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.