17592117

KE 0Л0.43154028 2Л0.35965008 3Л0.044679854

LE 0Л0.2592423 1Л0.37493795 2Л0.05900122

ME 2Л0.3984249 3Л0.059309676 4Л0.54226536

NE 0Л1.0

OE 0Л0.14285715 6Л0.14285715 1Л0.14285715 2Л0.14285715

PE 4Л1.0

QE 2Л0.44605234 3Л0.09237223 6Л0.45318818

RE 0Л0.014719851 4Л0.9807415

SE 0Л0.042448543 1Л0.037516616 3Л0.0690965

TE 4Л1.0

UE 0Л0.4167984 2Л0.18867959 4Л0.38174817

VE 0Л0.017206186 3Л0.24206215 4Л0.08789944

WE 2Л0.037037577 3Л0.013426819 4Л0.3422446

XE 4Л0.99346817

YE 2Л0.61816096 3Л0.38030928

ZE 2Л0.6609744 3Л0.29929426 4Л0.022547718

AF 1Л0.015937267 2Л0.27088088 3Л0.33784607

BF 1Л0.2855325 2Л0.25004068 4Л0.45952493

CF 2Л0.7590014 3Л0.15914719 4Л0.07468209

DF 4Л1.0

EF 1Л0.022028578 2Л0.04774983 3Л0.12455363

FF 0Л0.67343515 2Л0.042771596 3Л0.14081718

GF 0Л0.06499234 2Л0.33608878 3Л0.010083854

HF 2Л0.3685998 3Л0.14193332 4Л0.4894669

IF 0Л0.23774587 1Л0.02642699 2Л0.15731527

JF 2Л0.010440735 4Л0.98955923

KF 0Л0.45543897 2Л0.18298824 3Л0.19856742

LF

4Л0.022822326 6Л0.04494526

4Л0.024856273 6Л0.685137

4Л0.12274331 5Л0.04

4Л0.23147047 5Л0.062499996 6Л0.011368374

3Л0.14285715 4Л0.14285715 5Л0.14285715

4Л0.84660137

6Л0.011991702

6Л0.6521479

6Л0.6069371

6Л0.015062616 4Л0.37442413

4Л0.7580223 5Л0.04761905 4Л0.14285715

4Л0.046109572 6Л0.54272544 3Л0.080746666 4Л0.49703547 4Л0.16285458

MF 0Л0.14285715 6Л0.14285715 1Л0.14285715 2Л0.14285715

NF 2Л0.77580225 3Л0.21874142

OF 0Л0.14285715 6Л0.14285715 1Л0.14285715 2Л0.14285715

PF 0Л0.38589534 2Л0.20563722 3Л0.40068063

QF 0Л0.10774501 2Л0.34033236 4Л0.35152492

RF 2Л0.3682419 3Л0.61731994

SF 2Л0.16917376 3Л0.102483414 4Л0.7233008

TF 0Л0.36291435 2Л0.22148563 3Л0.10083861

UF 0Л0.10300901 2Л0.42517945 4Л0.025253652

VF 2Л0.6255101 3Л0.29212025 4Л0.08059574

WF 0Л0.1517878 2Л0.7804199 3Л0.016961074

XF 1Л0.3109346 2Л0.16564439 4Л0.52102673

YF 0Л0.021278823 2Л0.1292812 3Л0.023475477

ZF 2Л0.113802604 3Л0.04014018 4Л0.6667021

AG 4Л0.992184

BG 0Л0.53680396 3Л0.052973617 4Л0.012624839

CG 0Л0.011917405 3Л0.91469264 4Л0.07082822

DG 0Л0.2888297 2Л0.066716865 3Л0.63879

EG 4Л1.0

FG 1Л0.012293741 2Л0.40104666 4Л0.57883143

GG 2Л0.69290286 3Л0.015731249 4Л0.10980011

HG 0Л0.16419555 2Л0.74606067 4Л0.089423075

IG 0Л0.016658584 2Л0.101031415 3Л0.140651

JG 2Л0.14355823 3Л0.28193775 4Л0.54722714

KG 2Л0.139893 3Л0.84734124

LG 0Л0.09333584 2Л0.15182678 3Л0.11044099

MG

NG 0Л0.75 4Л0.25

OG 0Л0.3912014 2Л0.42687467 3Л0.06241819

PG 0Л0.056436814 2Л0.16772836 3Л0.010254615

QG 2Л0.75957036 3Л0.2275122 4Л0.011410365

RG 0Л0.046808653 2Л0.5839556 3Л0.1628901

SG 4Л1.0

TG 0Л0.32231173 1Л0.50829464 2Л0.12557407

3Л0.14285715 4Л0.14285715 5Л0.14285715

3Л0.14285715 4Л0.14285715 5Л0.14285715 6Л0.19659996

4Л0.069446474 6Л0.24526252 6Л0.4372524

4Л0.029162727 6Л0.019668724

4Л0.501131 6Л0.32477346 6Л0.17484914

6Л0.39378068

6Л0.18122202

4Л0.03480289 6Л0.70685613 6Л0.012823142

4Л0.13776174 6Л0.5060994

4Л0.08991271 6Л0.02959184 4Л0.756955

4Л0.18009186 6Л0.026253793

3Л0.020982489 4Л0.022837019

UG 0Л0.035093673 2Л0.22101977 3Л0.74334216

VG 2Л0.8090263 3Л0.18749648

WG 0Л0.23676722 2Л0.5351952 3Л0.15350473 4Л0.07451436

XG 3Л0.99998283

YG 0Л0.07212664 2Л0.49564958 4Л0.33977935 6Л0.09096061

ZG 0Л0.5930958 2Л0.21068268 4Л0.18260507

AH 2Л0.11680371 3Л0.77508754 4Л0.10051708

BH 0Л0.45060933 2Л0.18588126 4Л0.013383097 5Л0.03448276 6Л0.31213632

CH 0Л0.011388675 1Л0.012942736 2Л0.114120476 3Л0.02185508 4Л0.7534743

DH 2Л0.24809913 3Л0.14591545 4Л0.5993164

EH 0Л0.3324197 3Л0.660025

FH 0Л0.013312176 2Л0.28376174 3Л0.4125002 4Л0.28211078

GH 4Л1.0

HH 1Л0.47551435 2Л0.1031495 3Л0.41443592

IH 0Л0.037273012 2Л0.5502997 3Л0.1370254 4Л0.27181762

JH 0Л0.024862086 2Л0.28557056 3Л0.024025654 4Л0.6242847 6Л0.032398082

KH 0Л0.028653882 1Л0.025394116 2Л0.4099728 3Л0.0231232 4Л0.512856

LH 0Л0.6345385 2Л0.3018252 3Л0.033203226 4Л0.0277212

MH 0Л1.0

NH 0Л0.269751 2Л0.62204623 3Л0.10738771

OH 0Л0.37351605 2Л0.3422535 3Л0.039950307 4Л0.20409715 5Л0.039999995

PH 0Л0.100486465 1Л0.04820925 3Л0.1262072 4Л0.71423495

QH 4Л0.09187014 6Л0.9064165

RH

SH 2Л0.40839046 3Л0.4803981 4Л0.10473892

TH 0Л0.03758407 3Л0.22751842 4Л0.70027924 6Л0.032818124

UH 0Л0.14285715 6Л0.14285715 1Л0.14285715 2Л0.14285715 3Л0.14285715 4Л0.14285715

VH

WH 0Л1.0

XH 0Л0.5670607 2Л0.082348526 3Л0.24676111 4Л0.100948595

YH 0Л0.3920112 3Л0.099076204 4Л0.017112592 6Л0.49063122

ZH 0Л0.45582342 2Л0.04423117 3Л0.36357808 4Л0.13534133

AI 2Л0.2980963 3Л0.6428733 4Л0.04967984

BI 0Л0.48123345 3Л0.028873036 4Л0.48149237

CI 0Л0.028324349 2Л0.07029615 4Л0.56069463 6Л0.33274344

6Л0.086218804

DI 0Л0.015672447 2Л0.07095625 3Л0.7550875 4Л0.15828384

EI 0Л0.06943027 2Л0.5611933 3Л0.23766907 4Л0.12927297

FI 0Л0.8228726 3Л0.1700204