В настоящем исследовании используются нейронные сети долгосрочной
краткосрочной памяти (LSTM), что позволяет объединить различные социальноэкономические показатели и показатели здоровья для достижения высокой точности
прогнозирования. Акцентируется внимание на том, что максимально точное прогнозирование
уровня смертности выступает важнейшим аспектом управления социально-экономическими
системами, особенно в сфере здравоохранения. Анализируются ключевые социальноэкономические факторы, такие как уровень доходов, образование и социальная среда, чтобы
понять их влияние на состояние здоровья. Для прогнозирования медицинских данных
используются несколько типов нейронных сетей, каждый из которых подходит для разных
типов данных и задач прогнозирования. Разработка модели включает в себя тщательную
предварительную обработку данных, сложную архитектуру нейронных сетей, а также
обширные процессы обучения и проверки. Программное обеспечение было разработано с
учетом требований к пользовательскому интерфейсу, обеспечивающему ввод данных и
визуализацию результатов в режиме реального времени. Анализ социально-экономических
показателей, таких как уровень доходов, образование и социальная среда, подчеркивает их
глубокое влияние на состояние здоровья. Эти факторы не только влияют на индивидуальное
поведение в отношении здоровья, но также определяют доступ к медицинским услугам и
общественное здоровье в целом. Результаты демонстрируют прогрессивность по сравнению с
традиционными методами прогнозирования, демонстрируя способность модели обрабатыватьсложные нелинейные зависимости и интегрировать несколько источников данных. Удобный
интерфейс программного обеспечения позволяет вводить и визуализировать данные в режиме
реального времени, что делает его ценным инструментом для управления здравоохранением и
разработки политики.
