Disaster medicine: analysis of research papers by Russian investigators based on artificial intelligence methods (2005–2021)

Full Text

Введение

В последнее время активно развивается цифровизация в различных сферах научной деятельности, в том числе, в прогнозировании, моделировании и ликвидации последствий чрезвычайных ситуаций (ЧС) различного характера [18, 20–22, 27]. По мнению директора Центра искусственного интеллекта Сколковского института науки и технологий проф. И.В. Оселедца [https://www.oprf.ru/], повсеместная цифровизация научной деятельности открывает большие перспективы для проведения интеллектуального анализа больших данных с использованием методов искусственного интеллекта, при этом «необходимо сначала перенести данные в цифровой формат, а уже потом с помощью этих баз обучать искусственный интеллект».

При анализе публикационной активности российских и зарубежных авторов за последние годы отмечено стремительное увеличение количество статей, публикуемых в научных журналах. Так, за период 2005–2020 гг. по медицинским проблемам безопасности в ЧС авторами опубликована 3401 статья в отечественных научных журналах, индексируемых в Российском индексе научного цитирования (РИНЦ), и 60 935 научных статей, индексируемых в международной реферативнобиблиографической базе данных (БД) Scopus. Чтобы сгруппировать научную информацию по медицинским проблемам ЧС, был предложен развернутый классификатор научной информации, в котором содержатся 9 основных разделов и 38 подразделов [15]. Результаты распределения массивов отечественных и зарубежных научных статей по разделам классификатора представлены в табл. 1.

 

Таблица 1

Показатели распределения отечественных и зарубежных массивов научных статей по медицинским проблемам безопасности в ЧС (2005–2020 гг.) [15]

Раздел классификатора		Среднегодовое число статей Me [Q1; Q3]; M±SD (%)		p <
		отечественных	зарубежных
1-й	Общие медицинские проблемы	24 [19; 26] (11,2)	97 [14; 181] (2,0)	0,001
2-й	Задачи и организация службы медицины катастроф	12±7 (5,1)	203±15 (3,6)
3-й	Прогнозирование и моделирование медико- санитарных последствий ЧС	32 [26; 54] (17,7)	216 [97; 226] (3,8)	0,001
4-й	Организация медико-санитарного обеспечения в ЧС	51±25 (24,1)	1564±409 (27,8)
5-й	Оказание медицинской помощи и лечение пострадавших в ЧС	26 [17; 45 ] (14,1)	1374±334 (24,4)	0,001
6-й	Медицинский контроль, экспертиза и реабилитация специалистов профессий экстремального профиля	5 [3; 16] (3,9)	279 [217; 305] (4,9)
7-й	Медицинская подготовка специалистов профессий экстремального профиля и населения к действиям в ЧС	18±12 (9,0)	72 [53; 98] (1,6)	0,001
8-й	Биологические проблемы безопасности в ЧС	12±7 (5,5)	882±570 (15,7)	0,001
9-й	Психиатрические (медико-психологические) проблемы	21±11 (9,4)	733 [500; 1059] (16,2)	0,001
Всего		196±95	3332 [2274; 4626]

 

В настоящее время существуют программы, которые позволяют проводить анализ и визуализацию библиометрических сетей научных публикаций (например VOSviewer) [https://www.vosviewer.com]. Уместно отметить, что в РИНЦ и Scopus имеются внутренние рубрикаторы, позволяющие выделять в массиве статей ведущих авторов, журналы, а также организации, сотрудники которых опубликовали наибольшее количество статей и их цитирования. Данные рубрикаторы неоднократно использовались для проведения наукометрического анализа научных статей по отраслям знаний, в том числе, по безопасности в ЧС [2, 3, 7–9], медицине катастроф [1, 14], боевому стрессу [12], морской медицине [13], психиатрии и психотерапии [10, 11].

Наглядная визуализация их взаимных связей и последующая автоматическая кластеризация могут быть реализованы с помощью упомянутой программы VOSviewer, при этом

библиометрические сведения о статьях следует представлять в.csv-форматах (сommaseparated values) либо с помощью специального программного обеспечения для управления ссылками (.ris-формат) [16].

 

Рис. 1. Ключевые термины и их кластеризация в подборке мирового потока публикаций по проблемам безопасности в ЧС с помощью программы VOSviewer.

 

Имеется возможность выгрузить подборку мирового потока статей по медицинским проблемам безопасности в ЧС в формате csv из БД Scopus, визуализация и выделение ведущих кластеров с помощью инструмента VOSviewer приведены в публикации [19]. В результате анализа было выделено 6 ведущих тематических кластеров (рубрик), окрашенных разными цветами (рис. 1):

• красным – термины, относящиеся к общим проблемам безопасности в ЧС (22,5 % от общего количества ключевых терминов);
• фиолетовым – оказание экстренной и неотложной медицинской помощи, в том числе, на догоспитальном этапе (16,2 %);
• голубым – вопросы судебно-медицинской экспертизы (4,8 %);
• желтым – оказание медицинской помощи и лечение пострадавших в ЧС (17,5 %);
• зеленым – психиатрические и психологические проблемы безопасности в ЧС (21,1 %);
• синим – медицинское обеспечение при ЧС природного характера (стихийные бедствия) (17,9 %).

Цель – провести семантический анализ отечественных публикаций по медико-биологическим и психологическим проблемам ЧС, представленных в РИНЦ за период 2005– 2021 гг. с использованием методов искусственного интеллекта.

Материал и методы

Объект исследования составила 3641 статья в отечественных научных журналах по вопросам медико-биологических и психологических проблем безопасности в ЧС за период 2005–2021 гг., индексированные в РИНЦ. Извлечение библиометрической информации представляло определенные технические сложности, выгрузить интересующую подборку публикаций в.сsv-формате помогли сотрудники Научной электронной библиотеки (eLibrary).

Используемая в данном исследовании программа VOSviewer является бесплатным инструментом, доступным для скачивания с официального сайта разработчиков [https://www. vosviewer.com/download], там же представлены подробные инструкции по ее использованию, в том числе, в видеоформате.

С целью проведения сравнительного анализа и более детальной автоматической классификации (кластеризации) научной информации, опираясь на опыт отечественных и зарубежных исследований [4–6, 17, 18, 23, 24], была создана программа на языке Python с использованием методов нейролингвистического программирования (Natural Language Processing, NLP), являющегося одним из подразделов искусственного интеллекта. NLP позволяет применять алгоритмы машинного обучения (построения нейронных сетей) для обработки естественного языка. Предварительная обработка текста и построение автоматической классификации проводились с использованием языка программирования Python и пакета библиотек NLTK [https://www. nltk.org/], используемого для символьной и семантической обработки естественного языка [25, 26]. Предварительная обработка производилась в несколько этапов:

• токенизация – процесс разделения предложений на слова-компоненты;
• лемматизация, проводимая с целью приведения всех встречающихся словоформ к одной, нормальной словарной форме (именительный падеж, мужской род, единственное число);
• удаление «Стоп-слов», которые должны быть исключены из текста до его обработки с целью минимизации поискового шума. Чаще всего в роли стоп-слов выступают артикли, междометия, союзы и т.д., которые не несут смысловой нагрузки;
• «мешок слов». Алгоритмы машинного обучения не могут напрямую работать с «сырым» текстом, поэтому необходимо конвертировать текст в наборы цифр или векторов. Это называется извлечением признаков. «Мешок слов» является популярной и простой техникой извлечения признаков, используемой при работе с текстом, описывает вхождения каждого слова в текст. Метод позволяет осуществить упрощенное представление текста, другими словами, какие слова встретились в тексте, но при этом не учитывает их порядок. Такое представление легко запрограммировать, оно удобно для использования в задачах автоматической обработки текста. Несмотря на свою простоту, метод оказывается достаточно полезным и позволяет успешно решать такие задачи, как классификация текста, т.е. отнесение текста к определенной группе/категории.

Следующим шагом являлось машинное обучение модели для автоматической классификации научной информации. Для обучения был использован метод глубокого обучения, а именно, многослойная полносвязная нейросеть. Построенная модель состояла из 3 скрытых слоев, одного выходного слоя, а также трех слоев, нормализующих данные. Указанная нейросеть способна вычислять около 2,5 млн параметров и позволяет наиболее точно аппроксимировать данные.

Финальным шагом явились оценка точности классификации и сравнение количества разделов и соотнесения статей по ним с рутинным («de visu») методом распределения.

Результаты и их анализ

В результате анализа подборки научных статей, импортированных из РИНЦ в.csv-формате в программу VOSviewer, удалось выделить ключевые термины, выявить их взаимосвязь и провести кластеризацию в автоматизированном режиме, результаты кластеризации представлены на рис. 2.

 

Рис. 2. Ключевые термины и их кластеризация в подборке отечественных публикаций по медицине ЧС с помощью программы VOSviewer.

 

Программа выделила 6 ведущих тематических кластеров (рубрик), которые окрашены разными цветами:

• красным – термины, относящиеся к общим медицинским проблемам безопасности в ЧС и характеристике ЧС различного происхождения (22,6 % от общего количества ключевых терминов);
• фиолетовым – психиатрические (медикопсихологические) проблемы, в том числе, у специалистов профессий экстремального профиля (16,7 %);
• голубым – вопросы медико-санитарных последствий радиационных аварий (5,8 %);
• желтым – вопросы обучения и подготовки специалистов профессий экстремального профиля к ликвидации медико-санитарных последствий ЧС (20,9 %);
• зеленым – организация медико-санитарного, в том числе, лечебно-эвакуационного обеспечения в ЧС (23,7 %);
• синим – медицинское обеспечение при ЧС природного и биолого-социального характера (стихийные бедствия) (10,3 %).

При сравнении выделенных тематических кластеров ключевых терминов отечественных научных статей с таковыми, выделенными в подборке мирового потока статей по медицинским проблемам безопасности в ЧС (см. рис. 1), можно сделать вывод, что в зарубежных исследованиях сравнительно чаще рассматривались психиатрические и психологические проблемы безопасности в ЧС и вопросы медицинского обеспечения при ЧС природного характера (уместно указать, что в мире в отличие от России превалируют природные ЧС), отечественными исследователями сравнительно чаще изучались вопросы обучения и подготовки специалистов профессий экстремального профиля к ликвидации медико-санитарных последствий ЧС, что, в целом, согласуется с данными распределения публикаций по разделам классификатора рутинным способом (см. табл. 1).

На рис. 3 представлено распределение публикаций во взаимосвязи с отечественными исследователями, подготовившими наибольшее количество научных публикаций по медико-биологическим и психологическим проблемам ЧС за период 2005–2021 гг. Ведущими «кластерами», с которыми взаимодействуют большинство других исследователей, являются научные школы по изучению безопасности в ЧС:

• методологические и методические проблемы организации и деятельности службы медицины катастроф в стране – С.Ф. Гончаров, Б.В. Бобий, М.В. Быстров и др. (Всероссийский центр медицины катастроф «Защита», Федеральный центр медицины катастроф) – взаимосвязи на рисунке выделены красным цветом;
• военнослужащие и сотрудники полиции – Р.Н. Лемешкин, А.Н. Гребенюк, И.М. Самохвалов (Военно-медицинская академия им. С.М. Кирова), Ю.Е. Барачевский и С.Г. Соловьев (Северный государственный медицинский университет) – взаимосвязи выделены синим цветом;
• личный состав МЧС России – С.С. Алексанин, В.И. Евдокимов, В.Ю. Рыбников, И.А. Якиревич (Всероссийский центр экстренной и радиационной медицины им. А.М. Никифорова МЧС России) – фиолетовый цвет;
• жители Москвы и Московской области – С.А. Гуменюк, В.И. Потапов, Л.Л. Стажадзе (Московский территориальный научнопрактический центр медицины катастроф Департамента здравоохранения города Москвы) – бежевый цвет;
• проблемы особо опасных инфекций и биологической безопасности – В.В. Кутырев, В.П. Топорков (Российский научноисследовательский противочумный институт «Микроб»), Г.Г. Онищенко (Первый Московский государственный медицинский университет им. И.М. Сеченова) – желтый цвет, Носков А.К., Вишняков В.А. (Иркутский научноисследовательский противочумный институт Сибири и Дальнего Востока) – зеленый цвет;
• проблемы службы медицины катастроф регионального уровня – В.П. Попов, О.А. Мельникова, А.Ю. Петров (Территориальный центр медицины катастроф Свердловской области), Д.С. Пархомчук (Луганский республиканский Центр экстренной медицинской помощи и медицины катастроф) – оранжевый цвет.

Следует отметить, в целом, ведущие кластеры научных школ соотносятся с авторами, подготовившими наибольшее количество публикаций по медицине ЧС за период 2005– 2017 гг., по данным РИНЦ [1, 14].

 

Рис. 3. Ведущие авторы и их кластеризация в подборке отечественных публикаций по медицине ЧС с помощью программы VOSviewer.

 

Было принято также решение провести кластерный анализ, основная задача которого заключается в автоматическом распределении научных статей на группы или кластеры, при этом заранее количество кластеров не задавалось. Применено так называемое машинное обучение без учителя. Один из ключевых вопросов, который предстояло решить на этапе обучения модели, заключался в выборе оптимального количества кластеров. Количество кластеров в данной методике является гиперпараметром, т.е. тем параметром, который следовало указать до обучения модели. Для определения оптимального количества кластеров был использован метод локтя (англ. Elbow method) – графический метод определения оптимального количества кластеров основан на зависимости суммы квадратов расстояний между объектами и центрами кластеров от их количества. В процессе применения данного метода строится график зависимости суммы квадратов расстояний от количества кластеров, на котором определяется точка, где кривая «сгибается» (визуально напоминает локоть). Сумма квадратов внутрикластерных расстояний (Within cluster sum of squares, WСSS) – метрика для оценки качества кластеризации, которая измеряла, насколько сильно объекты внутри одного кластера похожи друг на друга. Она вычисляется путем суммирования квадратов расстояний каждого элемента кластера до центроида этого кластера. Чем меньше значение SSW, тем лучше кластеризация, т.е. объекты внутри каждого кластера находятся ближе друг к другу, чем к объектам из других кластеров. Из графика, представленного на рис. 4, следует, что при переходе от 19 до 20 кластеров ошибка произвела скачок вверх и в дальнейшем стала минимизироваться. Поэтому для обучения модели принято решение использовать 19 кластеров.

 

Рис. 4. Кластерный анализ отечественных публикаций по медицине ЧС с помощью метода «локтя» (пояснения в тексте).

 

Распределение отечественного массива статей (%) по рубрикам созданного классификатора (слева) [15] и найденных кластеров (слева) представлено в табл. 2. Номера кластерам присвоены с учетом величины вклада в общую структуру. Стоит отметить, что 19 сгенерированных нейросетью кластеров в целом соотносились с 9 основными разделами разработанного классификатора. Ряд статей из кластеров соотносились с несколькими рубриками, при этом возможности построения нейросети на данном этапе не позволили создать более мелкие подрубрики в составе кластера (второй уровень иерархии).

 

Таблица 2

Соотнесение разделов классификатора отечественных публикаций и кластеров, сгенерированных нейросетью

Раздел созданного классификатора		%	Найденный кластер		%
1-й	Общие медицинские проблемы	11,2	13-й	Общие медицинские проблемы безопасности в ЧС -	2,3
2-й	Задачи и организация службы медицины катастроф	5,1	11-й	Организация и режимы функционирования службы медицины катастроф	2,7
			15-й	Организация медицинского снабжения в ЧС	2,2
			19-й	Взаимодействие организаций и учреждений по вопросам ликвидации медико-санитарных последствий	1,1
3-й	Прогнозирование и моделирование медико санитарных последствий ЧС -	17,7	5-й	Прогнозирование и моделирование медико- санитарных последствий ЧС	4,6
			9-й	Прогнозирование, моделирование и характеристика эпидемий и эпизоотий	3,5
			12-й	Экономический ущерб от медико-санитарных последствий ЧС	2,7
4-й	Организация медико-санитарного обеспечения в ЧС	24,1	1-й	Организация медико-санитарного обеспечения в ЧС	30,5
			17-й	Подготовка и организация работы учреждений системы здравоохранения в ЧС	1,6
			7-й	Организация лечебно-эвакуационного обес печения	4,1
			18-й	Информационное обеспечение ликвидации медико-санитарных последствий ЧС	1,5
5-й	Оказание медицинской помощи и лечение пострадавших в ЧС	14,1	2-й	Оказание медицинской помощи и лечение пострадавших в ЧС	14,2
			16-й	Отдаленные последствия воздействия и ока зание медицинской помощи пострадавшим от ионизирующего излучения	1,9
6-й	Медицинский контроль, экспертиза и реабилитация специалистов профессий экстремального профиля	3,9	8-й	Медицинское обеспечение и экспертиза специалистов профессий экстремального профиля	4,0
7-й	Медицинская подготовка специалистов профессий экстремального профиля и населения к действиям в ЧС	9,0	3-й	Медицинская подготовка специалистов про фессий экстремального профиля	7,4
8-й	Биологические проблемы безопасности в ЧС	5,5	10-й	Биологические проблемы безопасности в ЧС	3,0
			14-й	Организация санитарно-гигиенического и противоэпидемического обеспечения	2,3
9-й	Психиатрические (медико-психологические) проблемы	9,4	4-й	Психиатрические (медико-психологические) проблемы безопасности в ЧС	6,0
	-		6-й	Оказание экстренной психологической помощи в ЧС	4,4

 

Заключение

Проведенное исследование позволило провести сравнительный анализ различных технологий классификации (кластеризации) научных статей с использованием методов искусственного интеллекта и выявить ведущие кластеры, по ключевым словам, и ведущим авторам. Авторам публикаций следует более тщательно подходить к формированию аннотации статей, а ключевые слова согласовывать с тезаурусом медицинских предметных рубрик (Medical Subject Headings, MeSH). Эти уточнения будут способствовать более правильному соотношению публикаций с имеющимися рубрикаторами.

К сожалению, проведенное исследование не разрешило все поставленные задачи. Дальнейшее повышение уровня цифровизации позволит проводить более достоверные исследования, в том числе, с применением методов искусственного интеллекта.

 

 

***

Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией статьи.

 

Участие авторов: К.A. Чернов – анализ массива статей по программе VOSviewer, обзор литературы, подготовка первого варианта статьи; С.Д. Мисюрин – кластерный анализ массива статей, соотношение массива статей по рубрикам созданного классификатора и сгенерированных нейросетью кластерам; В.А. Глухов, С.А. Дурнев – формализация массива сведений по статьям за 2005–2021 гг., редактирование окончательного варианта статьи.

About the authors

Kirill A. Chernov

The Civil Defence Academy of EMERCOM of Russia

Author for correspondence.
Email: kchernovmd@gmail.com
ORCID iD: 0000-0002-7625-4432

lecturer of the department (biomedical and ecological protection)

Russian Federation, 1a, Sokolovskaya Str., Novogorsk microdistrict, Khimki, Moscow region, 141435

Sergey D. Misyurin

The Civil Defence Academy of EMERCOM of Russia

Email: ssergeymiss@gmail.com

сadet of the command engineering faculty

Russian Federation, 1a, Sokolovskaya Str., Novogorsk microdistrict, Khimki, Moscow region, 141435

Viktor A. Glukhov

Scientific Electronic Library (eLIBRARY.RU)

Email: olunid@elibrary.ru

PhD Techn. Sci., Deputy Director

Russian Federation, 14A, Nauchnyi proezd, Moscow, 117246

Sergei A. Durnev

Scientific Electronic Library (eLIBRARY.RU)

Email: durnev@elibrary.ru

Research Associate

Russian Federation, 14A, Nauchnyi proezd, Moscow, 117246

References

Supplementary files